Return to search

Diagnostic et pronostic des défauts pour la maintenance préventive et prédictive. Application à une colonne de distillation / Default diagnosis and prognosis for a preventive and predictive maintenance. Application to a distillation column

Le procédé de distillation est largement utilisé dans de nombreuses applications telles que la production pétrochimique, le traitement du gaz naturel, les raffineries de pétrole, etc. Généralement, la maintenance des réacteurs chimiques est très coûteuse et perturbe la production pendant de longues périodes. Tous ces facteurs démontrent réellement la nécessité de stratégies efficaces de diagnostic et de pronostic des défauts pour pouvoir réduire et éviter le plus grand nombre de ces problèmes catastrophiques. La première partie de nos travaux vise à proposer une méthode de diagnostic fiable pouvant être utilisée dans le régime permanent d’une procédure non linéaire. De plus, nous proposons une procédure modifiée de la méthode MFCM permettant de calculer la variation en pourcentage entre deux classes. L’utilisation de MFCM a pour objectif de réduire le temps de calcul et d’accroître les performances du classifieur. Les résultats de la méthode proposée confirment la capacité de classifier entre les différentes classes de défaillances considérées. Le calcul de la durée de vie du système est extrêmement important pour éviter les pannes catastrophiques. Notre deuxième objectif est de proposer une méthode fiable de pronostic permettant d’estimer le chemin de dégradation d’une colonne de distillation et de calculer le pourcentage de durée de vie de ce système. Le travail présente une approche basée sur le système d’inférence neuro-fuzzy adaptatif (ANFIS) combiné avec (FCM) pour prédire la trajectoire future et calculer le pourcentage de durée de vie du système. Les résultats obtenus démontrent la validité de la technique proposée pour atteindre les objectifs requis avec une précision de haut niveau. Pour améliorer les performances d’ANFIS, nous proposons la distribution de Parzen comme nouvelle fonction d’appartenance de l’algorithme ANFIS. Les résultats ont démontré l’importance de la technique proposée car elle s’est avérée efficace pour réduire le temps de calcul. En outre, la distribution de Parzen présentait la plus petite erreur quadratique moyenne (RMSE). La dernière partie de cette thèse se concentrait sur la proposition d’un nouvel algorithme pouvant être appliqué pour obtenir un système de surveillance en temps réel s’appuyant sur la prédiction de défauts ; cela signifie que cette méthode permet de prédire l’état futur du système, puis de diagnostiquer quelle est la source d’erreur probable. Elle permet d’évaluer la dégradation d’une colonne de distillation et de diagnostiquer par la suite les défauts ou accidents pouvant survenir à la suite de la dégradation estimée. Cette nouvelle approche combine les avantages d’ANFIS à ceux de RNA permettant d’atteindre un haut niveau de précision. / The distillation process is largely used in many applications such a petrochemical production, natural gas processing, and petroleum refineries, etc. Usually, maintenance of the chemical reactors is very costly and it disrupts production for long periods of time. All these factors really demonstrate the fundamental need for effective fault diagnosis and prognostic strategies that they are able to reduce and avoid the greatest number of thes problems and disasters. The first part of our work aims to propose a reliable diagnostic method that can be used in the steady-state regime of a nonlinear procedure. Moreover, we propose a modified procedure of the fuzzy c-means clustering method (MFCM) where MFCM calculates the percentage variation between the two clustered classes. The purpose of using MFCM is to reduce the computing time and increase the performance of the classifier. The results of the proposed method confirm the ability to classify between normal mode and eight abnormal modes of faults. Our second goal aims to propose a prognosis reliable method used to estimate the degradation path of a distillation column and calculate the lifetime percentage of this system. The work presents an approach based on adaptive neuro-fuzzy inference system (ANFIS) combined with (FCM) to predict the future path and calculate the lifetime percentage of the system. The results obtained demonstrate the validity of the proposed technique to achieve the needed objectives with a high-level accuracy. To improve ANFIS performance we propose Parzen windows distribution as a new membership function for ANFIS algorithm. Results demonstrated the importance of the proposed technique since it proved to be highly successful in terms of reducing the time consumed. Additionally, Parzen windows had the smallest Root Mean Square Error (RMSE). The last part of this thesis was focusing on the proposing of new algorithm which can be applied to obtain real-time monitoring system which relies on the fault production module to reach the diagnosis module in contrast to the previous strategies ; this means this method predict the future state of the system then diagnosis what is the probable fault source. This proposed method has proven to be a reliable process that can evaluate the degradation of a distillation column and subsequently diagnose the possible faults or accidents that can emerge as a result of the estimated degradation. This new approach combines the benefits of ANFIS with the benefits of feedforward ANN. The results were demonstrated that the technique achieved with a high level of accuracy, the objective of prediction and diagnosis especially when applied to the data obtained from automated distillation process in the chemical industry.

Identiferoai:union.ndltd.org:theses.fr/2018NORMR090
Date19 October 2018
CreatorsDaher, Alaa
ContributorsNormandie, Hoblos, Ghaleb, Khalil, Mohamad
Source SetsDépôt national des thèses électroniques françaises
LanguageEnglish
Detected LanguageFrench
TypeElectronic Thesis or Dissertation, Text

Page generated in 0.0032 seconds