Upload
duongthuan
View
217
Download
0
Embed Size (px)
Citation preview
N° D‟ORDRE : 10079
UNIVERSITE PARIS-SUD XI
Faculté des Sciences d’Orsay
SPECIALITE : PHYSIQUE
Ecole Doctorale « Sciences et Technologies de l’Information des
Télécommunications et des Systèmes »
Présentée par
MOSTAFA KAMEL SMAIL
Sujet de la thèse :
Développement d’une méthodologie dédiée à la
réflectométrie en vue du diagnostic filaire
Soutenue le mardi 7 décembre 2010 devant les membres de jury :
M. Pierre Bonnet Rapporteur
M. Marc Lambert Examinateur
M. Florent Loete Invité
M. Marc Olivas Examinateur
M. Lionel Pichon Directeur de thèse
Mme Élodie Richalot Présidente de jury
M. Michel Sorine Rapporteur
THÈSE DE DOCTORAT
3
Remerciements
Ce travail de thèse a été effectué au sein du Laboratoire de Génie Electrique de Paris -
LGEP. Je tiens donc à remercier tout d‟abord M. Frédéric Bouillault, directeur du LGEP pour
m‟avoir accueilli dans son laboratoire, et M. Adel Razek, responsable du département
MOCOSEM pour m‟avoir accueilli au sein de son département.
Je tiens également à exprimer ma gratitude à M. Lionel Pichon, Directeur de Recherche
CNRS, d‟avoir accepté de prendre sous sa direction ma formation de jeune chercheur durant
ces trois années de thèse. Je le remercie pour son soutien et son aide aussi bien sur le plan
professionnel que sur le plan humain.
Mes remerciements vont également à Monsieur Pierre Bonnet, Maître de Conférence –
HDR- à l‟Université Clermont-Ferrand, et à Monsieur Michel Sorine Directeur de Recherche
INRIA pour avoir accepté de rapporter sur mes travaux et d‟avoir accepté de participer au
jury.
Je veux également remercier Madame Élodie Richalot, Professeur à l‟Université Paris-Est
Marne-la-Vallée, pour m‟avoir fait l‟honneur de présider mon jury de thèse.
Je tiens également à exprimer ma gratitude à M. Marc Lambert, Chargé de Recherche
CNRS –HDR- pour avoir accepté de participer à l‟encadrement de la thèse et d‟en être
examinateur, pour ses conseils toujours judicieux et sa disponibilité.
Mes remerciements s‟adressent également à M. Florent Loete, ingénieur au LGEP, pour
sa précieuse aide pour le développement de la partie expérimentale et d‟avoir accepté de
participer au jury de ma thèse.
Je tiens à remercier également M. Marc Olivas, ingénieur de recherche au CEA,
coordinateur du projet SEED, dans lequel était inscrit mon travail de thèse, d‟avoir accepté de
participer à mon jury de thèse.
J'adresse également mes remerciements à tous les membres du LGEP, Professeurs,
Maîtres de Conférences, Post-doctorant et doctorants, pour leur patience et leur bonne
humeur. Ils ont su faire régner dans le laboratoire une atmosphère studieuse et chaleureuse.
Enfin, je tiens à remercier ma famille et mes proches, dont les encouragements et le
soutien ont été indispensables à l'aboutissement de mes études.
4
Table des matières
Introduction générale .............................................................................. 8
Chapitre 1 : Etat de l’art, présentation du problème ................................ 13
1.1. Introduction.............................................................................................................................................. 13
1.2. Les câbles et leurs applications ............................................................................................................... 13
1.3. Problèmes dans le câblage électrique ..................................................................................................... 17
1.3.1. Motivations........................................................................................................................................ 18
1.3.2. Classification ..................................................................................................................................... 19
1.3.3. Exemples de défauts .......................................................................................................................... 20
1.4. Les méthodes de détection et localisation de défauts dans les câbles électriques ............................... 21
1.4.1 Les méthodes non basées sur la réflectométrie.................................................................................. 21
1.4.1.1. Inspection visuelle .................................................................................................................... 21
1.4.1.2. Méthode par rayons X ............................................................................................................... 22
1.4.1.3. Spectroscopie d‟impédance ...................................................................................................... 22
1.4.1.4. Méthode capacitive et inductive ............................................................................................... 22
1.4.2. Les méthodes basées sur la réflectométrie ........................................................................................ 24
1.5. Théorie des lignes de transmission ......................................................................................................... 26
1.5.1. Solution des équations de propagation .............................................................................................. 29
1.5.1.1. Analyse fréquentielle ................................................................................................................ 29
1.5.1.2. Analyse temporelle .................................................................................................................... 33
1.6. Conclusion ................................................................................................................................................ 37
Chapitre 2 : Modèle de propagation filaire .............................................. 39
2.1. Introduction.............................................................................................................................................. 39
2.2. Résolutions des problèmes direct ........................................................................................................... 39
2.2.1. Problème direct ................................................................................................................................. 40
2.2.1.1. Méthode des différences finies ................................................................................................. 40
2.2.1.2. Méthode des éléments finis ....................................................................................................... 40
2.3. Problème direct – Modélisation par la méthode des différences finies ............................................... 41
2.3.1. Introduction ....................................................................................................................................... 41
2.3.2. FDTD pour les lignes de transmission .............................................................................................. 41
2.3.2.1. Résolution des équations des télégraphistes utilisant la méthode FDTD. ................................. 42
2.3.2.2. Calcul des paramètres linéiques ................................................................................................ 44
2.3.2.3. Sources ...................................................................................................................................... 45
5
2.3.3. FDTD pour les réseaux filaires .......................................................................................................... 48
2.3.3.1. Analyse du réseau en Y avec désadaptation des tronçons secondaires ..................................... 51
2.3.3.2. Analyse du réseau en Y avec adaptation des tronçons secondaires .......................................... 54
2.4. Modélisation de défauts filaires .............................................................................................................. 54
2.4.1. Rappel des lois électrostatique .......................................................................................................... 55
2.4.2. Méthode des éléments finis (MEF) ................................................................................................... 55
2.4.3. Modélisation éléments finis sous ANSYS® ...................................................................................... 56
2.4.4. Application de la MEF pour des défauts de câblage ......................................................................... 57
2.4.4.1. L‟impédance caractéristique de la ligne bifilaire avec la MEF ................................................. 59
2.4.4.2. Modélisation de différents types de défauts .............................................................................. 59
2.4.5. Analyse d‟une ligne avec un défaut ................................................................................................... 62
2.4.6. Analyse d‟une ligne avec deux défauts ............................................................................................. 64
2.5. Multiconducteurs ..................................................................................................................................... 66
2.5.1. Définitions ......................................................................................................................................... 66
2.5.2. Méthodes classiques de simulation des lignes multifilaires .............................................................. 67
2.5.3. Propagation sur une ligne multifilaire ............................................................................................... 67
2.5.4. Solution numérique ........................................................................................................................... 69
2.5.4.1. Distribution des paramètres linéiques ....................................................................................... 70
2.5.4.2. Modélisation du torsadage des conducteurs .............................................................................. 71
2.5.5. Réflectométrie des lignes multifilaires .............................................................................................. 72
2.5.5.1. Description du dispositif expérimental ..................................................................................... 72
2.5.5.2. Paires torsadées simples ............................................................................................................ 73
2.5.5.3. Paire torsadée au dessus d‟un plan de masse ............................................................................ 74
2.5.5.4. Trois fils torsadés ...................................................................................................................... 77
2.5.5.5. Toron formé de 10 fils .............................................................................................................. 78
2.4.5.6. Réseau en Y .............................................................................................................................. 80
2.6. Conclusion ................................................................................................................................................ 81
Chapitre 3 : Méthodologie développée .................................................... 83
3.1. Introduction.............................................................................................................................................. 83
3.2. Résolution du problème inverse ............................................................................................................. 83
3.2.1. Problème inverse .............................................................................................................................. 83
3.2.2. Inversion itérative .............................................................................................................................. 83
3.2.3. Inversion directe ................................................................................................................................ 84
3.2.4. Présentation des algorithmes d‟optimisation ..................................................................................... 86
3.3. Algorithmes génétiques ............................................................................................................................ 87
3.3.1. Principes généraux ............................................................................................................................ 87
3.3.2. Historique .......................................................................................................................................... 88
6
3.3.3. Fonctionnement de l‟AG ................................................................................................................... 88
3.3.4. Les opérateurs génétiques fondamentaux .......................................................................................... 90
3.3.5. Principaux étapes de l‟AG ................................................................................................................. 92
3.3.6. Choix des paramètres de contrôle et des conditions initiales ............................................................ 93
3.4. Inversion par réseaux de neurones ......................................................................................................... 94
3.4.1. Neurone formel ................................................................................................................................. 94
3.4.2. Réseaux de neurones artificiels MLP ................................................................................................ 96
3.4.3. Apprentissage des RN MLP .............................................................................................................. 97
3.4.4. Préparation de l‟apprentissage ........................................................................................................... 98
3.4.5. Capacité de généralisation ................................................................................................................. 99
3.5. Conclusion .............................................................................................................................................. 101
Chapitre 4 : Application de la méthodologie développée ......................... 104
4.1. Introduction............................................................................................................................................ 104
4.2. Analyse des lignes affectées par des défauts non francs ..................................................................... 104
4.2.1. Diagnostic des lignes simples .......................................................................................................... 104
4.2.1.1. Lignes simples adaptées .......................................................................................................... 104
4.2.1.2. Lignes simples désadaptées .................................................................................................... 106
4.2.1.3. Inversion par AG .................................................................................................................... 107
4.2.1.4. Inversion par RN ..................................................................................................................... 110
4.2.2. Diagnostic de l‟état d‟un réseau filaire en Y .................................................................................. 114
4.2.2.1. Inversion par AG .................................................................................................................... 115
4.2.2.2. Inversion par RN ..................................................................................................................... 117
4.2.2.3. Comparaison AG-RN .............................................................................................................. 118
4.2.3. Diagnostic de réseaux filaires complexes ........................................................................................ 119
4.2.3.1. Problème direct : analyse du réseau complexe en présence d‟un défaut non franc ................. 119
4.2.3.2. Inversion par AG .................................................................................................................... 120
4.2.3.4. Comparaison AG et RN .......................................................................................................... 122
4.3. Analyse des lignes affectées par des défauts francs ............................................................................. 123
4.3.1. Diagnostic de lignes simples ........................................................................................................... 123
4.3.1.1. Inversion par AG .................................................................................................................... 124
4.3.1.2. Inversion par RN ..................................................................................................................... 125
4.3.1.3. Comparaison entre AG et RN ................................................................................................. 126
4.3.2. Diagnostic de l‟état d‟un réseau filaire en Y ................................................................................... 126
4.3.2.1. Réseau filaire en Y affecté par un défaut franc ....................................................................... 127
4.3.2.2. Réseau filaire en Y affecté par deux défauts francs ................................................................ 128
4.3.2.3. Inversion par AG .................................................................................................................... 129
4.3.2.4. Inversion par RN ..................................................................................................................... 131
7
4.3.2.5. Comparaison entre AG et RG ................................................................................................. 133
4.3.3. Diagnostic de l‟état d‟un réseau en Y constitué des paires torsadées .............................................. 134
4.3.3.1. Inversion par AG .................................................................................................................... 135
4.3.4. Diagnostic de l‟état d‟un réseau filaire complexe ........................................................................... 136
4.3.4.1. Réseaux filaires complexes affectés par un défaut franc ........................................................ 137
4.3.4.2. Réseau filaire complexe affecté par deux défauts francs ........................................................ 138
4.3.4.3. Inversion par AG .................................................................................................................... 139
4.3.4.4. Inversion par RN ..................................................................................................................... 140
4.4. Conclusion .............................................................................................................................................. 141
Conclusions et perspectives ................................................................... 143
ANNEXES ........................................................................................... 146
Références bibliographiques .................................................................. 153
Liste des publications ............................................................................ 160
Introduction générale
8
Introduction générale
Introduction générale
9
Introduction générale
Problématique scientifique
La part de l‟électronique embarquée dans l‟automobile ne cesse de croître. Ce mouvement
est tiré par la généralisation des technologies « X-by-Wire », c'est-à-dire par le remplacement
des principaux éléments mécaniques et hydrauliques par des systèmes électroniques
programmés (direction, freinage, suspension, etc.). Cette augmentation de complexité est
accompagnée d'une augmentation du nombre de systèmes électroniques (dédiés à la sécurité
et à la navigation), du couplage entre les fonctions et de l'augmentation de la longueur des
câbles. En trente ans, la longueur des câbles embarqués sur une automobile a décuplé, passant
de près de deux cents à plus de deux mille mètres ; dans le même temps le nombre de
connexions est passé de deux cents à plus de mille huit cents. Les câbles et les connecteurs
électriques subissent souvent des contraintes externes (mécaniques, température, humidité …)
qui sont souvent la cause d‟une détérioration prématurée du réseau. Un système complet peut
être mis en panne à cause d‟anomalie provenant d‟un connecteur ou d‟une liaison électrique
en mauvais état. De nombreuses problématiques apparaissent actuellement faisant référence à
des défaillances liées aux câbles et peuvent parfois être lourdes de conséquences (incendie,
crash aérien, panne d‟un véhicule …). La localisation du défaut est un atout important car elle
permet de cibler la réparation afin d‟en réduire le coût. La fiabilité de ce câblage devient donc
prépondérante et la mise au point de systèmes et de procédures de diagnostic de câblages,
apparaît urgente.
Pour augmenter la fiabilité des réseaux filaires ou pour en faciliter la maintenance, la
réflectométrie est une des méthodes les plus prometteuses. Basée sur l‟injection d‟un signal de
sonde à l‟une des extrémités du réseau et sur l‟analyse des signaux réfléchis, cette méthode
fournit des informations pour la détection, la localisation et la caractérisation de défauts
électriques (ou mécaniques ayant des conséquences électriques) dans la structure filaire. Les
travaux menés notamment au CEA-LIST dans le cadre de l‟ANR SEEDS (2006-2008) ont
montré l‟intérêt de l‟application de la réflectométrie pour le diagnostic de réseaux filaires de
topologie complexe. Les partenaires industriels ont notamment démontré la faisabilité d‟un
système de diagnostic externe pour application en garage. Dans les cas pratiques et pour des
lignes de propagation complexes données l‟analyse des signaux réfléchis demande une grande
expertise. Elle fait l‟objet d‟un problème inverse : à partir de données sur la forme des signaux
et les temps de parcours de remonter à des informations sur les valeurs des paramètres
électriques et qui peuvent être représentatifs de défauts caractéristiques (câble sectionné,
corrosion etc.).
Objectifs de la thèse
L‟objectif du travail de thèse est de proposer une méthodologie dédiée au diagnostic de
faisceaux de câbles. Nous avons cherché à développer une approche pour la résolution des
problèmes inverses liés à la réflectométrie dans le domaine temporel afin de détecter et de
localiser (voire de caractériser) des défauts dans le réseau filaire embarqué.
Introduction générale
10
Le travail de thèse à été réalisé dans le cadre d‟un projet associant trois laboratoires : le LGEP
(Laboratoire de Génie Electrique de Paris), le L2S (Laboratoire de Signaux et Système) et le
CEA-LIST (Laboratoire de Fiabilisation des Systèmes Embarqués). Il a été soutenu par
l‟attribution d‟une allocation doctorale DIGITEO et la Région Ile-de-France.
Méthodologie proposée
Mon travail de thèse a consisté en le développement d‟une nouvelle méthodologie dédiée à
la réflectométrie dans le domaine temporel en vue du diagnostic filaire qui permet la
détection, localisation et caractérisation de défauts électriques. Cette méthodologie se base sur
deux ingrédients : un modèle de propagation filaire et un outil de résolution de problèmes
inverses.
Le modèle de propagation décrit le problème (direct) de la propagation d‟une onde
électromagnétique le long d‟une ligne de transmission (simple ou de type multiconducteurs)
dans le domaine temporel. Ce modèle est basé sur les équations de propagation des
“télégraphistes”, où les paramètres électriques par unité de longueur R, L, C et G sont évalués
analytiquement ou calculés par la méthode des éléments finis (FEM). Les équations de
propagation d‟onde sont résolues par la méthode des différences finies dans le domaine
temporel (FDTD) qui convertit les équations différentielles de propagation en équations
différences. La résolution du problème inverse consiste à partir d‟un réflectogramme à
remonter vers des informations sur les valeurs des paramètres électriques R,L,C et G exploités
dans les modèles de propagation filaires et qui peuvent être représentatifs de défauts
caractéristiques (câble sectionné, corrosion, coupure , etc.). Deux outils ont été étudiés dans
cette perspective : les algorithmes génétiques et les réseaux de neurones.
Cette approche a été conduite pour différentes configurations de réseaux (en Y, étoile, arbre).
La validation des résultats de simulations et la faisabilité de cette méthode a notamment
bénéficié d‟un banc de mesure développé en collaboration avec l‟équipe CE (Contacts
Electriques) du LGEP. Ce banc est constitué d‟un analyseur de réseau vectoriel, d‟un PC et de
logiciels adéquats.
Organisation du mémoire
Ce manuscrit de thèse est composé de quatre chapitres :
Le premier chapitre est consacré à la présentation du contexte, de la problématique et des
solutions existantes pour le diagnostic filaire. Dans ce chapitre, nous présentons également les
solutions des équations de propagations pour les lignes de transmission.
Le modèle de propagation filaire fait l‟objet du deuxième chapitre. Après une description des
différentes méthodes de résolution du problème direct relatif au diagnostic filaire, nous
détaillons les étapes de modélisation de la propagation le long d‟une ligne de transmission
quelconque. La méthode des différences finies dans le domaine temporel à été choisie pour
simuler la réflectométrie temporelle. Ensuite, la modélisation des défauts filaire à l‟aide de la
Introduction générale
11
méthode des éléments finis est présentée. Dans la dernière partie du chapitre nous appliquons
notre modèle à des lignes de type multiconducteur. Ce chapitre permet également de valider le
modèle direct de la méthodologie.
Nous présentons dans le chapitre trois la méthodologie de diagnostic développée. Après avoir
décrit les différentes approches d‟inversion, nous présentons les deux méthodes utilisées pour
résoudre le problème inverse (algorithmes génétiques et réseaux de neurones).
Dans le chapitre quatre, nous appliquons la méthode de diagnostic sur différentes
configurations de câblage. Nous procédons successivement à l‟étude de différentes
configurations de câblage et de défauts, dont la complexité va en grandissant. Deux types de
défauts sont étudiés, les défauts non francs et les défauts francs. Pour le premier type, les
défauts sont créés par un changement local d'impédance le long de la ligne. Les paramètres à
reconstruire dans ce cas sont les paramètres électriques et la position du défaut. Pour le
deuxième type (court circuit ou circuit ouvert), la structure ainsi que la réponse du réseau
change. Les paramètres à reconstituer sont des longueurs des branches du réseau.
Chapitre 1 Etat de l‟art, présentation du problème
12
Chapitre 1 : Etat de l’art, présentation du problème
1.1. Introduction.............................................................................................................................................. 13
1.2. Les câbles et leurs applications ............................................................................................................... 13
1.3. Problèmes dans le câblage électrique ..................................................................................................... 17
1.4. Les méthodes de détection et localisation de défauts dans les câbles électriques ............................... 21
1.4.1 Les méthodes non basées sur la réflectométrie.................................................................................. 21
1.4.2. Les méthodes basées sur la réflectométrie ........................................................................................ 24
1.5. Théorie des lignes de transmission ......................................................................................................... 26
1.5.1. Solution des équations de propagation .............................................................................................. 29
1.6. Conclusion ................................................................................................................................................ 37
Chapitre 1 Etat de l‟art, présentation du problème
13
Chapitre 1 : Etat de l’art, présentation du problème
1.1. Introduction
L‟objectif de ce chapitre est de mettre en avant les problèmes rencontrés dans les câbles
électriques et de présenter les différentes méthodes qui permettent d‟analyser, de détecter et
de localiser des anomalies. Nous présenterons donc un état de l‟art sur les différents outils ou
méthodes qui permettent le diagnostic d‟un câble électrique, les principes de chacune de ces
méthodes en mettant en avant leurs avantages et inconvénients. Ces méthodes sont réparties
en deux catégories, des méthodes qui ne sont pas basées sur la réflectométrie et les méthodes
basées sur la réflectométrie. Nous introduisons ensuite la théorie des lignes de transmission et
les solutions possibles des équations de propagation.
1.2. Les câbles et leurs applications
Depuis l‟apparition des premiers systèmes électroniques, le câble électrique fut le premier
support physique permettant de faire circuler un courant électrique. Jusqu'à aujourd‟hui, le
câble électrique est toujours d‟actualité et a connu des modifications intrinsèques permettant
de s‟adapter aux contraintes électriques et environnementales de plus en plus sévères. Les
câbles électriques sont omniprésents dans beaucoup de domaines où l‟acheminement de
l‟énergie et de l‟information est nécessaire pour garantir le bon fonctionnement d‟un système.
Le type de câble est différent suivant la nature du signal que l‟on désire transmettre et de
l‟environnement dans lequel évolue le système. Les signaux peuvent être analogiques ou
numériques, de faible ou de forte puissance et de basses, moyennes ou hautes fréquences. A
titre d‟exemple, un réseau informatique peut utiliser trois types de câbles : le câble coaxial, la
paire torsadée ou la fibre optique. Le choix de ces câbles dépend du débit souhaité, de la
longueur du réseau et de l‟environnement dans lequel évolue le réseau. Les réseaux
électriques haute tension utilisent des câbles de transport d‟énergie dont la constitution est
différente de ceux utilisés pour les réseaux informatiques car ces câbles sont conçus pour
transporter et distribuer de l‟énergie électrique à fort courant et basses fréquences (50 Hz) sur
de très longues distances à travers le pays [PAYS 87]. L‟aéronautique et le spatial sont de
parfaits exemples d‟applications où plusieurs types de câbles sont utilisés avec des longueurs
cumulées allant jusqu'à 500 km pour un long courrier (Airbus A380), longueur en constante
augmentation depuis les quarante dernières années, Figure 1.1 [LINZ 05]. L‟utilisation de
câbles légers, souples, peu encombrants, d‟une grande fiabilité et résistants à divers
environnements sont les principales contraintes imposées par ces industries.
