Aujourd’hui, la surveillance et le contrôle de la qualité des eaux usées (réseaux d’égouts, stations de récupération des ressources de l’eau–StaRRE, rivières) utilisent plusieurs capteurs installés en ligne. Une bonne stratégie de surveillance devrait être fiable et fournir une bonne qualité de données. L’utilisation des méthodes actuelles de détection de fautes a montré que des problèmes de colmatage conduisent à une perte de données comprise entre 10 et 60 %. Aider les utilisateurs à comprendre, analyser et traiter les fautes détectées (capteurs colmatés, fautes de calibration, installations et maintenances sous-optimales) permettrait de réduire le pourcentage de perte de données et d’atteindre de bonnes données sur la qualité des eaux usées. Dans ce travail de maîtrise, nous proposons deux outils modulaires complets permettant d’obtenir des informations exploitables à partir des données brutes (c'est-à-dire pour la détection des erreurs de capteurs, le contrôle ou la surveillance de processus). Ces outils ont été appliqués à des séries chronologiques des projets pilEAUte, bordEAUx et kamEAU collectés dans différents réseaux d’égouts et les StaRRE. Ces méthode sont été rendues limpides dans leur applicabilité avec la rédaction de «Standard Operating Procedures(SOP)» facilitant leur utilisation. Aussi, elles sont modulaires avec la construction de blocs de fonctions, tels qu'une boîte à outils. La première méthode est un outil univarié composé de deux étapes principales: le filtrage des données (détection des valeurs aberrantes et lissage) et la détection des fautes. La deuxième méthode est un outil utilisant l’Analyse en Composantes Principales (ACP) également composéede deux étapes: Développement du modèle ACP et détection des fautes par l’ACP. Finalement, dans les cas d’étude, le traitement des données a conduit à une perte minimale de données variant de 0.1-12%. / Nowadays, in the wastewater field (sewers, water resource recovery facilities -WRRFs, rivers), the monitoring and control of wastewater quality is performed with several on-line sensors. However, a good monitoring strategy should be reliable and provide good data quality. The current fault detection methods have shown that problems such as fouling lead to 10-60 % of the data being discarded. However, helping users in understanding, analysing and processing detected faults (sensors clogging, faulty calibration, suboptimal installation and maintenance) will allow reducing the percentage of data loss and reaching good data on wastewater quality. In this Master thesis, we propose two full workflows allowing the collection of raw data and their transformation into actionable information (i.e. for sensor fault detection, control or process monitoring).The two full modular frameworks were applied to time series data coming from thepilEAUte, bordEAUx and kamEAU projects collected in sewers and WRRFs. These methods have been made more easily applicable by writing Standard Operation Procedures (SOPs) on the use of these methods. In addition, the Matlab scripts are written in a modular way by building different function blocks that are compiled in a toolbox. The first method is a univariate tool composed of two main steps: Data filtering (outlier detection and smoothing) and fault detection. The second method is a multivariate tool using Principal Component Analysis, also composed of two steps: (i) the development of the PCA model and (ii) the fault detection by the PCA. Finally, for the three aforementioned projects, data treatment has led to only 0.1-12% of the data being discarded.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/37160 |
| Date | 31 October 2019 |
| Creators | Philippe, Romain |
| Contributors | Vanrolleghem, Peter A. |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | mémoire de maîtrise, COAR1_1::Texte::Thèse::Mémoire de maîtrise |
| Format | 1 ressource en ligne (xv, 180 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0025 seconds