Chapitre 1 Etat de l‟art, présentation du problème
14
La Figure 1.2 donne une très bonne vision des différents types de câbles utilisés et de leur
complexité. Nous trouvons des câbles pour les zones pressurisées, des câbles résistant au feu
ou à la chaleur, des câbles coaxiaux pour les systèmes de transmission hautes fréquences
(radio, radar, données) et des câbles d‟alimentation pour transporter de la puissance [LINZ
05]. En général, ces câbles sont constitués d‟un ou plusieurs conducteurs en cuivre ou en
aluminium protégés par des matériaux isolants comme le polyimide, la fibre de verre ou le
mica.
L‟industrie automobile est également concernée car elle a montré ces dix dernières années une
évolution croissante des systèmes embarqués qui sont à l‟origine de l‟accroissement du
Figure 1.1: Evolution de la longueur cumulée de câble dans l'industrie aéronautique [LINZ 05] (Airbus, Boeing et McDonald-Douglas)
Figure 1.2: Câblage électrique dans un avion [PORT 03]
Chapitre 1 Etat de l‟art, présentation du problème
15
nombre de connecteurs et de liaisons filaires comme illustré par les Figure 1.3, Figure 1.4 et
Figure 1.5. La plupart des systèmes interagissent entre eux par des échanges de signaux
numériques bas ou haut débit via un support physique de communication. Aujourd‟hui, il
existe une variété de réseaux locaux qui permettent de communiquer entre les différents
calculateurs ou ECU (Electronic Control Unit) embarqués dans une automobile [LINZ 05].
L‟apparition de ces réseaux locaux a augmenté de façon significative le poids et la complexité
du faisceau électrique en automobile [LINZ 05]. En 1950, la Peugeot 203 comportait un
faisceau électrique de 50 fils. En 1997, la Renault Safrane comportait un faisceau électrique
de 800 à 1000 fils [BOUR]. Les faisceaux ou harnais, Figure 1.6, sont en général constitués
de câbles standards à faible coût, peu encombrants et ayant une bonne tenue en température.
Nous y trouvons des simples conducteurs, des paires torsadées, des câbles multiconducteurs
plats à ligne parallèle qui commencent à faire leur apparition afin de simplifier l‟architecture
du harnais [LINZ 05]. Afin de réduire le nombre de liaisons filaires, les constructeurs
automobiles ont adopté le multiplexage. Cette technique, née dans les années 1970, permet de
multiplier les transmissions numériques sur un même support (fils) sans augmenter pour
autant le nombre de liaisons filaires [BOUR].
Figure 1.3 : Evolution de l'électronique embarquée dans l'automobile [BERE 05]
Figure 1.4 : Evolution de la longueur du
câblage dans l’automobile
Figure 1.5 : Evolution du nombre des
interconnexions dans l’automobile
Chapitre 1 Etat de l‟art, présentation du problème
16
La constitution d‟un câble peut varier d‟un fabricant à un autre, mais en général ils sont
réalisés à partir de [BERE 05] :
Fils simples constitués d‟un conducteur isolé
Paires de fils parallèles qui peuvent être blindées, Figure 1.7
Fils blindés constitués d‟un conducteur isolé entouré d‟un écran
Paires simples constituées de deux conducteurs isolés torsadés, Figure 1.8
Paires blindées constituées d‟une paire simple entourée d‟un écran
Câbles coaxiaux constitués d‟un conducteur central, d‟un diélectrique et d‟une tresse
extérieure, Figure 1.9
Nous rencontrons essentiellement des câbles à section circulaire, des câbles plats, des nappes
et toute la gamme de câbles coaxiaux. Le choix d‟un câble par rapport à un autre pour une
application dépend d‟un certain nombre de contraintes (économiques, électriques,
comportementales ou environnementales).
A un moment ou à un autre, un réseau de câbles sera amené à manifester des signes de
faiblesses entraînant l‟apparition d‟anomalies. Ces anomalies peuvent être à l‟origine de
dysfonctionnements ou de conséquences assez graves pour le système ou l‟environnement.
Dans de nombreux secteurs, un grand nombre de systèmes embarqués dédiés à la sécurité et
au confort communiquent avec leur environnement avec des débits de plus en plus importants
afin de répondre au mieux à des contraintes « temps réel » parfois sévères. Ces contraintes
impliquent donc d‟avoir à disposition un support physique fiable et de qualité pour garantir
Figure 1.6 : Faisceau électrique complet d'une voiture (pouvant peser jusqu'à 50 kg pour 2
km de long) composé d'un millier de fils et de deux fois plus de connecteurs [RAVO 07]
Figure 1.8 : Paire torsadée Figure 1.9 : Câble coaxial Figure 1.7 : Paire de fils
parallèles
Chapitre 1 Etat de l‟art, présentation du problème
17
une qualité de service et une sûreté de fonctionnement des systèmes. Malheureusement, les
problèmes de câbles commencent à faire leur apparition et se multiplient alors que la demande
en fiabilité des systèmes est de plus en plus exigeante. Il est donc nécessaire de disposer
d‟outils de diagnostic des réseaux filaires afin de garantir une transmission fidèle des
informations.
1.3. Problèmes dans le câblage électrique
Avec l‟augmentation des systèmes embarqués dans différentes moyens de transport et des
réseaux de communications, le nombre de liaisons filaires et de connecteurs ne cessent
d‟augmenter. Ce mouvement est tiré par la généralisation des technologies « X-by-Wire », où
« X » désigne le nom d‟un organe comme « Braking » pour le freinage ou « Steering » pour la
direction. Avec cette technologie, les liaisons mécaniques ou hydrauliques sont remplacées
par des liaisons électriques, augmentant de ce fait le nombre de liaisons filaires et la
probabilité d‟avoir une panne au niveau du câble. Cette augmentation de complexité est
accompagnée d'une augmentation du nombre de systèmes électroniques (dédiés à la sécurité
et à la navigation), du couplage entre les fonctions et de l'augmentation de la longueur des
câbles. En trente ans, la longueur des câbles embarqués sur une automobile a décuplé, passant
de près de deux cents à plus de deux mille mètres ; dans le même temps le nombre de
connexions est passé de deux cents à plus de mille huit cents [RAVO 07]. Dans l‟automobile,
la longueur moyenne est d‟environ de 4 km et ce nombre ne cesse d‟augmenter. (Figure 1.10).
Le réseau filaire devient alors un système «nerveux» incontournable et ne doit plus être
négligé afin de garantir une sûreté de fonctionnement des systèmes connectés aux différents
nœuds du réseau.
Parfois suivant l‟environnement où le réseau de câbles évolue (aéronautique, automobile,
nucléaire, bâtiment …), l‟inaccessibilité pour contrôler son état pose un véritable problème.
Cette inaccessibilité diminue l‟efficacité de la maintenance du réseau par les techniciens et
augmente donc la probabilité d‟avoir une défaillance des systèmes électroniques.
La possibilité de connaître l‟état d‟un câble est devenue une nécessité pour rendre plus
efficaces les opérations de maintenance lorsqu‟un défaut filaire met en panne tout un système.
Chapitre 1 Etat de l‟art, présentation du problème
18
1.3.1. Motivations
Le problème de défauts de câblage a eu une grande attention à la fin des années 90 en
raison de deux accidents tragiques: le 17 juillet 1996 l‟explosion en plein air du Boeing 747
du vol TWA 800 et le crash d'un MD-11 de Swissair le 2 septembre 1998. La NTSB (National
Transportation Safety Board) a déterminé par la suite la cause de l‟accident de la TWA 800
qui était une explosion du réservoir de kérosène due à un arc électrique [NATI 00]. Pour
Swissair c‟était à cause d‟un incendie provoqué par un court-circuit dans un câble [LADK
00]. Bien que les accidents du Boeing 747 de TWA 800 et le MD-11 de Swissair sont cités
comme les causes de l'impulsion de la recherche et le développement dans le domaine de la
fiabilité de câblage, il y a eu un nombre considérable d'incidents qui n'ont pas abouti à des
accidents, mais ont été attribués à des défaillances de câblage (en janvier 2008 : Boeing 757
de AA, février 2009 : Airbus340 de VA) [PORT 03]. S‟ajoutent à ces problèmes le
vieillissement de la flotte de la marine américaine, « la NAVY », et ses conséquences sur la
maintenance des câbles embarqués.
Avec le temps, les réseaux de câbles des avions ou des bateaux se fragilisent et se détériorent
en augmentant ainsi la probabilité d‟apparition de défauts de toutes sortes. Les problèmes liés
aux câbles coûtent excessivement cher et impliquent un temps d‟immobilisation assez
important. Le gouvernement américain a donc encouragé les industries et les universités à
développer des systèmes intelligents de détection, de diagnostic et de prévention pour déceler
toute apparition d‟anomalie sur les câbles [BLEM 01].
Figure 1.10 : Longueurs de câbles cumulées dans les transports [RAVO 07]
Chapitre 1 Etat de l‟art, présentation du problème
19
La Figure 1.11 illustre les données de « AF Safety Agency » détaillant les défauts de câblage
constatés lors des entretiens de routine qui ont été effectués de 1980 à 1999. La figure montre
que les frottements des fils composent environ un tiers des défauts de câblage. Ce nombre est
en fait sous-représentatif en raison de la façon dont le personnel d'entretien rapporte les
défauts. En deuxième catégorie on trouve défauts non spécifiés et en troisième catégorie des
fils cassés, qui peuvent avoir pour origine soit des coupures de fils soit des mauvaises
pratiques d'entretien.
1.3.2. Classification
Les principales causes de détérioration des câbles toutes applications confondues sont
essentiellement dues aux :
Défauts d‟origine externe
Agressions mécaniques (vibrations,…), Figure 1.12
Défauts de montage (interventions humaines, …)
Corrosion, oxydation (humidité, produits chimiques, …), Figure 1.13
Effets de l‟environnement (température, humidité, air marin, eau de mer, …),
Figure 1.14
Défauts d‟origine interne
Défauts de fabrication
Défauts liés au vieillissement, Tableau 1.1
Echauffement local
Figure 1.11 : les différents types de défauts [CRIT 01]
Chapitre 1 Etat de l‟art, présentation du problème
20
Tous ces facteurs provoquent des modifications sur les paramètres intrinsèques du câble et se
traduisent par l‟apparition de défauts. Une étude américaine a montré qu‟il existe un lien très
étroit entre le nombre de problèmes liés au câble et l‟âge des avions (civils ou militaires),
Tableau 1.1 [REDD 03]. En 2001 il y avait près de 1500 appareils militaires et environ1700
avions commerciaux de plus de 20 ans en activité dans le monde [BLEM 01].
Tableau 1.1 : Probabilité d'apparition de défauts dans un câble en fonction de l’âge dans l’industrie
aéronautique [REDD 03]
Age (Années) Probabilité (%)
5 35
10 52
20 66
1.3.3. Exemples de défauts
Pendant plusieurs années les types de défaut de câblage se sont concentrés sur les circuits
ouverts et les courts-circuits. Ces défauts francs affectent les performances du système
profondément mais d‟autres défauts intermittents ou non francs sont également importants.
Ces défauts parfois sans effet à l‟origine, peuvent s‟aggraver avec le temps et causer de graves
accidents. S‟ils ne sont pas détectés à temps ils peuvent se transformer en défauts francs.
Les Figure 1.15, Figure 1.16 et Figure 1.17 présentent des cas typiques de défauts dans les
câbles aéronautiques.
Figure 1.14 : Défaut
thermique [CRIT 01]
Figure 1.13 : Défaut
chimique [CRIT 01]
Figure 1.12 : Défaut
mécanique [CRIT 01]
(b)
(a)
Figure 1.15 : Défauts typiques se produisant sur les câbles aéronautiques
(a) Défaut franc : circuit ouvert
(b) Défaut non franc : dénudation de l’isolant
(a)
Chapitre 1 Etat de l‟art, présentation du problème
21
Les problèmes évoqués peuvent être détectés par diverses méthodes, qui se différencient par
leur principe de mesure, les types de signaux utilisés et la nature du défaut que l‟on désire
diagnostiquer. Toutes les méthodes ne peuvent pas être utilisées pour détecter tous les défauts
dans tous les types de câbles.
1.4. Les méthodes de détection et localisation de défauts dans les câbles électriques
Il existe plusieurs types de défauts ayant chacun leurs propres caractéristiques, c‟est pour
cette raison que de nombreuses méthodes ont été développées pour tester l‟état des câbles. Il
existe différentes méthodes pour détecter et localiser des défauts de câblage des techniques
basses, moyennes ou hautes fréquences. Certaines méthodes nécessitent des outils de mesure
directement couplés électriquement aux extrémités du câble et d‟autres par des outils de
mesure sans contact (sonde de courant) pour diagnostiquer le câble.
Certaines méthodes de diagnostic ne permettent pas d‟analyser un câble lorsque celui-ci n‟est
pas déconnecté ou lorsque d‟autres signaux y sont présents (diagnostic hors ligne). D‟autres
méthodes permettent une analyse du câble lorsque d‟autres signaux y sont transmis
(diagnostic en ligne).
Les méthodes de test peuvent être divisées en deux catégories : les méthodes qui ne sont pas
basées sur la réflectométrie et les méthodes basées sur la réflectométrie.
1.4.1 Les méthodes non basées sur la réflectométrie
1.4.1.1. Inspection visuelle
Dans de nombreux secteurs, la méthode par inspection visuelle est la plus souvent utilisée
pour localiser des anomalies sur les réseaux filaires. Cette méthode, couramment utilisée pour
analyser les câbles dans l‟industrie aéronautique, permet de repérer tout échauffement local du
câble, dégradation de son isolant ou de la gaine [CRIT 01]. Cette méthode est totalement
subjective et ne peut être efficace que si le défaut est perceptible par l‟œil humain. Une large
portion d‟un réseau filaire peut ne pas être visible parce qu‟il est situé dans des endroits
inaccessibles cachés par d‟importantes structures comme des panneaux électriques, des
composants ou des torons de câbles [NATI 00]. Afin d‟améliorer le diagnostic et de venir en
Figure 1.17 : Défaut de gaine sur un
câble dans un faisceau
Figure 1.16 : Dégradation de la gaine,
exposition du conducteur à l’air libre
[SCHO 00]
Chapitre 1 Etat de l‟art, présentation du problème
22
aide à l‟opérateur de maintenance qui ne s‟appuie que sur la qualité de son œil, plusieurs
technologies ont été développées. Une de ces technologies est l‟utilisation de caméras
infrarouges ou thermiques pour détecter des défauts résistifs ou des échauffements locaux sur
le câble [SCHO 00]. Si le câble est composé de plusieurs lignes, l‟inspection visuelle est peu
efficace pour déterminer quelle ligne est en cause lors de l‟apparition d‟un défaut.
L‟utilisation de caméras embarquées associée à un système de vidéosurveillance n‟est pas
concevable. Un tel système serait trop coûteux et demanderait une mise en œuvre assez
complexe pour une application embarquée. D‟autres technologies comme l‟utilisation de
multimètres portables (voltmètre, ohmmètre) permettent de vérifier l‟impédance ou la
continuité du câble. L‟utilisation de multimètres nécessite l‟intervention d‟au moins deux
techniciens afin de réaliser les connexions en chaque extrémité du câble. La mesure de la
continuité permet de repérer quel câble est défectueux mais ne localise pas le défaut sur ce
câble.
1.4.1.2. Méthode par rayons X
La méthode par rayons X permet de trouver des défauts à l‟extérieur comme à l‟intérieur
d‟un câble électrique. L‟avantage de cette technique est qu‟elle permet au technicien de
connaître non seulement l‟état de la face extérieure du câble mais également l‟état de l‟isolant
et des conducteurs situés à l‟intérieur du câble. L‟inconvénient de cette méthode est que le
générateur de rayons X et le détecteur doivent être positionnés près du câble et être associés à
une intervention humaine pour l‟analyse des données récoltées. Cette technique n‟est
applicable que pour les câbles dont l‟accès est facile. L‟utilisation d‟une telle méthode n‟est
pas envisageable pour des applications embarquées et plus particulièrement pour l‟analyse du
réseau filaire d‟un avion en vol [SCHO 00].
1.4.1.3. Spectroscopie d’impédance
La spectroscopie d‟impédance est une méthode haute fréquence qui permet de connaître
l‟état d‟un câble électrique en analysant les caractéristiques de son isolant dans une gamme de
fréquence donnée [SCHO 00]. Une onde sinusoïdale est injectée via un analyseur de réseau à
l‟extrémité du câble à tester. Le câble doit être isolé de tout autre système en le déconnectant
afin de ne pas fausser la mesure. Le principe de cette méthode est de mesurer l‟impédance du
câble en faisant varier la fréquence de l‟onde injectée. Les données enregistrées sont
comparées à celles préalablement mesurées sur un câble sain identique à celui sous test. La
procédure de mesure fait que cette méthode ne peut être utilisable pour une application
embarquée (base de données, accès aux extrémités du câble, débranchement du câble). Cette
méthode n‟est encore qu‟au stade expérimental et n‟a pas à ce jour été utilisée pour le
diagnostic de réseau de câbles.
1.4.1.4. Méthode capacitive et inductive
Cette technique permet de déterminer la présence d‟un circuit ouvert ou d‟un court-circuit
et donc la mesure de la longueur d‟un câble. La méthode est basée sur la mesure de la capacité
Chapitre 1 Etat de l‟art, présentation du problème
23
ou de l‟inductance du câble [CHUN 09]. La mesure de la capacité est utilisée pour localiser
un circuit ouvert et la mesure de l‟inductance est utilisée pour localiser un court-circuit sur le
câble.
La valeur de la capacité ou de l‟inductance linéique dans un câble dépend de la distance « D »
entre deux conducteurs, du diamètre « d » des conducteurs, de la permittivité ε, du
diélectrique séparant les deux conducteurs et de la perméabilité magnétique de l‟isolant μ
[ULAB 99]. Si nous considérons une ligne bifilaire symétrique, Figure 1.18, la capacité et
l‟inductance linéiques sont données par les relations suivantes :
1cosh
CD
d
, en Farad/m 1coshD
Ld
, en Henry/m
Référence câble C
(pF/m)
L
(μH/m)
Facteur de
vélocité
Impédance
Caractéristique
en ohm
RG58CU Câble coaxial 100 0,250 0,659 50
AWG22 Paire torsadée blindée
quadruple 106,5 0,517 0,690 54
AWG24 Paire torsadée blindée 47,28 0,587 0,710 120
AWG26 Paire torsadée 49,61 0,659 0,640 105
AWG20 une seule paire dans
un faisceau 31,76 0,976 0,740 150
On définit, le facteur de vélocité X, avec, vp=X.c, où vp est la vitesse de propagation dans la
ligne et c la vitesse de la lumière. Ce facteur dépend de la géométrie et des propriétés
intrinsèques du câble. En général ce facteur de vélocité est donné par les fabricants de câbles.
Le Tableau 1.2 référence quelques valeurs de capacités et d‟inductances linéiques de certains
types de câble. La capacité pour une ligne ouverte ou l‟inductance pour une ligne en court
circuit est directement proportionnelle à la longueur du câble. Donc en mesurant la capacité
ou l‟inductance globale d‟un câble connu, il est possible de déterminer la distance du circuit
ouvert ou court circuit. Il y a plusieurs méthodes permettant de mesurer la capacité ou
l‟inductance globale d‟un câble, nous pouvons utiliser des diviseurs de tensions, des ponts
diviseurs (Wheatstone, Sauty, Wien, Nernst…), des oscillateurs ou tout autre dispositif
permettant la mesure d‟une impédance. Ces dispositifs utilisent le câble pour émuler une
d d
D
Figure 1.18 : Ligne bifilaire
Tableau 1.2 : Valeurs de L et C de quelques types de câble
Chapitre 1 Etat de l‟art, présentation du problème
24
inductance ou une capacité produisant ainsi soit une tension, un courant ou une variation de
fréquence qui dépend de la capacité linéique C ou de l‟inductance linéique L.
Cette technique est performante dans la limite où elle est utilisée pour diagnostiquer l‟état
d‟un câble simple, elle n‟est pas adaptée pour l‟analyse de réseaux filaires complexes, ainsi
que si et si le câble est en fonctionnement.
1.4.2. Les méthodes basées sur la réflectométrie
Les méthodes décrites précédemment présentent chacune des limites pour déterminer
l‟état des câbles : recours à l‟utilisation d‟un autre câble de référence identique à celui testé,
utilisation d‟un appareil de mesure situé à proximité du câble, intervention humaine sur site
et/ou déconnexion du câble pour ne pas détériorer le système connecté à celui-ci.
Toutes ces méthodes ne peuvent donc pas être envisagées pour une application embarquée. Il
existe une méthode haute fréquence qui a l‟avantage d‟utiliser un seul câble (le câble à tester
lui-même) et d‟obtenir une image de l‟état du câble en se positionnant à une extrémité de
celui-ci. Cette méthode s‟appelle la réflectométrie et présente des performances et des
conditions de mesure très intéressantes [SOML 69]. Depuis les années 1950, elle est utilisée
pour détecter et localiser des défauts dans les câbles électriques ou dans les réseaux de
télécommunications [IKUM 01]. Cette méthode qui est basée sur le principe même du radar, a
trouvé sa place dans d‟autres applications comme la géotechnologie [SANT 97], l‟hydrologie
[WOOD 00], la construction [BHAT 97], l‟aviation [WHEE 07]- [FURS 01] ou le test de
matériaux [CONN 00]. La réflectométrie repose sur l‟analyse d‟une onde réfléchie par rapport
à une onde incidente en utilisant les phénomènes de propagation des ondes dans les milieux
physiques. Pour l‟utiliser dans l‟analyse des câbles électriques, il est nécessaire d‟injecter des
signaux dont la longueur d‟onde est petite ou équivalente à la longueur du câble. Ceci
implique donc l‟utilisation de signaux haute fréquence ou large bande. La réflectométrie
occupe essentiellement deux domaines d‟analyse : la réflectométrie dans le domaine temporel
ou TDR (Time Domain Reflectometry), dont le principe sera présenté de façon plus détaillée
dans le chapitre 2, et la réflectométrie dans le domaine fréquentiel ou FDR (Frequency
Domain Reflectometry) [REDD 03].
Pour chacun de ces deux domaines il existe des méthodes dérivées telles que la réflectométrie
dans le domaine temporel par séquence directe ou STDR (Sequence Time Domain
Reflectometry), et par étalement de spectre ou SSTDR (Spread Spectrum Time Domain
Reflectometry) pour le domaine temporel [SMIT 05]- [FURS 05]. Pour le domaine
fréquentiel, il existe la FMCW (Frequency Modulated Continuous Wave), la réflectométrie
par analyse de l‟onde stationnaire ou SWR (Standing Wave Reflectometry), la réflectométrie
par détection de phase ou PDFDR (Phase Detection Frequency Domain Reflectometry)
[FURS 03]- [CHUN 05] et la MSR (Mixed-Signal Reflectometer) [TSAI 05]. Une autre
méthode intéressante, qui ne peut être classée dans l‟une de ces deux catégories, est la NDR
(Noise Domain Reflectometry) [CLO 05]. Une nouvelle méthode de réflectométrie qui
Chapitre 1 Etat de l‟art, présentation du problème
25
fonctionne simultanément dans les deux domaines du temps et de la fréquence ou TFDR
(Time Domain Reflectometry) [PARK 08].
L‟utilisation d‟une méthode par rapport à l‟autre dépend de la forme d‟onde qui est injectée
dans le câble à tester et du domaine d‟analyse [FURS 06]. Quelque soit le domaine d‟analyse
utilisé, le principe de la réflectométrie repose sur la propagation d‟une forme d‟onde
électromagnétique dans le câble et sur l‟exploitation de ou des ondes réfléchies causées par
les discontinuités d‟impédance le long du câble. La forme d‟onde injectée dépend du domaine
d‟analyse mais dans tous les cas cette onde se propagera à la vitesse comprise entre 0.5 et 0.9
fois la vitesse de la lumière. En connaissant la vitesse de propagation dans le câble à tester, il
est très facile de déterminer la distance qui sépare la discontinuité d‟impédance par rapport au
plan d‟injection. Pour cela, il suffit de mesurer l‟écart temporel entre l‟onde incidente (onde
injectée) et l‟onde réfléchie et de réaliser une conversion en unité métrique. Une des
difficultés d‟interprétation du réflectogramme apparaît lorsque la ligne est constituée de
plusieurs discontinuités d‟impédances consécutives. Dans ce cas là, il apparaît sur le
réflectogramme une multitude de réflexions qui rend l‟analyse plus difficile.
Tableau 1.3: Avantages et inconvénients des méthodes existantes pour la détection de défauts
Méthodes Avantages Inconvénient
Inspection
visuelle
Elle peut détecter le défaut sans
mesures
Limitée à la recherche des défauts
visibles de l‟extérieur, elle ne peut pas
être utilisée quand les câbles sont
regroupés, blindés ou dans des zones
difficiles à atteindre
Méthode par
rayons X
Elle permet de connaître l‟état
de la face extérieure du câble
(l‟isolant) et des conducteurs.
Couteuse, applicable que pour les
câbles dont l‟accès est facile.
Impédance
spectroscopie
Elle permet de connaître l‟état
d‟un câble électrique en
analysant les caractéristiques de
son isolant
Le câble doit être isolé de tout autre
système. Ne peut être utilisable pour
une application embarquée
Méthode
capacitive et
inductive
Elle est simple, peu
encombrante et peu chère
Diagnostique des câbles simples. Elle
n‟est pas adaptée pour les réseaux
complexes, et si le câble en
fonctionnement.
Réflectométrie
dans le
domaine
temporel
Elle est précise pour de
nombreux type de défauts
Difficile à appliquer sur les réseaux à
plusieurs défauts
Tableau 1.3 résumé des avantages et des inconvénients des méthodes de diagnostic filaire. Il
est important de connaître le type de défaut et la méthode qui lui correspond afin que la
détection soit la plus efficace possible.
Chapitre 1 Etat de l‟art, présentation du problème
26
Tableau 1.4 : Types de détérioration, indicateurs primaires et méthodes de détection
Type de détérioration Indicateur primaire Méthode de détection
Echauffement du câble Zone d‟usure Inspection visuelle
Mauvais contact Variation d‟impédance
Echauffement local
Réflectométrie, Thermique
Test point à point
Court-circuit non franc
Interférence
électromagnétique
Arc électrique
Inspection visuelle
Réflectométrie
Court-circuit franc Système de disjoncteurs Réflectométrie
Isolant défectueux Fissure, zone abîmée Inspection visuelle
Réflectométrie
Conducteur exposé Perte de fonctionnalité
Incendie
Inspection visuelle
Réflectométrie
Corrosion Perte de signal ou de données Inspection visuelle
Humidité Perte de signal ou de données Réflectométrie
Le Tableau 1.4 résume les problèmes les plus couramment rencontrés dans les faisceaux de
câbles électriques en aéronautique, les indicateurs primaires qui permettent de les
diagnostiquer et les méthodes permettant de les détecter [BLEM 01]. Les problèmes évoqués
peuvent être détectés par diverses méthodes qui se différencient par leur principe de mesure,
les types de signaux utilisés et la nature du défaut que l‟on désire diagnostiquer. Toutes les
méthodes ne peuvent être utilisées pour détecter tous les défauts dans tous les types de câbles.
De plus, diagnostiquer par réflectométrie conduit à un problème inverse difficile : à partir
d‟un réflectogramme, remonter à des informations sur l‟état du câble et plusieurs approches
ont déjà été proposées dans la littérature [ZHAN 11]-[COMA 08]-[BARR 94]-[LUND 95].
Pour bien comprendre le principe de la réflectométrie dans un câble, il est nécessaire de
comprendre comment se propage une onde électromagnétique dans une ligne de transmission.
Dans cette parie, nous rappellerons les bases sur la théorie des lignes de transmission et les
principales solutions des équations de propagation.
1.5. Théorie des lignes de transmission
La différence principale entre la théorie des circuits et la théorie des lignes de transmission
est la taille électrique. L'analyse de type circuit suppose que les dimensions physiques d'un
réseau sont beaucoup plus petites que la longueur d'onde électrique, alors que les lignes de
transmission peuvent être une petite fraction de longueur d'onde, voire plusieurs longueurs
d'onde [POZA 98]. Une ligne de transmission est donc un réseau distribué de paramètres où
les tensions et les courants peuvent varier en amplitude et en phase le long de la ligne.
Une ligne de transmission est une structure comprenant en général deux conducteurs
cylindriques parallèles proches l‟un de l‟autre et dont la géométrie transversale est uniforme
sur toute la longueur. Si les conducteurs sont parfaits (les conducteurs et le plan de masse sont
de conductivité infinie) les ondes circulant sont de type TEM ou quasi-TEM (Transverse
ElectroMagnétique). Les champs électrique E et magnétique H sont transverses et leurs
composantes longitudinales sont nulles. Le rapport E/H est constant.
Chapitre 1 Etat de l‟art, présentation du problème
27
En basse fréquence lorsque la longueur d‟onde est grande devant la longueur de la ligne, la
différence de potentiel entre les deux conducteurs est la même tout au long de la ligne. Par
contre en haute fréquence lorsque la longueur d‟onde est petite ou comparable à la longueur
de la ligne, ce n‟est plus le cas. Ce phénomène a été mis en évidence par le physicien
allemand Heinrich Rudolf Hertz sur la ligne bifilaire.
En haute fréquence une ligne de transmission peut se modéliser à l‟aide de quatre paramètres
qui constituent le modèle à constantes réparties [NEFF 91]. La Figure 1.19 montre une ligne
de transmission qui est souvent représentée schématiquement comme une ligne bifilaire et le
modèle équivalent. Il n‟est valable que pour une longueur infinitésimale de ligne, à condition
que la longueur L de la ligne de transmission soit inférieure ou égale au dixième de la
longueur d‟onde guidée λg; /10gL
Modèle à constantes réparties
L‟onde électromagnétique peut se propager grâce aux échanges d‟énergie électrique et
d‟énergie magnétique. Ces effets se modélisent respectivement par la présence d‟une capacité
linéique C et une inductance linéique L. La capacité linéique C dépend de l‟écart entre les
deux conducteurs, du diamètre des conducteurs et de la permittivité du diélectrique et
s‟exprime en Farad/m. L‟inductance linéique L dépend du diamètre des conducteurs, de
l‟écart entre les deux conducteurs et de la perméabilité des matériaux et s‟exprime en
Henry/m. La capacité et l‟inductance modélisent les effets de propagation dans la ligne. Les
pertes par effet de Joule sont modélisées par une résistance linéique R, qui est due aux pertes
ohmiques dans les conducteurs, dépend des diamètres et matériaux des conducteurs et
s‟exprime en ohms/m. La conductance linéique G traduit les pertes dues au diélectrique. Elle
dépend de la capacité linéique et de l‟angle de perte du diélectrique et s‟exprime en
Siemens/m. R et G représentent les pertes.
I(z,t) I(z+dz,t) R.dz L.dz
G.dz C.dz V(z,t) V(z+dz,t)
z z+dz
+
-
+
-
(a) (b)
Figure 1.19 : Définition de la tension et le courant sur une ligne bifilaire et le
circuit équivalent pour une longueur infinitésimale de la ligne.
(a) Définition de la tension et du courant sur une ligne bifilaire.
(b) modèle électrique équivalent.
+
-
V(z,t)
I(z,t)
l
z
Chapitre 1 Etat de l‟art, présentation du problème
28
Les paramètres du modèle à constantes réparties sont appelés paramètres primaires. Ces
quatre paramètres suffisent pour modéliser le comportement d‟une ligne de transmission en
haute fréquence. Cependant certains paramètres sont sensibles aux variations de la fréquence.
D‟une façon générale, l‟inductance et la capacité linéique dépendent de la fréquence jusqu'à
environ 1 GHz. La résistance linéique augmente lorsque la fréquence augmente et la
conductance linéique augmente également avec la fréquence mais reste négligeable en
dessous de 1 MHz.
Les valeurs des paramètres par unité de longueur peuvent être obtenues, soit analytiquement,
si la configuration est connue, soit numériquement (ceci sera détaillé dans le chapitre 2).
À partir du circuit de la Figure 1.19 et appliquant les lois de Kirchhoff sur la tension, on
obtient :
( , )( , ) ( , ) ( , ) 0
I z tV z t RdzI z t Ldz V z dz t
t
(1-1)
De même les lois de Kirchhoff sur le courant :
( , )( , ) ( , ) . ( , ) 0
V z dz tI z t GdzV z dz t Cdz I z dz t
t
(1-2)
À partir des équations (1-1) et (1-2) et prenant la limite, on obtient les équations
différentielles décrivant l‟évolution de la tension et du courant instantanés le long de la ligne
de transmission :
( , ) ( , )( , )
V z t I z tRI z t L
z t
(1-3)
( , ) ( , )( , )
I z t V z tGV z t C
z t
(1-4)
Dérivons chacune des expressions (1-3) et (1-4) par rapport à la variable z
2 2
2
( , ) ( , ) ( , )V z t I z t I z tR L
z t zz
(1-5)
2 2
2
( , ) ( , ) ( , )I z t V z t V z tG C
z t zz
(1-6)
Ces équations sont appelées équations des télégraphistes ou équations de propagation [CHIP
68].
Chapitre 1 Etat de l‟art, présentation du problème
29
1.5.1. Solution des équations de propagation
1.5.1.1. Analyse fréquentielle
Dans cette partie, nous allons nous intéresser à la résolution des équations de propagation
en régime harmonique. Dans ce cas nous supposons que les sources d‟excitation sont
sinusoïdales. La tension et le courant s‟écrivent :
( ) ( ) cos( )
( ) j t j
V z V z t
V z e e
( ) ( ) cos( )
( ) j t j
I z I z t
I z e e
( )j t jV
V j e e j V zt
(1-7.a)
( )j t jI
I j e e j I zt
(1-7.b)
En régime harmonique, ont remplaçant jt
les équations (1) et (2) peuvent s‟écrire :
( )
VRI j LI R j L I
z
(1-8.a)
( )
IGI j CI G j C V
z
(1-8.b)
Une deuxième dérivée permet d‟obtenir :
2
2( )
V IR j L
zz
(1-9)
2
2( )
I VG j C
zz
(1-10)
À partir de (1-9) et (1-10) et les relations (1-8.a) et (1-8.b) on écrit :
2
2( )( )
VR j L G j C V
z
(1-11)
2
2( )( )
IR j L G j C I
z
(1-12)
On définit la constante de propagation complexe
2 ( )( )R j L G j C (1-13)
Chapitre 1 Etat de l‟art, présentation du problème
30
j (1-14)
Cette constante de propagation fait intervenir le coefficient d‟affaiblissement de la ligne α
exprimé en Neper/m et une constance de phase β exprimée en rad/m
À partir de (1-13) et (1-14) on peut définir :
2 2 2 2 2 2 2 1/21[( )( )]
2RG LC R L G C
(1-15)
2 2 2 2 2 2 2 1/21[( )( )]
2RG LC R L G C
(1-16)
La solution de ces équations différentielles (1-11) et (1-12) est :
( ) z zi rV z V e V e (1-17)
( ) z zi rI z I e I e (1-18)
Vi+, Vr
-, Ii
+ et Ir
- : sont des termes complexes représentant respectivement la tension incidente
et réfléchie et le courant incident et réfléchi.
La forme des solutions dans le domaine complexe se réduit à :
( , ) ( ).z z j ti rV z t V e V e e (1-19)
( , ) ( ).z z j ti rI z t I e I e e (1-20)
( , )g g
z zj t j t
v vV z t V e V e
(1-21)
( , )g g
z zj t j t
v vI z t I e I e
(1-22)
L‟équation (1-22) peut s‟écrire:
( ) z zi r
c c
V VI z e e
Z Z
(1-23)
Si nous exprimons le rapport entre la tension et le courant incident ou le rapport entre la
tension et le courant réfléchi, nous faisons apparaître une grandeur caractéristique importante
dans les lignes de transmission, il s‟agit de l‟impédance caractéristique Zc
.
.c
V V R j LZ
G j CI I
(1-24)
Chapitre 1 Etat de l‟art, présentation du problème
31
L‟impédance ramenée à l‟entrée de la ligne peut aussi être définie en fonction de l‟impédance
caractéristique de la ligne ZC, l‟impédance de charge ZL et la constante de propagation γ
tan
tan
L cligne c
c L
Z jZ lZ Z
Z jZ l
(1-25)
Pour une ligne de transmission réelle (avec pertes), l'impédance caractéristique est une
grandeur complexe. Cette impédance caractéristique est différente selon le type de câble. En
vidéo, les câbles utilisés sont des câbles coaxiaux d‟impédance caractéristique 75 ohms. En
hyperfréquence, les lignes de transmission utilisées ont pour la plupart une impédance
caractéristique de 50 ohms. Le réseau CAN utilise une paire torsadée dont l‟impédance
caractéristique est de l‟ordre de 120 ohms. FlexRay est un protocole qui véhicule des données
sur une paire torsadée d‟impédance caractéristique de 90 ohms. L‟impédance caractéristique
dépend de la géométrie et de la constitution du câble. Nous pouvons rencontrer sur le marché
deux types de câble, l‟un est appelé « câble à impédance contrôlée » où l‟impédance
caractéristique le long de câble est constante et l‟autre est appelé « câble à impédance non
contrôlée » où l‟impédance caractéristique varie [RAVO 07].
a. Le cas sans pertes
Il est souvent fait dans la pratique l‟approximation d‟avoir une résistance linéique R et une
conductance linéique G nulles sur les lignes (R ≈ G ≈ 0). Avec cette approximation, la ligne
est considérée sans pertes ou à très faibles pertes. Ceci reste valide jusqu'à une certaine
fréquence de travail. Avec ces approximations, les équations des télégraphistes (1-1) et (1-2)
se simplifient comme suit :
( , ) ( , )V z t I z tL
z t
(1-26)
( , ) ( , )I z t V z tC
z t
(1-27)
Les équations dans le domaine fréquentiel s‟écrivent :
2
2
V Ij L
zz
(1-28)
2
2
I Vj C
zz
(1-29)
La solution des équations différentielles dans le domaine complexe est:
(1-30)
( , ) ( )j z j z j ti rI z t I e I e e (1-31)
La constante de propagation change :
( , ) ( )j z j z j ti rV z t V e V e e
Chapitre 1 Etat de l‟art, présentation du problème
32
j j LC (1-32)
LC 0 (1-33)
On définit aussi la longueur d‟onde :
2 2
LC
(1-34)
En ce qui concerne l‟expression de l‟impédance caractéristique, l‟approximation sur R et G
permet d‟écrire que :
cL
ZC
(1-35)
Dans ces conditions, l‟impédance caractéristique de la ligne est un nombre purement réel.
Nous noterons au passage que la vitesse de propagation, appelée aussi vitesse de phase, dans
une ligne de transmission sans (ou à faibles) pertes s‟exprime par :
1 1pv
LC
(1-36)
L‟impédance caractéristique et la constante de propagation constituent les paramètres
secondaires d‟une ligne de transmission.
b. Coefficient de réflexion
Un autre paramètre important dans le principe de la réflectométrie est le coefficient de
réflexion. Chaque discontinuité dans un câble est associée à un coefficient de réflexion qui
donne une information sur la polarité des champs dans le milieu de propagation et la quantité
d‟énergie renvoyée vers le plan le générateur.
On choisit notre plan de référence, en z = 0 (au niveau de la charge). La tension et le courant
des équations (1-30) et (1-31) deviennent :
Figure 1.20 : Ligne de transmission excitée par un générateur d’impédance ZG et chargée par une
impédance ZL
Vi VL
Ii
IL
ZG
VG
+
-
ZL ZC
Générateur Charge
Ligne de Transmission
z = -l z = 0
Chapitre 1 Etat de l‟art, présentation du problème
33
( ) j z j zi r LV z V e V e V V V (1-37)
( ) j z j zi r L
c
I z I e I e I I I
V V
Z
(1-38)
En calculant le rapport L
L
V
I, nous déterminons l‟impédance de charge ZL, elle s‟exprime de la
façon suivante :
11
11
L LL c c c
L L
V
V V V VZ Z Z ZI V V V
V
(1-39)
ΓL : correspond au coefficient de réflexion qui est le rapport entre l‟amplitude de l‟onde
réfléchie et celle incidente au niveau de la charge ZL. Nous pouvons également exprimer le
coefficient de réflexion en fonction des impédances ZL de charge :
L c L cL
L c L c
Z Z Z ZVV V
Z Z Z ZV
(1-40)
Les deux équations (1-17) et (1-18) deviennent :
( ) j z j zLV z V e V e (1-41)
( ) j z j zL
c c
V VI z e e
Z Z
(1-42)
1.5.1.2. Analyse temporelle
Les solutions du système d‟équations différentielles montrent qu‟il existe deux ondes qui
se propagent dans la ligne de transmission à la vitesse vp. Il existe une onde se propageant
vers les z positifs et une onde se propageant vers les z négatifs. L‟onde qui se propage vers les
z positifs se nomme l‟onde incidente V+(z,t) et l‟onde se propageant vers les z négatifs se
nomme l‟onde réfléchie V-(z,t). La combinaison de ces deux ondes forme une onde
stationnaire.
( , ) ( ) ( )p pV z t V z v t V z v t
(1-43)
( , ) ( ) ( )p pI z t I z v t I z v t (1-44)
Chapitre 1 Etat de l‟art, présentation du problème
34
Si une onde se propage à la vitesse vp dans une ligne de transmission homogène de longueur
L, elle mettra un temps p
L
v pour se propager d‟une extrémité à l‟autre.
Plusieurs méthodes peuvent être utilisées pour la résolution des équations de propagation dans
le domaine temporel. Parmi ces méthodes, nous présentons la solution graphique.
a. Solution graphique
On considère une ligne de transmission sans pertes, Figure 1.21, de longueur L, d‟impédance
caractéristique Zc , excitée par un générateur VG(t) d‟impédance ZG et chargée par une
impédance ZL.
L‟onde incidence et réfléchie sont reliées à la charge (z = L) par la relation du coefficient de
réflexion ΓL. ΓG et le coefficient de réflexion au niveau de la source.
g L cL
L c
g
LV t
v Z Z
Z ZLV t
v
G cG
G c
Z Z
Z Z
(1-45)
Par conséquent, l‟onde réfléchie au niveau de la charge, peut s‟écrire en fonction de l‟onde
incidente et le coefficient de réflexion [HOLT 67].
Lg g
L LV t V t
v v
(1-46)
Ça sera la même chose pour le courant mais avec un signe opposé:
Lg g
L LI t I t
v v
(1-47)
Figure 1.21 : Tension et courant dans le domaine temporel
z = 0 z = L
V(0,t) V(L,t)
I(0,t) I(L,t) ZG
VG(t)
+
-
ZL
ZC
I(z,t)
V(z,t)
+ +
- -
Chapitre 1 Etat de l‟art, présentation du problème
35
Prenons une onde incidente qui se propage sur la ligne ; elle va mettre un temps T pour se
réfléchir au niveau de la charge ZL et le même temps pour retourner et arriver à la source.
Donc pour :
0<t<2L/vg, avec 2L/vg = 2T, l‟onde réfléchie n‟a pas atteint le plan z = 0.
0
0,g
V z t V tv
0 0
0,g G g
VI t I t t
v Z v
0 2t T (1-48)
En même temps les ondes incidentes de tension et courant sont liées à la source de tension
VG(t) par :
0, ( )cG
G c
ZV t V t
Z Z
10, ( )G
G c
I t V tZ Z
(1-49)
À n‟importe quel temps t et position sur la ligne z, l‟onde de tension (ou courant) est la
somme des ondes tensions (ou courants) existant sur la ligne [HOLT 67]. La solution exacte
pour n‟importe quelle forme d‟onde d‟excitation VG(t) peut s‟écrire de la façon suivante :
2
(0, ) ( ) 1 2 1 4
1 6
cG G L G G G L L G
c G
G G L L G
ZV t V t V t T V t T
Z Z
V t T
(1-50)
2 3
( , ) 1 1 3
1 5 1 7
cG G G G L L G
c G
G G L L G G G L L G
ZV L t V t T V t T
Z Z
V t T V t T
(1-51)
Cette forme succincte de la solution donne la tension dans le domaine temporel explicitement
en fonction du signal d‟entrée.
Pour bien comprendre le principe de la méthode, on considère une ligne de transmission
(Figure 1.21) de longueur L = 5 m, d‟impédance caractéristique Zc = 50 ohms, excitée par un
échelon VG(t) d‟amplitude V0 = 1V et de durée t (Figure 1.22).
-2 0 2 4 6 8
x 10-8
0
0.2
0.4
0.6
0.8
1
temps en s
Am
pli
tud
e e
n V
U(t)
( ) . ( )G GV t V U t
1 0( )
0 0
tU t
t
Figure 1.22 : signal d’excitation
Chapitre 1 Etat de l‟art, présentation du problème
36
0 0.5 1 1.5 2 2.5 3 3.5
x 10-8
0
0.2
0.4
0.6
0.8
1
1.2
temps en s
Am
pli
tud
e e
n V Echelon Incident
Echelon Réflechi
Charge de 25 ohm
La réponse de la ligne quand elle est chargée par une impédance ZL = 100 ohms ou ZL = 25
ohms, est montrée sur les Figure 1.23.b et Figure 1.23.a respectivement.
Donc les coefficients de réflexion au niveau des charges et le générateur sont :
( 100 )100 50 1
100 50 3LL Z
, ( 25 )25 50 1
25 50 3LL Z
, 50 50
050 50
G
À partir de l‟équation (1-50), on trace la tension totale au niveau de la source.
Les Figures 1.23.a et Figure 1.23.b représentent les amplitudes de la tension au niveau de la
source d‟une ligne chargée par une impédance dont le module est supérieur puis inférieur au
module de l‟impédance caractéristique de la ligne. On remarque l‟effet de variation de
l‟impédance sur l‟amplitude de la tension due à la discontinuité d‟impédance entre la ligne et
la charge. Si L cZ Z alors l‟impulsion réfléchie est du même signe que l‟impulsion
incidente. Si L cZ Z alors l‟impulsion réfléchie est de signe opposé à l‟impulsion incidente.
De même on peut déduire que si L cZ Z , il n‟y a pas d‟impulsion réfléchie, la charge
LZ absorbe la totalité de l‟énergie de l‟onde incidente, Figure 1.24.
(b) (a)
Figure 1.23 : Réponse dans le domaine temporel en injectant un échelon dans une ligne de transmission
(a) Pour ZL = 100 ohms, (b) pour Z L= 25 ohms
0 0.5 1 1.5 2 2.5 3 3.5
x 10-8
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
temps en s
Am
pli
tud
e e
n V
Echelon Incident
Echelon réfléchi
Charge de 100 ohm
Chapitre 1 Etat de l‟art, présentation du problème
37
1.6. Conclusion
Ce chapitre a essentiellement été consacré à l‟état de l‟art sur les multiples méthodes de
détection et localisation de défaut dans les câbles électriques. Les méthodes les plus simples,
les plus économiques et les moins encombrantes sont les méthodes capacitives et inductives.
Leurs performances sont comparables avec celles des méthodes par réflectométrie mais elles
ne peuvent pas être utilisées pour l‟analyse des câbles en fonctionnement ou en réseau.
Pour répondre aux contraintes d‟un système embarqué, les méthodes par réflectométrie
semblent être les plus adaptées. Ces méthodes peuvent être rapides à mettre en place,
automatiques, facilement intégrables, adaptables et reconfigurables suivant le type de réseau
filaire à analyser. L‟analyse d‟un réseau filaire peut aussi bien être réalisée hors ligne ou en
ligne et être totalement transparente vis-à-vis des autres systèmes qui se partagent le même
réseau.
Pour bien comprendre le principe de la réflectométrie, il est nécessaire de comprendre
comment se propage une onde électromagnétique dans une ligne de transmission. Dans le
chapitre 2, nous développerons le modèle adopté pour la propagation filaire.
-2 0 2 4 6 8 10 12
x 10-8
-0.5
0
0.5
1
1.5
2
2.5
temps en s
Am
pli
tud
e e
n V
Zl<Zc
Zl=Zc
Zl>Zc
Zl>>>
Zl=0
Vg(t)
Figure 1.24 : Réponse dans le domaine temporel en injectant un échelon dans une ligne de
transmission chargée par une impédance telle que , 0, 0,L L L L c L cZ Z Z Z Z et Z Z
Chapitre 2 Modèle de propagation filaire
38
Chapitre 2 : Modèle de propagation filaire
2.1. Introduction.............................................................................................................................................. 39
2.2. Résolutions des problèmes direct et inverse .......................................................................................... 39
2.2.1. Problème direct ................................................................................................................................. 40
2.3. Problème direct – Modélisation par la méthode des différences finies ............................................... 41
2.3.1. Introduction ....................................................................................................................................... 41
2.3.2. FDTD pour les lignes de transmission .............................................................................................. 41
2.3.3. FDTD pour les réseaux filaires .......................................................................................................... 48
2.4. Modélisation de défauts filaires .............................................................................................................. 54
2.4.1. Rappel des lois électrostatique .......................................................................................................... 55
2.4.2. Méthode des éléments finis (MEF) ................................................................................................... 55
2.4.3. Modélisation éléments finis sous ANSYS® ....................................................................................... 56
2.4.4. Application de la MEF pour des défauts de câblage ......................................................................... 57
2.4.5. Analyse d‟une ligne avec un défaut ................................................................................................... 62
2.4.6. Analyse d‟une ligne avec deux défauts ............................................................................................. 64
2.5. Multiconducteurs ..................................................................................................................................... 66
2.5.1. Définitions ......................................................................................................................................... 66
2.5.2. Méthodes classiques de simulation des lignes multifilaires .............................................................. 67
2.5.3. Propagation sur une ligne multifilaire ............................................................................................... 67
2.5.4. Solution numérique ........................................................................................................................... 69
2.5.5. Réflectométrie des lignes multifilaires .............................................................................................. 72
2.6. Conclusion ................................................................................................................................................ 81
Chapitre 2 Modèle de propagation filaire
39
Chapitre 2 : Modèle de propagation filaire
2.1. Introduction
Après avoir rappelé très brièvement les quelques travaux qui ont été menés pour simuler la
propagation sur un réseau filaire, nous décrirons plus en détail l‟approche que nous avons
suivie pour simuler la propagation le long des lignes de transmission.
Les lignes de transmission ont généralement des structures complexes dont la solution
analytique est difficile voire impossible à déterminer. Une méthode numérique permet
d‟obtenir la solution. Nous proposons un modèle de propagation d‟une onde
électromagnétique le long d‟une ligne de transmission (simple ou réseau, simple conducteur
ou multiconducteur) dans le domaine temporel : le modèle est basé sur les équations de
propagation des “télégraphistes”. Les équations de propagation d‟onde sont résolues par la
méthode des différences finies dans le domaine temporel (FDTD) qui convertit ces équations
différentielles en équations aux différences.
Comme nous l'avons vu dans le premier chapitre, dans un réseau de câblage d‟automobile,
nous trouvons des conducteurs simples, des paires torsadées, et des câbles multiconducteurs.
Pour cela, dans ce chapitre nous étudions les multiconducteurs dans le cadre de la
réflectométrie dans le domaine temporel. Sachant que les positions relatives des conducteurs
au sein d‟un toron de fils ne sont pas définies avec précision par les constructeurs, il est donc
difficile, voir impossible, de prévoir théoriquement les valeurs des paramètres électriques et la
forme géométrique d‟un faisceau réel c‟est pourquoi nous proposons une approche simplifiée.
Après une description des méthodes de résolution du problème direct, nous détaillons la
méthode adoptée afin de modéliser la réflectométrie dans le domaine temporel. Nous
décrivons ensuite la méthode adoptée afin de modéliser les défauts filaires. Dans la deuxième
partie du chapitre nous décrivons les résultats de simulation du modèle direct sur des lignes
multifilaires. En vue de valider notre modèle, nous étudions plusieurs configurations de
câblage et nous comparons les résultats issus de notre modélisation avec des mesures.
2.2. Résolutions des problèmes direct et inverse
Les méthodes de réflectométrie permettent de tester les réseaux filaires en injectant une
onde électromagnétique. Ce test est fait en examinant les données d‟observation issues soit de
la mesure, soit d‟un modèle analytique ou numérique. L‟obtention des données d‟observation
dépendant de l‟état des câbles et de la configuration des réseaux considérés est communément
appelée le problème direct (forward problem en anglais). Cependant, dans la plupart des
applications, ce qui intéresse un ingénieur ou un scientifique est d‟inspecter l‟état du câble.
Les données d‟observation doivent permettre de remonter aux paramètres physiques de ces
câbles. Le moyen d‟obtention des paramètres électriques des câbles ou la structure des
réseaux à partir des données d‟observation est appelée problème inverse (inverse problem en
anglais), Figure 2.1.
Chapitre 2 Modèle de propagation filaire
40
2.2.1. Problème direct
Pour des lignes de transmission simples, on peut établir une formulation analytique du
problème étudié. Cette solution analytique donne la relation entre le coefficient de réflexion
ou la tension à l‟entrée et les paramètres physiques et géométriques de la ligne à étudier. Par
ailleurs, pour des structures complexes, une solution analytique est rarement triviale voire
impossible. La solution est le recours à une modélisation numérique. L‟avantage de cette
solution est qu‟elle permet d‟étudier n‟importe quel problème électromagnétique et ceci
quelle que soit sa complexité. Aux erreurs de modélisation près, principalement liées au
maillage de la structure, le modèle numérique représente généralement assez bien la structure
réelle si on prend soin d‟appliquer les bonnes conditions aux limites. Un inconvénient de cette
méthode est qu‟elle peut être très coûteuse en temps de calcul notamment si la géométrie
implique des rapports de dimensions élevés.
Nous présentons dans la suite deux méthodes de modélisation numérique parmi les plus
couramment utilisées :
2.2.1.1. Méthode des différences finies [TAFL 00]
La méthode des différences finies, historiquement la première, est une méthode explicite,
d‟implémentation simple et qui permet aisément la considération de milieux hétérogènes. Elle
consiste à discrétiser le domaine étudié par un réseau de points à mailles rectangulaires et à
remplacer les opérateurs différentiels par des opérateurs de différences entre les valeurs de
l‟inconnue en différents points voisins. Cette méthode s‟adapte difficilement aux géométries
complexes qui présentent des courbures car elle nécessite un découplage régulier du domaine
d‟étude. Elle est cependant utilisée pour résoudre des problèmes dans le domaine temporel. La
FDTD (Finite Difference Time Domain en Anglais) est la meilleure méthode qu‟on peut
utiliser pour étudier la propagation 1D [SULL 00]. Dans le cadre de cette thèse la FDTD est
utilisée pour résoudre les équations des télégraphistes.
2.2.1.2. Méthode des éléments finis [JIN 02]
La méthode des éléments finis (MEF) utilise une formulation variationnelle du problème.
Elle vise à obtenir une solution approchée du problème. Grâce à la formulation variationnelle,
les solutions du problème vérifient des conditions d‟existence plus faibles que celles des
Figure 2.1: Problème direct / Problème inverse
Paramètres
recherchés
Données
d‟observation
Problème direct
Problème inverse
Chapitre 2 Modèle de propagation filaire
41
solutions du problème de départ. Une discrétisation permet alors de trouver une solution
approchée. Dans la MEF, chaque région du domaine d‟étude est découpée en « petits »
éléments. Cette opération est nommée « maillage ». Plus le maillage est fin, plus la solution
calculée s‟approche de la solution exacte. Avec MEF, on peut modéliser des géométries très
variées et complexes (2D, 3D). On peut aussi étudier des phénomènes non-linéaires. Comme
la méthode FDTD, la MEF nécessite de définir des frontières sur lesquelles sont appliquées
les conditions aux limites.
2.3. Problème direct – Modélisation par la méthode des différences finies
Nous allons tout d‟abord examiner dans cette partie, les principaux points clés de
l‟application de la méthode FDTD pour la propagation dans les et les réseaux filaires. Ensuite
quelques résultats de simulation d‟un réseau en Y seront présentés.
2.3.1. Introduction
La méthode numérique des différences finies dans le domaine temporel (FDTD) a été
développée par Yee [YEE 66] en 1966, et plus tard améliorée par Taflove et al [TAFL 00].
Grâce à ses avantages et aux performances de l‟outil informatique, la FDTD n‟a cessé de
gagner des utilisateurs pour des applications de plus en plus variées.
La méthode FDTD peut simuler le comportement d‟une onde électromagnétique dans tout
type de milieu (diélectrique, métal, plasma, câbles,....), tout en tenant compte des formes
géométriques des objets pouvant constituer le système [SADI 01]. Elle ne fait intervenir
aucune inversion de matrice. Sa formulation théorique [SULL 00] extrêmement simple fournit
des prédictions d‟une grande précision pour un large éventail de problèmes dans le domaine
électromagnétique. Elle permet des études « large bande » : une excitation impulsionnelle
dans le domaine temporel suffit à donner la réponse d‟un système sur une large bande de
fréquences.
2.3.2. FDTD pour les lignes de transmission
Nous avons vu, dans le chapitre précédent, la théorie des lignes de transmission et les
principales méthodes pour résoudre les équations de propagation. Dans cette partie, nous
allons présenter la résolution des équations des télégraphistes par la méthode des différences
finies dans le domaine temporel.
Le principal avantage de la méthode par rapport aux méthodes analytiques est qu‟elle peut
prendre en compte les variations aléatoires de l‟impédance le long d‟une ligne de
transmission. Ces variations peuvent traduire des défauts.
Nous avons vu dans le premier chapitre qu‟en haute fréquence une ligne de transmission peut
se modéliser par un circuit RLCG. Appliquant les lois de circuit (Lois de Kirchhoff) sur le
Chapitre 2 Modèle de propagation filaire
42
modèle, nous obtenons un système d‟équations différentielles qui décrit l‟évolution de la
tension et du courant instantanés le long de la ligne de transmission.
( , ) ( , )( , )
V z t I z tRI z t L
z t
(2-1)
( , ) ( , )( , )
I z t V z tGV z t C
z t
(2-2)
2.3.2.1. Résolution des équations des télégraphistes utilisant la méthode FDTD.
La méthode des différences centrées est utilisée pour convertir ces équations différentielles
aux équations différences.
Premièrement, il est nécessaire de discrétiser (2-1) et (2-2) dans l'espace et le temps. Une
discrétisation est fixée pour l'espace (z). La tension (V) et le courant (I) sont définis en points
alternés dans une grille comme le montre la Figure 2.2.
Utilisant ce modèle de discrétisation dans le temps et l'espace, nous pouvons déterminer la
composante de l‟onde à tout moment et en n‟importe quel endroit sur la ligne.
Les équations aux différences sont de deux types. L‟une détermine la tension :
1 1 3/2 1/2 3/2 1/2( 1) ( ) ( ) ( ) ( ) ( )
2
n n n n n nV z V z I z I z I z I zL R
z t
(2-3)
Figure 2.2 : discrétisation spatiale et temporelle des tensions et courants
2
z
z
tn
t1/2)(n
t1)(n
t)3(n 2/
t
2
t
nVk
n 1k
V n 1k 1
V
n 1/2k-1
I
n 1/2k
I
n 3/2k
I
(k-3/2) z (k-1) z (k-1/2) z k z
Chapitre 2 Modèle de propagation filaire
43
L‟autre permet d‟exprimer le courant
1/2 1/2 1 1( ) ( 1) ( ) ( ) ( ) ( )
2
n n n n n nI z I z V z V z V z V zC G
z t
(2-4)
Dans le cas sans pertes où R ≈ G ≈ 0, on obtient les équations récurrentes :
1 1/2 1/2( ) ( ) 1 ( ) ( 1)n n n nV z V z I z I z
t C z
(2-5)
3/2 1/2 1 1( ) ( ) 1 ( 1) ( )n n n nI z I z V z V z
t L z
(2-6)
1 1( 1) ( )3/2 1/2( ) ( )n nt V z V zn nI z I z
L z
(2-7)
1/2 1/2( ) ( )1( ) ( )n nt I z I zn nV z V z
C z
(2-8)
Pour que le schéma numérique soit stable il faut respecter la condition de stabilité [TAFL 00]:
zt
vp
(2-9)
LCv p
1
(2-10)
Dans le cas de notre étude, le pas du temps est donné par l‟équation :
2
zt
vp
où pv est la vitesse de propagation dans la ligne, qui vérifie généralement :
0,5 0,8p
c v c
c est la vitesse de propagation dans le vide. Dans le cadre de cette thèse la taille des cellules
de la grille a une longueur z qui est petite par rapport à la longueur d'onde minimale du
signal de la source λmin. On a généralement :
/ 20minz (2-11)
La discrétisation dans le domaine temporel est également effectuée. De façon similaire à la
discrétisation de l'espace, les tensions et courants sont calculés en des points alternés pour le
temps, Figure 2.2.
Chapitre 2 Modèle de propagation filaire
44
2.3.2.2. Calcul des paramètres linéiques
La résolution des équations des télégraphistes permet de déterminer les grandeurs tension
et courant en tout point de la ligne à condition que les paramètres linéiques des éléments
constituant les liaisons soient rigoureusement déterminés. Dans cette perspective, diverses
formulations et méthodes de mesures ont été mises au point pour déterminer les paramètres
linéiques des structures précitées dans l'hypothèse quasi- TEM. Les méthodes de modélisation
actuelles des lignes et câbles peuvent se subdiviser en deux catégories (méthodes numériques
et analytiques).
Les modèles utilisant des techniques dites numériques, c'est-à-dire basées sur une
discrétisation du problème avant la résolution. L‟avantage de cette solution est qu‟on peut
étudier n‟importe quelle structure de lignes et ceci quelle que soit sa complexité. Aux erreurs
de modélisation près, principalement liées au maillage de la structure, le modèle numérique
représente généralement assez bien la structure réelle.
Les méthodes analytiques ne sont valables que pour des géométries simples, où on dispose
des formulations analytiques. Elles permettent lorsque certaines conditions de géométrie sont
réunies, par exemple une forme cylindrique des conducteurs, de trouver des expressions
littérales plus simples, donc plus faciles à programmer et avec un temps d'entrée de données et
de calculs très rapide. En outre, les méthodes analytiques sont moins lourdes à mettre en
œuvre et s'intègrent facilement dans d'autres codes de calcul de lignes et câbles.
Afin d‟étudier la propagation le long d‟une ligne de transmission simple, la ligne bifilaire
(SKU 02301.R5.02) est considérée. Le câble est très similaire du point de vue de l‟impédance
à de nombreux types de câbles dans l‟aéronautique [GRIF 06].
Figure 2.3 : Ligne bifilaire
Chapitre 2 Modèle de propagation filaire
45
Le câble est composé de deux conducteurs entourés par un isolant en PVC avec une
permittivité relative de εr = 4 (Figure 2.3).
Les dimensions du câble sont données dans le Tableau 2.1.
Tableau 2.1 : Les dimensions du câble
Dimensions du câble (mm)
Largueur 5,35
Hauteur 2,60
Diamètre (a) 1,00
Epaisseur de l‟isolant sur le bord horizontal 1,14
épaisseur de l'isolant sur le bord vertical 0,76
La distance entre les bords conducteurs intérieurs 1,06
La distance entre les deux centres des conducteurs (d) 2,06
Les paramètres de ligne de transmission de ce câble peuvent être calculés analytiquement
[ULAB 99] :
2
ln 12 2
d dL
a a
(2-12)
2
ln 12 2
C
d d
a a
(2-13)
Les valeurs de a et d conduisent à :
C = 1.0755.10-10
F/m
L = 0.67µH/m
μ est la perméabilité magnétique (μ = μ 0 μ r , μ 0=4π×10-7
H/m), μ r et la perméabilité relative.
ε est la permittivité électrique, (ε = ε0εr , ε0 = 8,854×10−12
F/m).
L‟impédance caractéristique de la ligne est donc donnée dans le cas sans perte :
10
0cosh
r
dZ
a
(2-14)
où η0 est l‟impédance caractéristique de l‟espace libre (377 Ω),0 0 0 .
La valeur d'impédance calculée par (2-14) est 79,69 ohms.
2.3.2.3. Sources
La différence entre les méthodes de réflectométrie citées dans le chapitre 1 réside dans le
type de signal qu'elles transmettent sur la ligne de transmission. La réflectométrie dans le
domaine temporel (TDR) utilise une impulsion ou un échelon. La réflectométrie dans le
domaine fréquentiel (FDR) utilise une onde sinusoïdale, et la réflectométrie dans le domaine
temporel par étalement de spectre (SSTDR) utilise un train d'impulsions ou des impulsions
Chapitre 2 Modèle de propagation filaire
46
modulées. En définissant le signal source, la FDTD nous permet de simuler la réponse de
l‟ensemble de ces méthodes.
Différentes types de source de signal
L‟implémentation des charges de la ligne dans le modèle de propagation se fait au niveau
des nœuds de tension et de courant. Le circuit ouvert est émulé par une charge à haute
impédance (le courant dans le dernier nœud est nul) et le court-circuit par une charge à très
basse impédance (la tension dans le dernier nœud est nulle).
Pour illustrer le phénomène de propagation, trois différents types de signaux de source, une
onde sinusoïdale, une impulsion et un échelon, sont exploités dans notre modèle de base d'une
ligne bifilaire.
a. Fonction sinusoïdale
L‟onde sinusoïdale est implémentée dans la FDTD utilisant l‟équation :
( ) sin(2 )V t Fn t (2-15)
où
F : fréquence de l‟onde sinusoïdale = 1 GHz.
n : incrément du pas de temps
La ligne bifilaire est terminée avec un circuit ouvert qui cause une réflexion positive (Γ = 1).
0 200 400 600 800 1000-3
-2
-1
0
1
2
3
Temps
Am
pli
tud
e
Onde incidente
Onde réflechit
Figure 2.4 : Réponse temporelle à une excitation sinusoïdale
e
Chapitre 2 Modèle de propagation filaire
47
0 200 400 600 800 1000-1.5
-1
-0.5
0
0.5
1
1.5
Temps
Am
pli
tud
e
Impulsion incidente
Impulsion réflechie
b. Impulsion cosinus
L‟impulsion est implémentée dans la FDTD en utilisant l‟équation :
10,5(1 cos(2 )) ( ) & 0
( )
0 ailleurs
Fn t n t n tV t F
(2-16)
Un court circuit (Γ = -1) est considéré ici au bout de la ligne. La Figure 2.5 montre la tension
à l‟entrée de la ligne en fonction du temps. L‟impulsion réfléchie de signe opposé montre
l‟effet du court circuit.
c. Fonction d’échelon
La fonction d‟échelon est implémentée dans la FDTD utilisant l‟expression :
0 t 0( )
1 t 0V t
(2-17)
Figure 2.5 : Réponse temporelle à une excitation impulsionnelle
t
V(t)
Chapitre 2 Modèle de propagation filaire
48
La source ne dépend pas de la fréquence. Cette source a un spectre large et cause des effets de
dispersion dans la FDTD. Ce signal est filtré par un filtre passe-bas à une fréquence maximum
de 1 GHz afin de réduire les effets de dispersion.
Pour une ligne en circuit ouvert (Γ = 1), la tension totale sur la ligne de transmission après la
réflexion est le double de la tension incidente, Figure 2.6.
La source d‟excitation utilisée dans la suite de cette thèse est l‟impulsion cosinus. L‟avantage
de cette source par rapport à l‟échelon est que la réponse obtenue n‟a pas besoin d‟un filtre.
Son avantage par rapport à la fonction sinusoïdale est sa sensibilité aux petites variations
d‟impédance. Elle est donc la mieux adaptée pour la réflectométrie dans le domaine temporel.
2.3.3. FDTD pour les réseaux filaires
Analyser des lignes simples est important mais dans les environnements réels, comme
l‟automobile ou l‟aéronautique, où tous les câbles font partie de réseaux. La FDTD offre la
solution idéale pour une telle analyse.
L‟apparition et le développement croissant des systèmes interactifs ont nécessité de mettre en
place des réseaux de communication de topologies plus ou moins complexes. Nous sommes
bien loin par exemple du simple câble qui relie une pile électrique à une ampoule.
Aujourd‟hui, un réseau filaire interconnecte plusieurs dizaines voire plusieurs centaines de
systèmes entre eux. Les réseaux filaires sont constitués d‟un ensemble de câbles, en général
0 100 200 300 400 500 600 700 800 900 1000-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
3
Temps
Am
pli
tud
eFin de la ligne
Début de la ligne
Onde incidente et réflechie
Figure 2.6 : Réponse temporelle à une excitation d’échelon
Chapitre 2 Modèle de propagation filaire
49
de même type, interconnectés entre eux suivant des normes de topologie bien définies, Figure
2.7.
Il est nécessaire d'étudier ces réseaux complexes et leur réponse dans le domaine temporel et
la méthode FDTD peut être utilisée pour cette analyse.
Le réseau le plus simple qu‟on peut rencontrer est le réseau en Y, Figure 2.8. Le réseau en Y
peut parfois être appelé réseau en T. Tous les phénomènes que nous allons observer lors de
cette étude sont généralisables à toutes les autres topologies de réseaux plus complexes.
La FDTD est utilisée de la même façon que dans la partie précédente en ce qui concerne
l‟application des conditions aux limites au niveau des jonctions.
Le réseau filaire en Y, (Figure 2.8), est composé de trois tronçons de ligne L1, L2 et L3 formant
une jonction J. Cette jonction J provoque par construction une discontinuité d‟impédance
« naturelle » du réseau. Considérons un signal incident Vincident se propageant dans le réseau Y.
Quand il arrive à la jonction J il observe une impédance de (Z2 || Z3). Cette combinaison
parallèle est considérée comme une impédance de charge et le coefficient de réflexion à cette
jonction peut être calculé en utilisant l‟équation (2-18), où Z0 représente l‟impédance
caractéristique de la ligne, et Z l‟impédance de la charge (impédance à la jonction).
Figure 2.7 : Topologies de réseaux filaires
Figure 2.8 : Réseau en Y
Etoile Anneau
Arbre Bus
L1
L2
Z3
J
Vincident Z2
Z1 Vz1 Iz1+1/2
Vz2 Iz2+1/2
Vz3 Iz3+1/2
L3
Chapitre 2 Modèle de propagation filaire
50
0
0
-réfléchitJ
incident
V Z Z
V Z Z
(2-18)
Si les tronçons de câbles sont de même impédance caractéristique (Z0 = 2Z), le coefficient de
réflexion ΓJ au niveau de la jonction sera donné par :
0
0
- 1
3
réfléchitJ
incident
V Z Z
V Z Z
(2-19)
La valeur de Z est égale à 0 pour une charge de type court-circuit et est égale à une valeur
infinie pour une charge de type circuit ouvert. Pour une jonction, la valeur de Z dépend du
nombre de branches à la jonction. Si les lignes sont d'une impédance égale, cette valeur sera
égale à Z0/n (association en parallèle de lignes) où n est le nombre de branches présentes à la
jonction. L'équation (2-20) donne la relation entre le coefficient de réflexion à la jonction et le
nombre de branches présentes à cette jonction.
00
00
--1
1
ZZ
nnZ n
Zn
(2-20)
Lorsque les lignes ont des impédances inégales, l'équation (2-20) n'est plus valable pour
déterminer le coefficient de réflexion. La valeur de Z dans ces cas doit être évaluée en prenant
les impédances individuelles en considération. La complexité de ce problème augmente avec
l'augmentation du nombre d'étages dans le réseau.
Quand les impédances sont égales, la même tension est transmise dans les deux branches,
mais le courant est divisé entre les deux branches. Les deux nouvelles équations à implanter
au niveau de la jonction est :
Vz1= Vz2= Vz3 (2-21)
Iz1+1/2 = Iz2+1/2 + Iz3+1 /2 (2-22)
On peut généraliser de la façon suivante :
La tension dans le dernier nœud de la branche principale est égale à la tension dans le premier
nœud des branches secondaires. Le courant dans le dernier nœud de la branche principale est
égal à la somme des courants dans les premiers nœuds des branches secondaires.
Pour simuler le réseau avec la FDTD, la branche principale et les deux branches secondaire L2
et L3 sont définies comme une ligne simple. Les nouvelles conditions aux limites, équations
(2-21) et (2-22) sont implantées.
Chapitre 2 Modèle de propagation filaire
51
3.3.3.1. Analyse du réseau en Y avec désadaptation des tronçons secondaires
Considérons un réseau filaire en Y constitué à partir de câbles d‟impédance caractéristique
50 ohms. Nous supposons que chaque tronçon est parfaitement identique du point de vue de
ses paramètres primaires. Nous injectons une impulsion de tension au port d‟entrée du tronçon
L1, les extrémités des tronçons L2 et L3 pourront être chargées soit par un circuit ouvert (CO)
soit par un court-circuit (CC), Figure 2.9. Le générateur d‟impulsions est adapté à
l‟impédance caractéristique du câble coaxial.
Le signal injecté est une impulsion (Figure 2.5) de largeur de bande B = 300 MHz. Ce signal
large bande a été choisi pour avoir une bonne résolution temporelle afin de distinguer chaque
impulsion du réflectogramme. L‟impulsion va se propager le long du tronçon L1 jusqu'à
rencontrer la discontinuité d‟impédance au niveau de la jonction J. Le tiers de l‟énergie
réfléchie vers le plan d‟incidence est alors absorbé par la charge 50 ohms de la source. Au
niveau de la jonction J, l‟impulsion se divise pour se propager dans les tronçons L2 et L3 et se
réfléchit respectivement par les terminaisons (CO ou CC) au bout de ces tronçons. Ces
impulsions réfléchies vont se propager de nouveau vers la jonction J et se diviser
respectivement vers les autres tronçons et ainsi de suite jusqu'à l‟atténuation totale de
l‟impulsion. Les premiers trajets sont représentés en Figure 2.9. Une telle topologie inclut
donc un nombre de chemins multiples et le réflectogramme peut devenir très vite difficile à
interpréter. Les différents chemins possibles à travers le réseau en Y sont les suivants :
L1
L1 + L2 , L1 + 2L2 , L1 + 3L2,...,L1 + nL2 : chemins multiples dans le tronçon L2
L1 + L3 , L1 + 2L3 , L1 + 3L3,...,L1 + mL3 : chemins multiples dans le tronçon L3
L1 + L2 + L3 +,..., L1 + pL2 + qL3 : chemins multiples dans le tronçon L2 et L3
n, m, p et q sont des entiers positifs non nuls
Le réflectogramme associé à un réseau en Y fait apparaître une multitude de pics atténués et
retardés suivant le chemin parcouru. L‟ordre d‟apparition des différents pics dépend des
longueurs de chaque tronçon mais dans le cas général, le premier pic correspondra toujours à
la longueur L1 et le second pic correspondra toujours à la longueur L1 + L2 si L2 est inférieur à
L3 ce que nous supposerons par la suite. Le pic ou les pics qui suivent dépendent des
Figure 2.9. Chemins multiple dans un réseau en Y
J
L2
L3
L1
-1/3
2/3
Source
2/3
Circuit Ouvert (CO)
Court Circuit (CC)
Circuit Ouvert (CO)
Court Circuit (CC)
Chapitre 2 Modèle de propagation filaire
52
longueurs L2 et L3. Si L2 est très petit devant L3, alors l‟impulsion a le temps de parcourir
plusieurs allers-retours dans le tronçon L2 avant que l‟impulsion n‟ait fait au moins un seul
aller-retour dans le tronçon L3. Cela veut dire que l‟on verra apparaître plusieurs pics qui
correspondront à la combinaison L1 + nL2 avant de voir apparaître le premier pic
correspondant à L1 + L3.
Nous pouvons donc considérer deux cas de figure :
1er
cas : L3 > 2L2
Nous étudions, le réseau filaire en Y dont les dimensions sont les suivantes :
L1 = 20 cm, L2 = 20 cm et L3 =70 cm.
Les tronçons secondaires L2 et L3 sont chargés par un circuit ouvert ( 13,2 )
La Figure 2.10 représente des résultats de simulations par FDTD du réseau en Y. Le premier
pic positif correspond à l‟impulsion injectée dans le réseau. Le pic négatif qui suit correspond
à la réflexion de l‟impulsion sur la jonction J donnant ainsi la longueur du tronçon L1 (L1 = 20
cm). Ensuite, nous observons un pic correspondant au chemin L1 + L2 (L1 + L2 = 40 cm). Ce
pic est positif à cause de la terminaison du tronçon L2 ( 12 ). Nous voyons ensuite deux
impulsions d‟amplitude très réduite correspondant aux chemins multiples L1 + nL2 (L1 + 2L2 =
60 cm) et L1 + 3L2 = 80 cm). Ensuite apparaît un pic positif correspondant au chemin parcouru
dans le tronçon L1 + L3 (L1 + L3 = 90 cm). D‟autres pics se succèdent ensuite correspondant à
d‟autres chemins multiples dans le réseau.
Figure 2.10. Réflectogramme correspondant au réseau en Y de dimensions L1 = 20 cm, L2 = 20 cm et
L3 = 70 cm, dont les tronçons secondaires sont chargés par un circuit ouvert.
Chapitre 2 Modèle de propagation filaire
53
2ème
cas : L1 =L2 =L3
Supposons un cas particulier où le réseau filaire en Y est symétrique, c'est-à-dire que L1 = L2
= L3 = 20 cm et que l‟extrémité des tronçons L2 et L3 est chargée par un circuit ouvert. Le
réflectogramme associé à ce type de topologie est représenté en Figure 2.12.
Le premier pic négatif indique la longueur du tronçon L1 et le second pic apporte à la fois une
information sur la longueur du tronçon L2 et du tronçon L3. Nous pouvons remarquer la forte
amplitude de ce pic qui n‟est autre que la combinaison additive de l‟impulsion réfléchie par la
terminaison ( 12 ) du tronçon L2 avec l‟impulsion réfléchie par la terminaison ( 13 ) du
tronçon L3.
Une analyse plus approfondie montre que les autres pics peuvent correspondre à plusieurs
chemins multiples rendant l‟analyse très ambiguë. Le réflectogramme de la Figure 2.11
présente le cas où les deux pics provenant des tronçons L2 et L3 provoquent une combinaison
soustractive qui annule le pic donnant une information sur L2 et L3. Nous obtenons ce type de
réflectogramme lorsque l‟extrémité du tronçon L2 est chargée par un circuit ouvert (Γ = 1) et
l‟extrémité du tronçon L3 chargée par un court-circuit (Γ = -1). Le premier pic négatif indique
que le tronçon L1 a une longueur de 20 cm. Le deuxième pic négatif localisé à L1 + L2 + L3 =
60 cm permet de déterminer la longueur des tronçons L2 et L3 connaissant L1 et la symétrie du
réseau.
Figure 2.11. Réflectogramme correspondant au réseau en Y de dimensions L1 = L2
= L3 = 20 cm, dont les tronçons secondaires sont chargés par un circuit ouvert.
Chapitre 2 Modèle de propagation filaire
54
50 Ω
L1
L2
L3
Légère désadaptation
2.3.3.2. Analyse du réseau en Y avec adaptation des tronçons secondaires
Dans cette partie, nous allons analyser ce réseau lorsque tous les tronçons sont adaptés par
une terminaison égale à leur impédance caractéristique Zc. L‟adaptation des tronçons
secondaires a pour but de ne pas avoir de signaux réfléchis dans les tronçons secondaires.
Le réflectogramme de la Figure 2.12 est celui du réseau filaire en Y dont la topologie
correspond aux dimensions suivantes : L1 = 30 cm, L2 = 20 cm et L3 = 43 cm.
L‟extrémité des tronçons L2 et L3 est adaptée sur une charge 50 ohms. Le seul signal réfléchi
que l‟on observe dans cette configuration est l‟impulsion négative due à la réflexion de
l‟impulsion incidente sur la jonction J. Le réflectogramme nous renseigne donc uniquement
sur la longueur L1 du réseau. Les charges 50 ohms absorbent les impulsions qui se propagent
dans les tronçons L2 et L3. Cependant, nous pouvons apercevoir de faibles échos dus à une
légère désadaptation de la ligne. Dans les cas pratiques, nous pourrions nous servir de ces
petits échos pour déterminer les longueurs des tronçons L2 et L3.
2.4. Modélisation de défauts filaires
Pour une grande partie des lignes de transmission, l‟expression analytique de l‟impédance
(ou les paramètres électriques) est connue. Mais pour des cas généraux ou en présence de
déformations locales ou de changement de structure ou dégradations, les relations analytiques
ne sont plus valables. Dans ce cas, seule une solution numérique permet d‟avoir l‟impédance
du défaut.
Dans cette partie de ce chapitre nous rappelons la loi de l‟électrostatique, et de la
magnétostatique afin de calculer les paramètres électriques, ensuite, nous décrivons la
Figure 2.12 : Réponse du réseau en Y dans le cas où les tronçons secondaires sont
adaptés. L1 = 30 cm, L2 = 20 cm et L3 = 43 cm.
Chapitre 2 Modèle de propagation filaire
55
méthode des éléments finis (MEF) et les différentes étapes de la modélisation par MEF, et à la
fin, nous présentons les résultats de simulation de défauts filaires caractéristiques et leurs
effets sur la propagation.
2.4.1. Rappel des lois électrostatique
L‟équation de Poisson et l'équation de Laplace décrivent la distribution du potentiel
électrique. L‟équation de Poisson est une équation du second ordre aux dérivées partielles et,
pour notre cas, elle est appliquée en deux dimensions.
q
y
V
x
VV
2
2
2
22 (2-23)
où V est le potentiel électrique, q est la densité de charge libre, ε est la permittivité du milieu.
L'équation de Laplace est un cas particulier de l'équation de Poisson en l'absence de charges
libres dans le milieu.
02
2
2
22
y
V
x
VV (2-24)
Ces deux équations peuvent être résolues pour déterminer le potentiel électrostatique en
utilisant des méthodes numériques telles que les éléments finis.
Les solutions pour les équations de Laplace et de Poisson sont uniques si les conditions aux
limites sont connues. Ces conditions sont appliquées comme des conditions aux limites de
Dirichlet et / ou des conditions aux limites de Neumann. Dans les conditions de Dirichlet, la
valeur de la fonction est connue à la limite. Dans le cas des conditions de Neumann c‟est le
gradient normal de la fonction qui est connu.
2.4.2. Méthode des éléments finis (MEF)
La première étape de la résolution d‟un problème électrostatique par la MEF est
l‟obtention de la formulation variationnelle du problème.
La résolution de l'équation de Laplace revient à minimiser une fonctionnelle, correspondant à
l'énergie électrostatique emmagasinée dans l'espace. La relation entre la capacité C et
l‟énergie W est donnée par l‟équation :
2
2
WC
V
(2-25)
De même on peut écrire l‟énergie totale W, en fonction du champ électrique . La
détermination du champ permet le calcul de l‟énergie W et par conséquent la détermination
de la capacité C.
L‟énergie électrostatique peut être calculée à partir des valeurs des dérivées du potentiel V
dans toute la région d‟étude, à l‟aide de l‟équation :
Chapitre 2 Modèle de propagation filaire
56
1 12 .2 2
W d V Vd (2-26)
La deuxième étape de la résolution consiste en la discrétisation du domaine d‟étude Ω en sous
domaines. C‟est le maillage. Les éléments géométriques de ce maillage sont appelés mailles.
Ensuite, il faut choisir une famille de champs locaux, c'est-à-dire à la fois les degrés de liberté
(DL) dans les éléments et les fonctions d‟interpolations qui définissent le champ local. La
maille complétée par ces informations est appelée élément fini.
2.4.3. Modélisation éléments finis sous ANSYS®
Pour la modélisation numérique de nos structures, nous avons utilisé le logiciel de
simulation MEF ANSYS®
. Le logiciel ANSYS®
est un simulateur par éléments finis, multi-
physique (problèmes d‟électromagnétisme, de mécanique, de thermique,…etc.) ; il existe des
modules pour chaque domaine physique incluant des fonctions spécifiques au domaine. Dans
notre cas, nous avons utilisé le module Électrostatique.
Chapitre 2 Modèle de propagation filaire
57
2.4.4. Application de la MEF pour des défauts de câblage
Afin de modéliser des défauts de câblage, la ligne bifilaire illustrée dans la Figure 2.3 est
considérée comme exemple.
L‟impédance caractéristique du câble bifilaire sans défaut (sain) peut être déterminée de deux
façons:
Figure 2.13: les différentes étapes de modélisation par ANSYS®
Préprocesseur
Solution
Post-processeur
Définition du domaine physique
Définition des types d‟éléments utilisés
Définition des propriétés physiques des
matériaux
Création de la géométrie
Attribution des matériaux aux différentes entités
géométriques
Maillage du domaine d‟étude
Application des sources (Tension V)
Application des conditions aux limites
Résolution du problème
Affichage des résultats
Calcul des grandeurs désirées, C.
Création des fichiers de sortie
Chapitre 2 Modèle de propagation filaire
58
- Solution analytique
Nous avons vu dans la section (2.3.2.2) dans ce chapitre, que la valeur analytique de
l‟impédance caractéristique de la ligne bifilaire de la Figure (2.3) est 79,69 ohms.
- Solution numérique
Dans un premier temps la méthode EF est utilisée pour calculer l‟impédance
caractéristique du câble sain (sans défauts). Ceci permet de valider la mise en œuvre de la
MEF (logiciel ANSYS®
) sur un cas où l‟on dispose d‟une solution de référence. Ensuite la
MEF est utilisé pour déterminer les caractéristiques de défauts de câblage les plus familiers.
Nous avons maillé la structure avec des éléments triangulaires du premier ordre. Dans la
modélisation par éléments finis, la taille des éléments a une importance capitale. La précision
de la simulation est liée au nombre d‟éléments.
La Figure 2.14 montre une coupe 2D de la ligne bifilaire à étudier :
Figure 2.14 : Vue en coupe d’une ligne bifilaire (a) sans défauts et le maillage du domaine d’étude (b)
(a) (b)
Figure 2.15 : Direction du champ électrique (a) et la distribution du potentiel (b)
(a) (b)
Chapitre 2 Modèle de propagation filaire
59
2.4.4.1. L’impédance caractéristique de la ligne bifilaire avec la MEF
Le calcul de l‟impédance caractéristique d‟une ligne bifilaire peut se limiter au calcul de la
capacité. L‟expression de l‟impédance devient donc :
0
0
1
CCcZ
(2-27)
où c est la vitesse de propagation dans le vide, c = 3x108 m/s et C0 la capacité par unité de
longueur en absence du diélectrique. Il faut juste calculer la capacité en deux étapes ; avec le
diélectrique et sans le diélectrique en utilisant l‟équation [POZA 98] :
V
QC
(2-28)
où Q est la charge par unité de longueur et V le potentiel du conducteur. La charge Q est
calculée en utilisant la loi de Gauss.
L'impédance caractéristique ainsi calculée est de 78,63 ohms ce qui est proche de la valeur
analytique de 79,69 ohms, La valeur de l‟impédance trouvée avec une autre méthode
numérique (différence finies) est 81,85 ohms [GRIF 06]. La petite différence entre ces deux
valeurs (MEF et Analytique) est probablement due aux maillages.
2.4.4.2. Modélisation de différents types de défauts
Les défauts de câblage de type « changement d‟impédance » (ou non francs ou “Soft fault”
en anglais), sont un petit endommagement de l'isolant ou du conducteur. Ils sont généralement
causés par le vieillissement, le frottement contre d‟autres fils ou structures, ou bien encore par
des dégâts provoqués par entretien. Avec le vieillissement des câbles, l'isolant peut devenir
cassant et se fissurer facilement. Lorsque les câbles frottent contre une surface rugueuse,
l'isolant peut être coupé ou endommagé. L'humidité détériore également l'isolation et dégrade
les performances des câbles.
La gravité d‟un défaut dépend de plusieurs facteurs : la quantité d‟isolant endommagé, les
conducteurs endommagés, la présence d'humidité, et la longueur du défaut. L‟effet de la
longueur d‟un défaut sur la détection sera détaillé dans la prochaine partie. La Figure 2.16,
montre des vues en coupe et sections maillées EF des différents exemples de défauts qui
peuvent affecter une ligne bifilaire.
Chapitre 2 Modèle de propagation filaire
60
Coupure de 0,45 mm. Maillage du domaine
(b)
Coupure de 0,76 mm le conducteur n‟est pas
endommagé. Maillage du domaine (c)
Coupure de 0,76 mm le conducteur n‟est pas
endommagé. Maillage du domaine d‟étude (e)
Coupure de 1,26 mm. Maillage du domaine
d‟étude (g)
Eau autour du deuxième conducteur dénudé. Maillage du domaine
d‟étude (h)
Absence de l‟isolant. Maillage du domaine
d‟étude (f)
Coupure de 0,45 mm. Maillage du domaine
(d)
Figure 2.16 : Les différents types de défauts
Chapitre 2 Modèle de propagation filaire
61
Tableau 2.2 : Capacité linéique, Impédance caractéristique et coefficient de réflexion des défauts
Défauts Capacité
pF/mètre
Impédance
caractéristique (Ω)
Coefficient de
réflexion ( )
(a) Sans défauts 64,21 78,63 0
(b) Coupure de 0,45 mm à coté 64,19 78,64 0,000063
(c) Coupure de 0,76 mm à coté 63,88 78,86 0,0015
(d) Coupure de 0,45 mm en haut 64,08 78,70 0,00044
(e) Coupure de 0,76 mm en haut 63,48 79,07 0,0028
(f) Absence de l‟isolant 45,34 93,58 0,0868
(g) Coupure de 1,26 mm 63,12 79,45 0,0052
(h) Eau autour du conducteur 249,6 27,14 -0,235
Court circuit -1
Circuit ouvert 1
Le Tableau 2.2 montre que, pour tous les défauts d‟isolation (coupures dans le diélectrique),
le changement d‟impédance est inférieur à 1%, ce qui fait un coefficient de réflexion très
faible.
Ceci rend la détection difficile dans des conditions réelles en présence de bruit. Les plus
grands coefficients de réflexion sont dus à l‟isolation du diélectrique du deuxième conducteur
et à la présence de l‟eau sur le deuxième conducteur isolé. Pour le premier défaut le
changement d‟impédance est à peu près de 50 ohms, c'est-à-dire 63%.
Quand il n‟y a pas de diélectrique sur le deuxième conducteur (εr = 1), le champ électrique est
important, ce qui fait une impédance très grande.
Pour bien comprendre ces résultats de calcul par MEF (validation), on considère l‟équation
(2-29), pour le calcul de l‟impédance d‟une ligne bifilaire [ULAB 99].
)ln(120
0a
dZ
r
(2-29)
Cette équation considère que les deux conducteurs sont entourés par un isolant qui est présent
tout autour de la région de simulation, comme montre la Figure 2.17.
Figure 2.17 : L’absence du diélectrique
Conducteurs
Isolant
Chapitre 2 Modèle de propagation filaire
62
À partir de l‟équation (2-30) et sachant que εr = 4, on obtient :
Z0air = 2.Z0PVC (2-30)
où Z0air est l‟impédance caractéristique de l‟espace libre, et Z0PVC est l‟impédance
caractéristique quand εr=4.
L‟impédance calculée en utilisant la MEF (avec εr = 1 de l‟air) est égale à 142,9 ohms, et
comme εr = 4 pour le diélectrique on obtient une impédance de 71,41 ohms. Donc la valeur
obtenue par l‟équation (2-30) et celle calculé par la MEF sont très proches.
En présence d‟humidité (l‟épaisseur de la couche d‟eau est 0,025 mm), la valeur de
l‟impédance est due à la permittivité de l‟eau εr = 80.
2.4.5. Analyse d’une ligne avec un défaut
Dans un premier temps on analyse une ligne présentant un défaut (non franc) représenté
par un changement d‟impédance. L‟impédance caractéristique de la ligne est 50 ohms, et
l‟impédance du défaut est de 25 ohms. La longueur de la ligne est 1 mètre ce qui correspond
en termes de la méthode FDTD à 200 nœuds, et le défaut = 5 cm équivalent à 10 nœuds, la
Figure 2.18.
Avant de simuler cette configuration, il est nécessaire de comprendre le défaut et sa réponse
au signal incident. La Figure 2.19 montre le défaut et les réflexions multiples.
V incident
Vtransmise Vréfléchie
Défaut ZC ZD
ZC = 50 Ω ZD
l = 1 mètre
0,30 m 0,25 m
Figure 2.18 : Câble avec un défaut et les impédances qui correspondent.
Interface -1- Interface -2-
Figure 2.19 : Réflexions multiples dans le défaut
Chapitre 2 Modèle de propagation filaire
63
A chaque interface il y a un changement d'impédance. À l'interface -1- le signal incident
"observe" un changement d'impédance (Zc à ZD) et se réfléchie. En utilisant l'équation (2-31)
et (2-32), le coefficient de réflexion et la tension réfléchit sont calculés. Une fraction du signal
se propage à travers le défaut avec un coefficient de transmission (T ) donnée par l‟expression
(2-33).
réfléchit
incident
V
V (2-31)
D C
D C
Z Z
Z Z
(2-32)
1T (2-33)
Le signal transmis à travers le défaut est donné par l‟équation :
transmise incidentV V T (2-34)
Vtransmise se propage à travers le défaut et atteint l‟interface -2-, où il « observe » également un
changement d'impédance (ZDéfaut à Zc), et se réfléchit. De multiples réflexions se produisent
ensuite au sein du défaut. La longueur du défaut est un facteur très important dans la forme de
la réponse. Pour les défauts de petite longueur, un phénomène de recouvrements (overlapping
en anglais) entre la réflexion principale et les réflexions secondaires et les transmissions peut
s‟observer.
Utilisant les équations (2-32), (2-33) et (2-34) et la Figure 2.19 nous pouvons tracer le
diagramme de ce modèle, Figure 2.20.
Vi=1
-0.333
0.296
0.667
0.221
0.073
0.8893
Interface-1- Interface-2-
Figure 2.20: Diagramme des réflexions multiples de la ligne de transmission de la figure 3.7
Chapitre 2 Modèle de propagation filaire
64
Les Figures 2.21.a et 2.21.b représentent respectivement la réponse de la ligne de la Figure
3.7 avec un défaut de 25 ohms, et un défaut avec des impédances variables. Dans la première
Figure on voit clairement l‟effet des deux interfaces sur la réponse. La première réponse
(interface -1-) à un signe négatif dû au coefficient de réflexion (Zc > ZD). Quant la deuxième
réponse (interface -2-) le coefficient de réflexion est positif (ZD < Zc). La deuxième Figure
(2.21.b) illustre ce phénomène clairement.
2.4.6. Analyse d’une ligne avec deux défauts
Une autre configuration impliquant deux défauts non francs est considérée (Figure 2.22) :
la ligne a une longueur 1,66m, une impédance de 50 ohms et est affectée par deux défauts
d‟impédance 25 ohms. Afin de valider nos résultats de simulation, nous traçons d‟abord le
diagramme des réflexions sur les différentes interfaces des défauts (Figure 2.22 et 2.23) puis
nous le comparons avec la réponse de la ligne utilisant la FDTD.
Figure 2.21.a : Réponse de la ligne avec un
défaut de 25 ohms.
Figure 2.21.b : Réponse de la ligne avec un
défaut de différentes valeurs d’impédance.
Figure 2.22 : Câble avec deux défauts et les impédances correspondantes.
ZC = 25 Ω ZD = 25 Ω
ZC = 50 Ω
l = 1,66 mètre
Chapitre 2 Modèle de propagation filaire
65
Vi=1
-0,333
0,296
-0,2307
0,2006
0,0974
0,667
0,221
0,073
0,8893
-0,296
-0,173
0,057
0,1505
0,0501
0,01668
0,1959
0,1974
0,01011
0,084
0,593
0,197
0,198
0,065
0,7904
Sortie
Adaptée
Interface -1- Interface -2- Interface -3- Interface -4-
Source
-1/3 1/3 -1/3 1/3 -1/3 1/3 -1/3 1/3
50 Ω 25 Ω 50 Ω 25 Ω 50 Ω
Figure 2.23 : Coefficients de réflexion à chaque interface dus aux défauts.
Figure 2.24 : Diagramme des réflexions multiples sur la ligne de transmission.
Chapitre 2 Modèle de propagation filaire
66
Premier Défaut Deuxième Défaut
La Figure 2.25 montre l‟effet des défauts sur la réponse de la ligne. Les positions et
amplitudes des pics représentatifs des défauts correspondent bien à ceux du diagramme des
réflexions.
2.5. Multiconducteurs
2.5.1. Définitions
Les lignes multifilaires sont composées de N fils et d‟une référence, séparés par un
diélectrique, Figure 2.26.
Figure 2.25 : Réponse de la ligne avec deux défauts de 25 Ohms.
Figure 2.26. Exemple de ligne multifilaire
Chapitre 2 Modèle de propagation filaire
67
2.5.2. Méthodes classiques de simulation des lignes multifilaires
Il existe deux grandes méthodes de simulation des lignes et des câbles multifilaires en
régime transitoire. On distingue d'une part, les méthodes temporelles dans lesquelles on
discrétise les équations de propagation pour obtenir des équations algébriques plus simples à
résoudre et d'autre part, les méthodes fréquentielles qui utilisent la transformation de Fourier
ou de Laplace à l'aide des techniques telles que la convolution, l'échantillonnage des fonctions
et, l'utilisation de la transformée en z. Dans les premières, il est aisé de prendre en compte les
éléments non linéaires mais, on y maîtrise mal la prise en compte de la variation fréquentielle
des paramètres. Par contre, dans les transformations de type intégral, on peut tenir compte des
variations fréquentielles des paramètres alors que les non linéarités n'y sont pas admises. Le
passage du domaine fréquentiel au domaine temporel peut se faire à l'aide de la transformée
inverse de Laplace [AHME 94] ou par l'utilisation du théorème de convolution.
Parmi les méthodes temporelles existantes, nous citons les méthodes basées sur le formalisme
des variables d‟état [PAUL 94] (voir annexe). Dans notre étude, la méthode des différences
finies dans le domaine temporel à été choisie. Mais avant de présenter la solution adoptée,
nous rappelons le modèle des lignes multifilaires.
2.5.3. Propagation sur une ligne multifilaire
La condition d‟homogénéité des conducteurs permet de procéder à un découpage de la
ligne suivant l‟axe de propagation z. Il est ainsi possible de discrétiser la structure d‟étude en
mailles élémentaires de longueur Δz. Le schéma équivalent d‟une telle maille doit prendre en
compte les différents paramètres linéiques pour un ensemble de (N+1) conducteurs. On
aboutit alors à la modélisation suivante :
Figure 2.27. Schéma électrique équivalent d’une ligne de transmission multifilaire à (N + 1)
conducteurs
z
+
-
I1(z,t)
L11Δz
L12Δz
C11Δz
z + Δz Δz
V2(z,t)
V1(z,t)
I2(z,t)
LNNΔz IN(z,t) IN(z + Δz,t)
I2(z + Δz,t)
I1(z + Δz,t)
V2(z+ Δz,t)
V1(z+ Δz,t)
+
+
-
+
L22Δz
R1Δz
R2Δz
RNΔz
G11Δz
G12Δz
C12Δz
C22Δz
G22Δz
Chapitre 2 Modèle de propagation filaire
68
Appliquant les lois de circuit sur le schéma équivalent de la Figure 2.27, on obtient :
1 2
1 1 1 1 11 12 1
( , ) ( , )( , ) ( , )( , ) ( , ) ( , ) i N
i N
I z t I z tI z t I z tV z t R zI z t V z z t L z L z L z L z
t t t t
(2-35)
1 1 11 1 12 1 2 11 1
12 1 2
( , ) ( , ) ( , ) ( ( , ) ( , )) ( ( , ) ( , )) ( , )
( ( , ) ( , )) ( ( , ) ( , ))
in i n
iN i N
I z z t I z t G zV z t G z V z t V z t G z V z t V z t C z V z tt
C z V z t V z t C z V z t V z tt t
(2-36)
A partir des équations (2-35) et (2-36) et en prenant la limite Δz→0, on obtient les équations
différentielles décrivant l‟évolution de la tension et du courant le long de la ligne de
transmission multiconducteurs :
[ ( , )] -[ ][ ( , )]-[ ] [ ( , )]V z t R I z t L I z tz t
(2-37)
[ ( , )] -[ ][ ( , )]-[ ] [ ( , )]I z t G V z t C V z tz t
(2-38)
Nous définissons les matrices suivantes :
1
2
( , )
( , )
.[ ( , )]
( , )
.
( , )
i
N
V z t
V z t
V z tV z t
V z t
1
2
( , )
( , )
.[ ( , )]
( , )
.
( , )
i
N
I z t
I z t
I z tI z t
I z t
11 12 1 1
21 22 2 2
1 2
1 2
[ ]
i N
i N
i i ii iN
N N Ni NN
R R R R
R R R R
RR R R R
R R R R
11 12 1 1
21 22 2 2
1 2
1 2
[ ]
i N
i N
i i ii iN
N N Ni NN
L L L L
L L L L
LL L L L
L L L L
11 12 1 1
21 22 2 2
1 2
1 2
[ ]
i N
i N
i i ii iN
N N Ni NN
C C C C
C C C C
CC C C C
C C C C
11 12 1 1
21 22 2 2
1 2
1 2
[ ]
i N
i N
i i ii iN
N N Ni NN
G G G G
G G G G
GG G G G
G G G G
où [R], [L], [C] et [G] sont les matrices de dimension (NxN) des paramètres par unité de
longueur, représentant la résistance, l‟inductance, la capacité et la conductance
respectivement. Elles contiennent implicitement toutes les informations concernant la section
transverse qui permet de caractériser une structure multiconductrice. Les coefficients de ces
Chapitre 2 Modèle de propagation filaire
69
différentes matrices sont obtenus, soit par des formules simples, soit par des méthodes de
calcul plus ou moins complexes.
[V(z,t)] et [I(z,t)] représentent respectivement le vecteur colonne des N tensions le long des
différentes lignes par rapport au conducteur de référence, et le vecteur courant des N
conducteurs. Comme le conducteur de référence constitue le conducteur « de retour », il n‟est
pas calculé car il est égal, au signe près, à la somme des courants sur les autres fils (les
conducteurs « d‟aller »).
Les éléments L et C sont déterminés par la résolution de l‟équation de Laplace ou de Poisson.
Dans la littérature [PAUL 94], des formules analytiques sont établies dans le cas d‟un
diélectrique homogène et isotrope.
Dans les matrices des capacités et inductances, les termes Cij, Lij avec i ≠ j représentent les
capacités et inductances mutuelles entre les conducteurs i et j. Les termes de la diagonale Cii
et Lii modélisent les capacités et inductances propres du conducteur i par rapport à un plan de
référence. Avec i = 1,2,..i,..,N et j = 1,2,..,i,..,N.
La matrice [L] traduit le flux magnétique total par unité de longueur traversant le circuit formé
par une ligne et la ligne de référence.
Dans un milieu diélectrique homogène et pour un mode de propagation quasi-TEM, la matrice
des inductances [L] et la matrice des capacités [C] sont liées par la relation [PAUL 94] :
[ ][ ] [ ]L C I (2-39)
où μ est la perméabilité du milieu, ε sa permittivité et [I] est la matrice d‟identité. Cette
relation nous permet de déduire la matrice des inductances de la matrice des capacités ou
l‟inverse.
2.5.4. Solution numérique
Afin de transformer ces équations différentielles (2-37) et (2-38) en équations algébriques,
nous utilisons la méthode des différences finies dans le domaine temporel. La discrétisation
aux différences centrées de ces équations aux dérivées partielles temporelles nous donne :
(2-40)
(2-41)
1 1 3/2 1/2 3/2 1/2
1 [ ] [ ] 02
n n n n n n
k k k k k kV V I I I I
L Rz t
1/2 1/2 1 1
1 [ ] [ ] 02
n n n n n n
k k k k k kI I V V V V
C Gz t
Chapitre 2 Modèle de propagation filaire
70
Dans le cas sans pertes où R = G ≈ 0, on obtient les équations récurrentes :
(2-42)
(2-43)
(2-44)
(2-45)
2.5.4.1. Distribution des paramètres linéiques
La description d‟une ligne de transmission non uniforme nécessite une connaissance
précise de la variation de la position des conducteurs le long de l‟axe z. En pratique, dans le
cas de torons industriels, la position de chaque conducteur n‟est pas connue précisément
(torons aéronautiques, automobiles) ; elle est liée au procédé de fabrication.
On trouve dans la littérature deux méthodes de génération de torons basées soit sur un
principe fractal de découpage entre deux extrémités [SALI 99], soit sur le déplacement des
fils dans une grille ou sur un principe de détermination de zones de voisinage pour placer les
câbles [RIBI 01]. Ces approches donnent des structures de câbles assez rigides et semblent
avoir des problèmes de convergence pour un grand nombre de fils et des écartements réduits
entre fils.
3/2 1/2 1 11 1[ ]
n n n nI I V Vk k k kL
t z
1 1/2 1/21 1[ ]
n n n nV V I Ik k k kC
t z
3/2 1/2 1 1 1[ ]1
tn n n nI I L V Vnk k kz
1 1 1/2 1/2[ ]1
tn n n nV V C I Ik k k kz
Figure 2.28. Paramètres propres et mutuels de deux conducteurs au-dessus d’un plan de masse
Chapitre 2 Modèle de propagation filaire
71
2.5.4.2. Modélisation du torsadage des conducteurs
L'utilisation de la théorie des lignes de transmission suppose que les lignes soient
uniformes. Or il apparaît que la grande majorité des câbles utilisés dans l‟automobile [OLIV
06] est composée de paires torsadées. Ainsi, la hauteur des conducteurs par rapport au plan de
référence varie et les paramètres impédance et admittance évoluent en conséquence. Aussi, les
lignes ne peuvent plus être considérées comme uniformes et les équations énoncées en (2-33)
et (2-34) ne sont plus applicables.
Une technique de prise en compte des torsades tout en conservant une approche par la théorie
des lignes de transmission consiste à modéliser une ligne torsadée par une succession de
lignes uniformes. Cette technique de modélisation utilisée dans [PAUL 79] utilise la théorie
des lignes de transmission uniformes. La ligne torsadée est supposée constituée d'une cascade
de cellules élémentaires de longueur P, situées dans un plan vertical. Chaque cellule
correspond à une torsade.
La Figure 2.29 représente le principe de cette approche. Une torsade est décomposée en
sections élémentaires notées Si.
Dans le code de calcul mis en œuvre pour notre étude, chaque section élémentaire Si peut être
considéré comme une ligne multifilaire de longueur correspondant à la longueur une torsade P
divisée par le nombre de discrétisation possible N, Si = P/N, et composée de deux conducteurs
parallèles.
Néanmoins, pour des lignes de longueur importante, le nombre de cellules devient important
et les temps de calcul engendrés prohibitifs. C'est pourquoi nous modélisons une ligne
torsadée suivant un nombre déterminé de cellules (une vingtaine), et en déduisons des
paramètres linéiques moyens. Ceux-ci sont ensuite utilisés comme valeur moyenne pour une
ligne homogène de longueur quelconque.
Figure 2.29 : Discrétisation d’une paire torsadée
P
Si
Source Charge
Chapitre 2 Modèle de propagation filaire
72
2.5.5. Réflectométrie des lignes multifilaires
2.5.5.1. Description du dispositif expérimental
Nous décrivons dans cette section les moyens expérimentaux mis en œuvre permettant de
valider notre modèle direct. Pour les mesures effectuées au LGEP : nous disposons
essentiellement de câbles blindés (sans perte) d‟impédance caractéristique de 50 ohms et de
longueurs différentes, de connecteurs pour les court-circuits, circuit ouverts et charges
adaptées (50 ohms) et d‟un analyseur de réseau vectoriel (VNA) pour la réalisation des
mesures des réflectogrammes. L‟analyseur utilisé est ANRITSUMS2024. Cet analyseur
fonctionne sur la plage de fréquences [660 kHz – 4 GHz] avec un balayage de 551 points de
fréquence, ce qui est amplement suffisant pour nos mesures. L‟impédance d‟entrée de
l‟analyseur est 50 ohms.
L‟ensemble est commandé par un PC et par le logiciel LabView. L‟analyseur génère une
tension sinusoïdale à la fréquence voulue grâce à son oscillateur interne. L‟onde se propage
sur la ligne et se réfléchit. Au niveau du port 1, un coupleur directionnel permet de mesurer le
signal réfléchi (Paramètre S11) sans que celui-ci ne soit perturbé par le signal émis par
l‟oscillateur. Le schéma de Figure 2.30 montre ces différents dispositifs expérimentaux.
À partir du coefficient de réflexion fréquentiel et en utilisant la transformée de Fourier
inverse, on obtient la réponse temporelle, équation 2-46. Cette réponse temporelle sera filtrée
avec un filtre passe bas et ensuite corrélée avec la même forme d‟onde d‟excitation que celle
utilisée dans les simulations.
1( ) ( )
2
i tX t X e d
(2-46)
X(t) : réponse temporelle, et X(ω) : réponse fréquentielle.
Réseau de câblage
Analyseur de réseau vectoriel
PC
Figure 2.30: Schéma de dispositif de mesure
Entrée
L1
L2
L3
L4
J
Chapitre 2 Modèle de propagation filaire
73
Afin de tracer la réponse temporelle ou le réflectogramme on a besoin de connaitre la vitesse
de propagation dans les câbles. Cette vitesse peut être soit calculée analytiquement (si on
connaît les paramètres électriques de la ligne, L et C), soit donnée par le constructeur, ou être
mesurée expérimentalement.
2.5.5.2. Paires torsadées simples
Afin de valider notre modèle pour des lignes multifilaires, nous nous sommes d‟abord
intéressés à un cas simple d‟une paire torsadée (Twisted Wire Pair « TWP »). Cette
configuration est en fait une ligne de transmission simple.
Dans nos simulations, nous supposons que la paire torsadée est parfaite, c'est-à-dire que la
distance entre les deux conducteurs le long de la ligne est fixe.
La Figure 2.31 montre un exemple d‟une paire torsadée d‟impédance caractéristique de 120
ohms, de longueur 1 mètre. Cette longueur, relativement courte, a été choisie de manière à
pouvoir ensuite valider les résultats théoriques grâce à des expérimentations. La ligne est
chargée par une impédance de 50 ohms à l‟entrée, et par un circuit ouvert à l‟autre extrémité.
Dans ce cas, le deuxième conducteur de la paire est considéré comme l‟élément de référence,
pour cela, la configuration est considéré comme une ligne simple et modélises par la Figure
2.32.
Résultats expérimentaux
Les paramètres de la ligne sont calculés pour les caractéristiques suivantes : a = 0,51 mm,
d = 1,17 mm
Figure 2.31 : Schéma d’une paire torsadée
Figure 2.32: Modèle équivalent de la paire torsadée
Circuit
ouvert
50Ω
50Ω 1 mètre
~
Paire torsadée
50Ω
50Ω ~
Ω
I(z,t) I(z+Δz,t) L.Δz
C. Δz V(z,t)
z z+Δz
+
-
+
-
V(z+Δz,t)
Chapitre 2 Modèle de propagation filaire
74
Les valeurs de L et C sont calculées en utilisant les expressions décrites dans (2-12) et (2-13) :
C = 47,23 pF/m et L = 0,58µH/m
La Figure suivante présente les résultats de la mesure et de la simulation pour le
réflectogramme de la paire torsadée de la Figure 2.31.
La Figure 2.33 montre une bonne similitude entre le réflectogramme fourni par le modèle
FDTD et celui mesuré. Les différences entre les mesures et les simulations sont dues d‟une
part au fait que la distance entre les deux conducteurs n‟est pas tout à fait constante le long de
la ligne, et d‟autre part à la variation de la vitesse de progation en fonction de la fréquence.
Les résultats restent cependant satisfaisants.
A la distance 0 mètre nous remarquons une réflexion d‟amplitude d‟environ 0,4. Ce pic n‟est
autre qu‟une réflexion due à la désadaptation entre l‟impédance caractéristique de la ligne
(120 ohms) et l‟impédance d‟entrée de l‟analyseur (50 ohms), comme le montre l‟équation :
120 500,41
120 50
2.5.5.3. Paire torsadée au dessus d’un plan de masse
En deuxième configuration, nous utilisons la même paire torsadée présentée précédemment,
mais cette fois en présence d‟un plan de masse, Figure 2.34. Dans ce cas la paire torsadée est
considérée multifilaire (Multi-Transmission Line « MTL »).
0 0.5 1 1.5 2 2.5 3 3.5 4-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Distance(m)
Am
pli
tud
e
Mesure -TWP-
Simulation -TWP-
Figure 2.33: Réflectogrammes correspondant à une paire torsadée
chargée par un circuit ouvert.
Chapitre 2 Modèle de propagation filaire
75
Il s‟agit de la même configuration que celle présentée dans le premier exemple. La différence
ici est que la référence est le plan de masse au lieu du deuxième conducteur.
La hauteur h de la paire au dessus du plan de masse est définie comme étant la distance entre
la tangente au fil le plus proche du plan, et ce plan.
Dans ce cas, la paire est discrétisée en cellule de longueur P = 5 cm. Chaque cellule P est
divisée en sections Si, Figure 2.35.
Afin de calculer les paramètres linéiques de la paire torsadée, il suffit de les calculer pour les
trois positions (S1, S2, et S3), Figure 2.36.
Les expressions analytiques des paramètres linéiques de chaque position sont données :
0 1 221 12
4ln 1 H/m
4
h hL L
D
12 21
1 2
4F/m
4ln 1
C Ch h
D
11 22
1,2
2F/m
2ln
C Ch
d
1,2011 22
2ln H/m
2
hL L
d
Figure 2.34: Schéma d’une paire torsadée au dessus d’un plan de masse
Figure 2.35: Schéma de discrétisation d’une torsade
Figure 2.36: Vue en coupe des trois sections dans une demi-torsade
S3 S2 S1
p
S1 S2 S3
a
d
h2 h1
Circuit
ouvert
Δ
50 Ω p
50 Ω
1 mètre
h = 5cm ~
Chapitre 2 Modèle de propagation filaire
76
Afin de calculer les paramètres linéiques dans les trois positions de la paire torsadée, nous
faisons l‟approximation des hauteurs h2 =6 cm et h1 = 6 cm dans les positions S2 et S1
respectivement.
Nous pouvons écrire les équations suivantes qui vont nous permettre de simuler la
propagation :
11/2 1/2
1 11 12 1 1 1
1/2 1/221 222 2 2 2
( 1/ 2) ( 1) ( ) ( 1/ 2)
( 1/ 2) ( 1) ( ) ( 1/ 2)
n n n n
n n n n
I z L L V z V z I zt
L LzI z V z V z I z
11 1/2 1/2
1 11 12 1 1 1
1 1/2 1/221 222 2 2 2
( ) ( 1/ 2) ( 1/ 2) ( )
( ) ( 1/ 2) ( 1/ 2) ( )
n n n n
n n n n
V z C C I z I z V zt
C CzV z I z I z V z
Résultats expérimentaux
Nous réalisons les mêmes mesures que l‟exemple précédent, dans une bande de fréquences
s‟étendant de 2 MHz à 2 GHz. La paire torsadée est de 1 m de longueur. La source (VNA) a
une impédance d‟entrée de 50 ohms.
Sur la Figure 2.37, nous comparons le réflectogramme obtenu par simulation avec celui
mesuré. Nous pouvons noter la bonne concordance entre les deux réponses pour les positions
des pics et les amplitudes. Pour la première réflexion à 0 mètre, nous faisons la même
remarque que précédemment. Nous observons qu‟entre 0 mètre et L = 1 mètre des oscillations
ou des réflexions sont dues aux variations d‟impédance le long de la ligne. Les variations
entre les pics significatifs de la réponse (à 0 mètre, 1 mètre, 2 mètre et 3 mètre) peuvent
Figure 2.37: Réflectogrammes correspondant à une paire torsadée
chargée par un circuit ouvert.
0 0.5 1 1.5 2 2.5 3 3.5 4-0.4
-0.2
0
0.2
0.4
0.6
0.8
11
Distance(m)
Am
pli
tud
e
Mesure-MTL-
Simulation-MTL-
Chapitre 2 Modèle de propagation filaire
77
s‟expliquer comme nous l‟avons signalé précédemment, par la difficulté de prendre en compte
des variations d‟écartement entre les fils tout le long de la ligne.
2.5.5.4. Trois fils torsadés
Afin de poursuivre nos validations, nous passons à des configurations plus complexes.
Pour cela nous considérons tout d‟abord la configuration de la Figure 2.38.
En pratique, les fils au sein d‟un toron d‟un véhicule ne sont jamais parallèles entre eux,
surtout si la longueur du toron est importante. Pour formuler et résoudre les équations de
propagation le long des lignes non uniformes, diverses méthodes sont proposées dans la
littérature [KOBA 82] [GRIV 00]. Cependant, ces techniques sont lourdes de mise en œuvre
lorsque le nombre de conducteurs devient important et sont difficilement applicables au cas
d‟un toron très complexe [CAST 02]. Nous avons choisi de simuler une ligne non uniforme
en le considérant comme une mise en cascade de petits tronçons de fils uniformes. Nous
supposons aussi que la position relative des conducteurs au sein d‟une ligne multifilaire varie
régulièrement d‟une section Si à une autre Si+1. Toutes les sections sont interconnectées entre
eux par des jonctions idéales.
À titre d‟exemple, nous allons appliquer notre modèle direct sur une ligne multifilaire (trois
fils torsadés) présenté dans la Figure 2.38 (a), de 1,7 mètre de longueur, d‟impédance
caractéristique de 120 ohms, et au-dessus d‟un plan de masse d‟une hauteur de 5 cm. À
l‟entrée de la ligne, chaque conducteur est connecté au plan de masse par l‟intermédiaire
d‟une résistance de 50 ohms. L‟autre extrémité est chargée par un circuit ouvert.
Afin de modéliser la propagation, nous appliquons la méthode de discrétisation décrite
précédemment, Figure 2.38 (b). La ligne est divisée on cellules de longueur P = 5 cm, chaque
tronçon est discrétisé en sections de longueur Δ = 0,27 cm.
Figure 2.38: (a) Schéma des trois fils torsadés, (b) discrétisation en sections multifilaires
uniforme, (c) géométrie de la ligne trifilaire, et (d) maillage éléments finis de la structure.
(a)
D10
D20 D30 h3
h1
h2
(b) (c) (d)
Circuit
ouvert
Δ
5 cm 50Ω p
50Ω
1,7 mètre
~
Δ
p
S1 S2
S3
Chapitre 2 Modèle de propagation filaire
78
Les paramètres linéiques de chaque section Si, i = 1, 2, 3, sont calculés analytiquement, Figure
2.38 (c), soit numériquement (avec la méthode des éléments finis), Figure 2.38 (d).
Des mesures ont également été effectuées sur cette configuration en mesurant le coefficient de
réflexion S11 dans le domaine fréquentiel dans une bande de fréquence allant de 200 MHz à 2
GHz.
On remarque que sur la Figure 2.39, les réflectogrammes simulées et mesurés sont en bon
accord en positions et amplitudes pour les pics significatifs : le pic de désadaptation entre
l‟impédance de la ligne et les impédances d‟entrée de 50 ohms et le pic principale dû à la
charge de la ligne (à 1,7 mètre). Nous faisons les mêmes remarques pour les oscillations entre
ces pics que précédemment.
2.5.5.5. Toron formé de 10 fils
Le toron est complexifié en augmentant le nombre de fils à 10 afin de se rapprocher d‟une
configuration automobile plus réaliste. Un exemple d‟un toron de 10 est présenté, Figure 2.40.
11 22 33
1,2,3
2F/m
2ln
C C Ch
d
1
1
1
4F/m
4ln 1
i
i
i
Ch h
D d
2
1,2,30
11 22 33 2, , ln H/m
2
hL L L
d
0 1
11
ln H/m2
i
ii
hL
h d
Figure 2.39: Réflectogrammes correspondant aux trois fils torsadés
chargés par un circuit ouvert.
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
-0.3
-0.1
0.1
0.3
0.5
0.7
0.9
1
Distance(m)
Am
pli
tud
e
Mesure
Simulation -simple-
Simulation -MTL-
Chapitre 2 Modèle de propagation filaire
79
La longueur totale du toron est 2,5 mètres. Il est chargé à l‟entrée par des impédances de 50
ohms et par un circuit ouvert à l‟autre extrémité, et a une hauteur de h = 5cm au dessus d‟un
plan de masse. La Figure suivante présente les dimensions et les caractéristiques d‟un
conducteur du toron.
Comme précédemment, la ligne non uniforme est divisée en une succession de sections
« lignes uniformes » de longueur Δ = 0,125 mètre. Mais cette fois-ci, le faisceau de câbles
est généré par une succession de sections 2D de câbles. Ces sections sont créées par une
rotation de l‟ensemble des conducteurs par un angle θ = 18° d‟une section à une autre. Le
choix du degré de rotation est déterminé en fonction du nombre de sections formant le toron
en supposant qu‟un fil effectue une rotation complète le long de la ligne, Figure 2.42.
A chaque section, les paramètres linéiques [L] et [C] sont calculés à l‟aide de la MEF. Elles
pourront ensuite être introduites dans le modèle FDTD afin de simuler la propagation le long
de la ligne.
Résultats expérimentaux
Les mesures ont été effectuées par le CEA-LIST avec un analyseur de réseau vectoriel sur
une bande de fréquences allant de 300 kHz à 500 MHz.
Rc
Rd
Rayon du conducteur : Rc = 0,5 mm
Rayon de la gaine diélectrique : Rd = 0,85 mm
Permittivité diélectrique relative de la gaine : εr = 3,5
θ=180 θ=00 θ=1800 θ=1620
…………
Figure 2.40: Toron de 10 fils
Figure 2.41: Géométrie d’un conducteur du toron
Figure 2.42: Vue en coupe des différentes sections du toron
Δ 5 cm Circuit
ouvert
50Ω
20 x 0,125 mètre = 2,5 mètre
~
Chapitre 2 Modèle de propagation filaire
80
Sur la Figure 2.43 les réflectogrammes simulé et mesuré sont représentés. On peut constater
que l‟amplitude et la position des pics significatifs sont bien restituées par la simulation. Le
premier pic à 0 mètre illustre la désadaptation entre l‟impédance d‟entrée de 50 ohms, et
l‟impédance caractéristique de la ligne. À 2,5 mètres un pic positif traduit la nature de la
charge, et la longueur de la ligne. Entre ces deux pics, nous remarquons des pics de faible
amplitude qui ne sont autres que des réflexions multiples dues aux variations d‟impédance le
long de la ligne.
2.5.5.6. Réseau en Y
Considérons maintenant la configuration montrée dans la Figure 2.44. Un réseau en Y
constitué par des paires torsadées. Les longueurs, les impédances et les charges des tronçons
secondaires sont illustrées sur la Figure ci-dessous.
Dans la Figure 2.45, nous comparons les réflectogrammes obtenus par simulation et
expérimentation de la configuration illustrée, Figure 2.44. Les mesures ont été effectuées
Figure 2.43: Réflectogrammes correspondant à un toron de 10 fils
chargée par un circuit ouvert.
Figure 2.44: Réseau en Y constitué par des paires torsadées.
L2 = 1,47 mètre
L1 = 1,2 mètre
L3 = 1,7 mètre
C.O
C.O
VNA
Chapitre 2 Modèle de propagation filaire
81
avec un analyseur de réseau vectoriel (VNA) dans une bande de fréquence entre 1 MHz et 2
GHz.
La Figure 2.45 montre le bon accord entre mesures et simulation de point de vue positions et
amplitudes des pics significatifs de la réponse. Les petits écarts entre les deux courbes sont
dus aux variations d‟impédance le long des paires torsadées à cause du mauvais torsadage de
la ligne.
2.6. Conclusion
Ce chapitre a été consacré à la présentation de la méthode adoptée pour modéliser la
propagation filaire. Le modèle proposé (pour la résolution du problème direct) utilise la
modélisation numérique basée sur la FDTD. Cette dernière permet d‟obtenir le
réflectogramme dans le domaine temporel dans des situations assez générales (ligne simple ou
réseaux, éventuellement avec multiconducteurs). Après une description de la méthode utilisée
afin de calculer les paramètres par unité de longueur constituent le modèle équivalent de la
ligne ainsi que les paramètres électriques des défauts de câblage. Nous avons présenté des
résultats expérimentaux qu‟ils ont permis de valider l‟approche directe.
Le chapitre a aussi permis de mettre en évidence la difficulté de l‟analyse d‟un
réflectogramme correspondant à un réseau filaire plus ou moins complexe. Cette difficulté est
due à la complexité de la structure du réseau et à l‟effet des réflexions multiples entre
jonctions et terminaux. Dans le chapitre suivant nous allons voir la deuxième étape de la
méthodologie proposée, qui consiste à résoudre le problème inverse.
0 1 2 3 4 5 6 7-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
Magn
itud
e
Distance (meter)
Measure
Simulation
Figure 2.45: comparaison des réflectogrammes obtenus par mesure
et simulation pour un réseau en Y constitué de paires torsadées
Chapitre 3 Méthodologie développée
82
Chapitre 3 : Méthodologie développée
3.1. Introduction ............................................................................................................................................ 83
3.2. Résolution du problème inverse ........................................................................................................... 83
3.2.1. Problème inverse ......................................................................................................................... 83
3.2.2. Inversion itérative ........................................................................................................................ 83
3.2.3. Inversion directe ........................................................................................................................... 84
3.2.4. Présentation des algorithmes d‟optimisation ................................................................................ 86
3.3. Algorithmes génétiques ......................................................................................................................... 87
3.3.1. Principes généraux ....................................................................................................................... 87
3.3.2. Historique ..................................................................................................................................... 88
3.3.3. Fonctionnement de l‟AG .............................................................................................................. 88
3.3.4. Les opérateurs génétiques fondamentaux .................................................................................... 90
3.3.5. Principaux étapes de l‟AG ........................................................................................................... 92
3.3.6. Choix des paramètres de contrôle et des conditions initiales ....................................................... 93
3.4. Inversion par réseaux de neurones ...................................................................................................... 94
3.4.1. Neurone formel ............................................................................................................................ 94
3.4.2. Réseaux de neurones artificiels MLP ........................................................................................... 96
3.4.3. Apprentissage des RN MLP ......................................................................................................... 97
3.4.4. Préparation de l‟apprentissage ..................................................................................................... 98
3.4.5. Capacité de généralisation ............................................................................................................ 99
3.5. Conclusion ............................................................................................................................................ 101
Chapitre 3 Méthodologie développée
83
Chapitre 3 : Méthodologie développée
3.1. Introduction
Dans le chapitre 2, nous avons présenté la première étape de la méthodologie de diagnostic
développée. Elle consiste à résoudre le problème direct qui permet de modéliser la
propagation filaire.
Dans ce chapitre nous allons proposer la deuxième étape de la méthode de diagnostic
développée. Elle est basée sur l‟inversion de la réponse temporelle obtenue (réflectogramme)
par le modèle direct ou mesuré, pour remonter à des informations sur l‟état du réseau de
câblage.
Afin de résoudre le problème inverse, deux méthodes sont utilisées : une inversion itérative et
une inversion directe. Le premier type d‟inversion utilise les algorithmes génétiques. La
deuxième méthode que nous proposons est basée sur l‟inversion directe de la réponse à partir
d‟un modèle inverse paramétrique. Pour réaliser ce modèle inverse, les réseaux de neurones
(RN) correspondent bien à nos attentes.
3.2. Résolution du problème inverse
3.2.1. Problème inverse
Dans ce travail de thèse, on entend par « inversion », le fait de remonter au(x)
paramètre(s) utile(s) de la cible (défauts). Ces paramètres sont, soit les longueurs des branches
et les charges des tronçons secondaire si la configuration filaires est affectée par un défaut
franc, soit l‟impédance ou le rapport (L/C), et la position du défaut s‟il est non franc, à partir
des mesures ou simulations fournies par le réseau sous test.
Les phénomènes électromagnétiques sont généralement non linéaires vis-à-vis des paramètres
physiques et géométriques de l„objet à étudier. Par conséquent, les modèles adoptés sont
généralement également non linéaires. La complexité des modèles directs fait qu‟ils sont
rarement inversibles : il n‟est pas possible d‟exprimer les paramètres en fonction du
coefficient de réflexion (réflectogramme). L‟estimation des paramètres de la ligne est alors
réalisée en insérant le modèle direct dans le processus itératif d‟inversion ou par l‟utilisation
d‟un modèle inverse.
Il existe deux grandes catégories d‟inversion : l‟inversion itérative et l‟inversion directe.
3.2.2. Inversion itérative
Cette technique nécessite l‟utilisation du modèle direct. Si la solution du modèle direct ne
peut pas être inversée de façon mathématique, ce qui est souvent le cas, elle est insérée dans
une boucle itérative. La sortie de la mesure est comparée à celle donnée par le modèle direct
Chapitre 3 Méthodologie développée
84
(Figure 3.1). Un algorithme de minimisation d‟erreur permet alors de minimiser l‟écart
(exemple : erreur quadratique moyenne (EQM)) entre le modèle direct et la mesure. Le
processus est itératif et se poursuit jusqu‟à ce qu‟un critère d‟arrêt soit satisfait. Le critère
d‟arrêt généralement utilisé est lié soit au nombre d‟itérations maximal soit au critère d‟erreur
qui doit alors être inférieur à un seuil prédéfini. Le schéma du processus d‟inversion est donné
Figure 3.1.
Une inversion itérative peut être rapide et efficace si on dispose d‟un modèle analytique.
Cependant, si le modèle analytique n‟est pas disponible, la même procédure peut être
exécutée en utilisant un modèle numérique comme modèle direct. L‟inconvénient de ce type
d‟inversion est son temps d‟exécution. En effet, un modèle numérique peut être coûteux en
calcul, et le temps mis pour un calcul dépend fortement de la complexité de la structure et de
sa taille par rapport à la longueur d‟onde du système d‟étude. Par conséquent, le temps de
résolution du problème direct peut-être très élevé. Sachant que la résolution du problème
inverse requiert la minimisation de la fonction d‟erreur entre les données mesurées et celles
calculées par le modèle, le modèle direct est sollicité plusieurs fois avant d‟atteindre la
précision demandée. De plus certaines études nécessitent de répéter plusieurs fois la
résolution du problème direct pour chaque itération pour différentes configurations (exemple :
calcul l‟impédance d‟un défaut de câblage pour plusieurs positions). Par conséquent, la
minimisation de la fonction d‟erreur doit être répétée pour chaque configuration. Ceci a pour
conséquence d‟avoir un temps d‟inversion qui devient prohibitif.
Dans notre cas nous allons utiliser, comme algorithme de minimisation, les algorithmes
génétiques à plusieurs variables pour minimiser l‟erreur entre le réflectogramme et la réponse
donnée par le modèle direct.
3.2.3. Inversion directe
Dans de rares cas, pour des problèmes dont la solution analytique est très simple, on peut
explicitement inverser le modèle direct afin d‟évaluer les paramètres recherchés. L‟absence
Système de
mesure
Algorithme de
minimisation d‟écart
Modèle direct
+ -
Paramètres
recherchés
Données
d‟observation
mesurées Écart
Estimation des
paramètres
recherchés
Données
d‟observation
calculées
Figure 3.1: Schéma du processus itératif d’inversion
Chapitre 3 Méthodologie développée
85
d‟itération dans ce cas permet d‟avoir une inversion plus rapide que celle précédemment citée.
L‟inversion se présente sous la forme symbolique suivante, Figure 3.2.
Cependant, pour la plupart des problèmes électromagnétiques, la solution analytique peut être
très difficile à obtenir, par conséquent il n‟est pas possible de faire de l‟inversion directe.
Dans ce cas, on peut cependant utiliser un modèle inverse paramétrique dont on règle les
paramètres internes à l‟aide d‟une base contenant des exemples connus de couples paramètres
recherchés-données d‟observation. La procédure est similaire à la précédente mais l‟inversion
du modèle direct est remplacée par le modèle inverse paramétrique (Figure 3.3).
Une fois ce modèle inverse établi, l‟inversion pour des données issues de la mesure peut être
très rapide car ce type d‟inversion ne fait pas appel à des itérations successives.
Comme le montre la Figure 3.4 il est difficile d‟analyser des réflectogrammes d‟un réseau
filaire sans et avec défauts. Cette difficulté est due aux réflexions multiples entre les
jonctions, les extrémités et les défauts ce qui rend l‟interprétation (identification,
caractérisation ou localisation d‟éventuels défauts) de la réponse d‟un réseau difficile ou
même impossible. La réflectométrie exploitée seule n‟est pas suffisante pour connaitre l‟état
d‟un réseau de câblage. Il nous faut une méthode afin de résoudre le problème en inverse.
Figure 3.3 : Schéma du processus d’inversion directe basé sur un modèle inverse
Système de
mesure
Modèle inverse
Paramètres
recherchés
Données
d‟observation
mesurées
Estimation des
paramètres
recherchés
Figure 3.2: Schéma du processus d’inversion directe utilisant l’inversion du modèle direct
Système de
mesure Inverse du modèle
direct
Paramètres
recherchés
Données
d‟observation
mesurées
Estimation des
paramètres
recherchés
Chapitre 3 Méthodologie développée
86
L‟algorithme d‟inversion itérative, présenté a été mis en œuvre en utilisant un modèle direct
pour prévoir les paramètres du défaut. Cet algorithme commence avec une première
estimation des défauts à partir duquel il va déterminer une nouvelle réponse. Cette réponse
(réflectogramme) est comparée à celle mesurée (ou simulée). Le principe fondamental qui
gère cet algorithme est que, si la réponse prédite est similaire à la réponse mesurée, les
paramètres du défaut correspondant est proche des paramètres désiré. Par contre, si les
réflectogrammes ne sont pas similaires, l‟erreur entre ces réflectogrammes est minimisée
itérativement par ajustement des paramètres du défaut.
3.2.4. Présentation des algorithmes d’optimisation
Avant de discuter des détails spécifiques de l'algorithme génétique (AG) et de ses
applications, nous allons tout d'abord présenter la relation entre AG et les méthodes
d'optimisation courantes et traditionnelles.
Selon la littérature [JOHN 99], nous pouvons partager les méthodes d'optimisation en deux
catégories. Celles qui permettent de déterminer un minimum local et celles qui s'efforcent de
déterminer un optimum global.
L'algorithme génétique est un algorithme d'optimisation globale au même titre que le recuit
simulé et la marche aléatoire, alors que le gradient conjugué, les méthodes de quasi-Newton
ou les méthodes de simplex sont des techniques d'optimisation locale.
Le principe d'une méthode d'optimisation locale est le suivant : à partir d'une solution de
départ x0, considérée temporairement comme étant la valeur minimale xmin, on engendre, par
transformations élémentaires, une suite finie voisine. Parmi les méthodes locales, on peut
distinguer celles qui utilisent l'évaluation d'une fonction spécifique comme les algorithmes de
Figure 3.4 : Réseau filaire complexe et sa réponse sans et avec les défauts
(a) Réseau filaire, (b) Réflectogrammes sans et avec défauts
(a) (b)
C.O
1m
0,6m
4,25m
JA
JB 1,75m
1m
2,25m C.O
C.O
C.O
Source
Défaut
Chapitre 3 Méthodologie développée
87
Nelder et Mead [NELD 65] et celles où il faut calculer la dérivée de cette fonction comme la
méthode de gradient conjugué. Leur principe est basé sur la connaissance (ou l'estimation) de
la dérivée de la fonction spécifique en chacun des points de l'espace d'état. Ces méthodes ont
pour point commun des déplacements déterministes dans l'espace d'état.
Il existe plusieurs différences entre les méthodes locales et globales :
- Le résultat d'une méthode locale dépend du point de départ ou des conditions initiales, ce
qui n'est pas le cas en théorie pour une étude globale.
- Les méthodes globales sont plus robustes face à des problèmes mal-conditionnés, en
particulier lorsque l'espace des solutions comporte des discontinuités ou des contraintes
sur les paramètres et surtout un grand nombre de minima locaux.
- Les méthodes locales sont généralement efficaces pour résoudre de façon quasi-exacte
des problèmes de petites tailles dans lesquels une solution optimale existe.
Les méthodes globales sont avantageuses pour les cas complexes (temps de calcul important,
nombreux optima locaux, fonctions non dérivables...). Elles permettent d'explorer l'espace de
recherche plus facilement.
Pour la plupart des problèmes, l'objectif est de trouver la meilleure solution. Les méthodes
globales sont particulièrement utiles lors de traitement des nouveaux problèmes dont la nature
de l'espace de solution est relativement inconnue.
Parmi les techniques d'optimisation globales, les algorithmes génétiques sont spécialement
bien adaptés à la diversité des problèmes rencontrés en électromagnétisme [HAUP 07]. Les
algorithmes génétiques sont considérablement plus efficaces et convergent de façon rapide
contrairement aux algorithmes d'optimisation bases sur la marche aléatoire ou le recuit simulé
[JOHN 99]. Ils sont facilement programmables et d'utilisation aisée.
Une comparaison qualitative des caractéristiques générales [JOHN 99] entre les méthodes des
gradients conjugues (GC), de la marche aléatoire (MA) et de l'algorithme génétique (AG) est
représentée dans le Tableau 3.1.
Tableau 3.1 : Comparaison qualitative entre les méthodes d'optimisation
GC MA AG
Optimisation globale
Vitesse de convergence
3.3. Algorithmes génétiques
3.3.1. Principes généraux
L'évolution biologique a engendré des systèmes vivants autonomes extrêmement
complexes qui peuvent résoudre des problèmes relativement difficiles, tels que l'adaptation
continuelle à un environnement complexe, incertain et en constante transformation. Pour cela,
Chapitre 3 Méthodologie développée
88
les êtres vivants supérieurs, comme les mammifères, sont pourvus de capacités inégalées de
reconnaissance de formes, d'apprentissage et d'intelligence. La grande variété des situations
auxquelles la vie s'est adaptée laisse penser que le processus de l'évolution est capable de
résoudre de nombreuses classes de problèmes. Autrement dit, il se caractérise par sa
robustesse. Les caractéristiques héréditaires d'un être vivant dépendent exclusivement de son
patrimoine génétique, ou chromosome, constitué d'un ensemble de gènes. Ceux-ci codent des
éléments du phénotype (patrimoine génétique) tels que : la couleur des yeux, la taille de ses
ailes... Ces gènes sont eux-mêmes formés de longues séquences spécifiques de quatre
nucléotides, dont le rôle est similaire à celui d'un alphabet de quatre symboles. Ainsi, il existe
une étape de décodage du chromosome pour constituer le phénotype. Ce dernier subit au
cours de la vie d'éventuelles modifications dues à l'environnement. L'évolution des êtres
vivants ne dépend principalement donc que de l'évolution de leurs chromosomes.
3.3.2. Historique
Les premiers travaux sur les algorithmes génétiques (GA) ont commencé dans les années
50 lorsque plusieurs biologistes américains ont simulé des structures biologiques sur
ordinateur. Puis, entre 1960 et 1970, Holland [HOLL 75] développa sur la base de ces travaux
les principes fondamentaux des algorithmes génétiques dans le cadre de l'optimisation
mathématique. L‟AG est la méthode la plus connue dans les méthodes évolutionnaires grâce à
sa popularisation par Holland et Goldberg [GOLD 89], mais aussi en raison de son analogie
étroite avec l'évolution des populations biologiques. En effet, les opérateurs de variation de
ces algorithmes imitent les mécanismes de recombinaison génétique que l'on trouve dans la
nature. Nous considérons essentiellement deux opérateurs principaux, à savoir le croisement
et la mutation. Les solutions sont alors caractérisées par un chromosome dont la forme varie
en fonction du type de problème considéré.
3.3.3. Fonctionnement de l’AG
L‟algorithme génétique travaille simultanément avec un ensemble de vecteurs de
paramètres. Cet ensemble forme ce qui est appelé « population d‟individus ». Au départ de
l‟algorithme, la population est aléatoire et générée dans l‟espace des solutions admissibles de
la fonction « objectif ». Ensuite, au fil des itérations de l‟algorithme, la population évolue en
gardant les meilleurs vecteurs et en renouvelant ses membres par des opérations d‟échange et
d‟introduction de matériel génétique [REEV 03]. Ces itérations sont aussi appelées des
générations.
La première étape dans le processus d'un AG consiste à définir puis à représenter (coder)
d'une façon convenable le problème. À chaque paramètre (ou variable) à optimiser xi du
problème (position ou impédance d‟un défaut), nous faisons correspondre un gène. Un
chromosome est une suite de gènes (on peut par exemple regrouper les paramètres similaires
dans un même chromosome). Chaque individu est représenté par un ensemble de
chromosomes. Nous appelons population un ensemble de N individus que nous allons faire
évoluer, Figure 3.19.
Chapitre 3 Méthodologie développée
89
a. Codage des variables
Les individus d‟un problème d'optimisation pourront être représentés par un vecteur de
paramètres réels [HAUP 04]. Toutefois, il est aussi possible d'adopter une représentation
binaire, qui consiste à intégrer les variables continues dans une chaîne binaire. Ce type de
codage permet d‟imiter avec succès les évolutions naturelles que subissent les chromosomes
des cellules biologiques (reproduction, croisement, et mutation des gènes principalement).
Chaque paramètre réel xi borné par ses contraintes de domaine [ximin, ximax], est codé dans une
chaîne binaire b0, b1,…blxi-1 définie sur lxi. On utilise habituellement un codage linéaire, de
sorte que l'on associe à la chaîne constituée uniquement de 0 (bi = 0 quelque soit i) la valeur
ximin, et à la chaîne constituée uniquement de 1 (bi = 1 quelque soit i) la valeur ximax, Pour une
configuration binaire quelconque, il existe alors une valeur entière N(xi) correspondante
définie par :
1
11
0
( ) 2xi
x
ll i
i i
i
N x b
(3-1)
L‟équation (3-1) représente le paramètre réel.
2 1xi
imax imini imin, il
x xx x N( x )
(3-2)
Ce type de codage conduit donc à discrétiser l‟espace de recherche et nécessite de fixer la
taille des chromosomes en fonction de la précision souhaitée pour chaque paramètre. Le
chromosome des individus est obtenu par concaténation de l‟ensemble des chaînes binaires
associées aux paramètres réels.
Un des avantages du codage binaire est que l'on peut ainsi facilement coder toutes sortes de
variables à optimiser : des réels, des entiers, des chaines de caractères,... Il permet également
de créer les opérateurs de croisement et de mutation simple.
Dés que les longueurs des codages binaires sont choisies, une population d‟individus
génétiques peut être créée. La taille de la population est à définir par l‟utilisateur.
Chapitre 3 Méthodologie développée
90
b. Fonction de coût
Les grandeurs à optimiser dans le cas de notre étude peuvent être, par exemple, la position
d‟un défaut, ses caractéristiques (impédance, longueur), les longueurs des branches dans un
réseau de câblage, la nature des défauts, etc. Un algorithme d'optimisation nécessite
généralement la définition d'une fonction rendant compte de la pertinence des solutions
potentielles, à partir des grandeurs à optimiser. Il s'agit de la fonction coût (fitness function en
Anglais). La fonction coût est un outil permettant d'exprimer le but de l'optimisation, et de
représenter le moyen pour développer la population.
3.3.4. Les opérateurs génétiques fondamentaux
a. La reproduction
Chaque individu suivant sa valeur obtenue par la fonction f (fonction de coût) à l‟itération
k, verra son importance en taille varier proportionnellement à l‟itération (k+1). En clair,
meilleur est un individu, plus sa présence aura des chances d‟augmenter au détriment des
individus ayant donné de plus mauvais résultats.
Le taux de reproduction d‟un individu se fait souvent suivant le principe de la roue biaisée
[GOLD 91]. Plus un individu donne un résultat élevé par la fonction f, plus il a de chances de
se reproduire. Ce principe s‟applique alors sans peine pour un problème de maximisation de
fonction. Admettons qu‟un individu i ait donné un résultat noté fi à la génération k. A la
génération (k+1), cet individu existera en nombre égal à : fi/fm. La valeur fm correspond à la
moyenne des évaluations faites pour estimer l‟ensemble des individus d‟une population à la
génération k.
Bits
Gènes
Chromosomes
Individus
Population
Figure 3.5 : Les cinq niveaux d'organisation d'un algorithme génétique
Chapitre 3 Méthodologie développée
91
L‟algorithme génétique travaille donc naturellement suivant un principe de maximisation :
c‟est toujours l‟importance de la valeur d‟un individu par la fonction f qui compte. Si le
problème d‟optimisation est un problème de minimisation, la fonction objective peut être
inversée de manière à correspondre avec la philosophie de la reproduction de l‟algorithme
génétique.
b. Le croisement
Cette opération est un échange de matériel génétique entre deux individus dits parents. Les
enfants obtenus partagent le matériel génétique de chacun des parents. Ce croisement
s‟effectue à un point précis des deux chaînes parentes. Toutes les informations à droite de ce
point s‟échangent.
1001011 1001101
1101101 1101011
L‟emplacement où le croisement doit avoir lieu est un point choisi aléatoirement suivant une
probabilité de loi uniforme. L‟accouplement de deux parents de la population pour une
reproduction n‟est pas systématique. Il obéit à une probabilité de croisement Pc fixé par
l‟utilisateur. D‟une manière générale, cette probabilité est importante puisque supérieure à
soixante pour cent. Cependant sa valeur influe sur la convergence de l‟algorithme mais
aucune règle ne permet de la déterminer de manière optimale. Cette probabilité est un
paramètre stochastique qui dépend fortement du problème traité.
Le croisement est un opérateur fondamental pour l‟apparition de nouveaux individus.
c. La mutation
La mutation est un phénomène permettant, au fil des itérations génétiques l‟introduction
de caractères nouveaux. Naturellement, c‟est un phénomène souvent non expliqué ou une
réponse au milieu extérieur. Quoiqu‟il en soit, la mutation d‟un individu reste toujours rare.
Pour l‟algorithme génétique, la mutation des individus se produit aussi de manière
exceptionnelle. En pratique, tous les bits des individus de la population sont passés en revue.
Ils obéissent au phénomène de mutation suivant une probabilité Pm très faible, quelque pour
cents à peine. Cette probabilité est d‟autant plus faible que la population est grande.
1110100110
1100100110
Point de croisement
Seul le troisième bit de cet
individu a subi une mutation
Chapitre 3 Méthodologie développée
92
3.3.5. Principaux étapes de l’AG
Un algorithme génétique recherche le ou les extrema d‟une fonction coût, par exemple
dans notre cas ce sont les caractéristiques d‟un défaut de câblage, définies sur un espace de
données. Pour l‟utiliser, nous devons disposer des cinq éléments suivants :
1. Un principe de représentation (codage) des variables à optimiser. Cette étape associe à
chacun des points de l‟espace des solutions une structure de données. Elle se place
généralement après une phase de modélisation mathématique du problème traité. La
qualité du codage des données conditionne le succès des algorithmes génétiques. Le
codage binaire est le plus utilisé [GOLD 89].
2. Un mécanisme de génération de la population initiale. Ce mécanisme doit être capable
de produire une population d‟individus non homogène, c'est-a-dire, des individus bien
répartis dans leurs espaces de variation, qui servira de base pour les générations
futures. Le choix de la population initiale est important car il peut rendre plus ou
moins rapide la convergence vers l‟optimum global. Dans le cas où rien n'est connu du
problème à résoudre, il est essentiel que la population initiale soit repartie sur tout le
domaine de recherche.
3. Une fonction coût. Celle-ci permet d'évaluer la qualité ou la performance d'un
individu.
4. Des opérateurs génétiques. Ils permettent de diversifier la population au cours des
générations et d‟explorer le domaine de recherche. L‟opérateur de croisement
recompose les gènes d‟individus existant dans la population. L‟opérateur de mutation
a pour but de garantir l‟exploration de l‟espace des états.
5. Des paramètres dimensionnels : taille de la population, nombre total de générations ou
critère d'arrêt, probabilités d‟application des opérateurs de croisement et de mutation.
Chapitre 3 Méthodologie développée
93
3.3.6. Choix des paramètres de contrôle et des conditions initiales
Comme pour toute heuristique d'optimisation, l'efficacité d'un algorithme évolutionnaire
dépend du choix de ses paramètres de contrôle (intensité de sélection, probabilités liées aux
opérateurs d'évolution, choix de la stratégie de remplacement, taille des populations, …) qui
gouvernent l'exploration des solutions, et des conditions initiales. À moins d'avoir une
connaissance a priori sur la localisation des solutions optimales, il est conseillé d'initialiser la
population de manière uniformément aléatoire dans l'espace de recherche. Dans le cas de
problèmes contraints difficiles, on peut envisager de rechercher en priorité des solutions
Figure 3.6: L’organigramme de l’AG
Génération d’une population initiale Sélection des chromosomes. Chaque
chromosome représente une solution possible du problème.
Évaluation Evaluation des individus selon leurs
performances
Sélection Procédure de détermination des chromosomes
qui vont être parents pour une nouvelle génération
Critère D’arrêt
Convergence Solution final
Croisement Échange des gènes entre les chromosomes
parents pour produire des nouveaux individus
Mutation Échange entre un ou plusieurs gènes
aléatoirement. Parcourir chaque point de l’espace de recherche.
Oui
Non
Chapitre 3 Méthodologie développée
94
réalisables et de les injecter dans la population initiale, tout en sachant que cela peut
augmenter le risque de convergence prématurée dans l'espace réalisable. Quant au choix des
opérateurs et des paramètres stochastiques de contrôle qui leur sont associés, il n'y a
évidemment pas de règle générale qui garantit une convergence optimale (en termes de
précision et rapidité) pour tous les problèmes. Il existe toutefois certaines valeurs
standardisées des paramètres de contrôle, qui assurent une certaine robustesse.
Pour les algorithmes génétiques par exemple, il est recommandé d'imposer un taux de
croisement relativement élevé (Pc 0.7) et une faible probabilité de mutation (généralement
l'inverse du nombre de paramètres). Il n'y a malheureusement pas de standardisation fiable
quant au choix de la taille des populations. Cela reste sans doute aujourd'hui un des points
sensibles des algorithmes évolutionnaires. Des tailles de population faibles augmenteront la
vitesse de convergence de l'algorithme, mais aussi le risque de convergence prématurée vers
des solutions non-optimales. Des tailles de population trop grandes risquent au contraire de
ralentir fortement la progression de l‟algorithme. Pour certains problèmes bien particuliers,
des tailles de population optimales ont pu être déterminées en fonction du nombre de
paramètres.
Dans le cadre de cette thèse la taille de la population est choisie en fonction du nombre des
paramètres. Quant aux probabilités de croisement et de mutation elles sont de l‟ordre de 0,7 à
0,8 et 0,1 à 0,2 respectivement.
3.4. Inversion par réseaux de neurones
Cette partie concerne la présentation des réseaux de neurones (RN) que nous avons mis en
œuvre pour résoudre le problème inverse pour le diagnostic filaire. On commence par
introduire le neurone formel qui constitue l‟élément de base des RN. Ensuite, les réseaux de
neurones qui sont l‟association de plusieurs neurones formels sont présentés. Plus
particulièrement, les RN MLP (Multi_Layer Perceptron) que nous avons utilisés dans ce
travail de thèse ainsi que leurs propriétés seront détaillés. Nous verrons ensuite ce qu‟est
l‟apprentissage, comment un RN peut faire de l‟apprentissage, et les différents problèmes
rencontrés lors du processus d‟apprentissage. Enfin, nous mettrons l‟accent sur le problème de
généralisation qui apparait lorsque le nombre de neurones du RN devient trop important par
rapport à la complexité du problème inverse. La méthode qui sera utilisée pour résoudre ce
problème est split-sample.
3.4.1. Neurone formel
Le neurone formel représente la brique de base des réseaux de neurones artificiels dont le
modèle s‟inspire de celui d‟un neurone biologique. Un RN est constituée d‟un ensemble de
processeurs élémentaires simples (neurones) reliés entre eux par des connexions. Les RN
tirent leur intérêt de la puissance potentielle que présente leur architecture multiprocesseurs et
de l‟existence d‟algorithme de réglage de leurs paramètres internes. Les premières travaux
datent de 1943 et sont l‟œuvre de Mac Culloch et Pitts [MCCU 43].
Chapitre 3 Méthodologie développée
95
Un neurone d‟indice i peut être décrit par les éléments suivants (pour un neurone):
- son état ai, qui peut être une valeur réelle ou booléenne.
- ses connexions auxquelles sont associés des poids wij (j est l‟indice du neurone
partageant la connexion).
- sa fonction d‟entrée réalisant un prétraitement (généralement une somme pondérée)
des entrées.
- sa fonction d‟activation (ou de transfert), qui calcule à partir du résultat de la fonction
d‟entrée l‟activation du neurone.
La Figure 3.7 présente un neurone biologique et son neurone formel correspondant [TOUZ
92]
Le neurone formel est la succession des deux opérations (Figure 3.8).
1. Une sommation des n entrées scalaires (X1,…,Xn), pondérées par des poids (w1,…,wn), à
laquelle on ajoute un seuil biais (b). Le signal résultant est un signal d‟activation.
2. Le signal d‟activation est l‟argument de la fonction d‟activation (f) qui définit le signal de
sortie du neurone (Y).
D‟après la description ci-dessus, la sortie Y du neurone s‟exprime simplement :
( . )Y f w X b (3-3)
Σ f
X1
X2
Xn
w1
w2
wn
p
Y
Figure 3.8 : Structure du neurone formel
Figure 3.7 : Mise en correspondance neurone biologique / neurone formel
Chapitre 3 Méthodologie développée
96
Un réseau de neurones comporte un certain nombre de neurones connectés entre eux et en
connectant également tout ou partie de ceux-ci avec l‟entrée (dans notre cas, les
réflectogrammes) et la sortie du modèle (les paramètres du défaut).
Pour un nombre donné de neurones, il existe une multitude d‟interconnexions possibles. Seuls
sont utilisés dans la pratique les RN à couches, dits MLP (Multi Layer Perceptron en anglais),
qui sont présentés dans ce qui suit.
3.4.2. Réseaux de neurones artificiels MLP
Les RN MLP sont des réseaux dont les neurones sont organisés en plusieurs couches
successives. Les connexions sont totales : chaque neurone d‟une couche est connecté à tous
les neurones de la couche précédente et à tous ceux de la couche suivante. Pour une même
couche (entrée, sortie ou cachée), les neurones ont la même fonction d‟activation, mais elle
peut différer d‟une couche à l‟autre.
Le choix de la fonction d‟activation est d‟une grande importance. Il dépend de l‟application à
étudier. La fonction d‟activation d‟un neurone de RN MLP peut prendre, l‟une des formes
suivantes :
Entrée
Couches cachées Couche de sortie
Sortie
Couche d‟entrée
Figure 3.9 : Exemple d’un RN MLP à 3 couches, dont 2 cachées
Figure 3.10 : Fonctions d’activations
Fonction linéaire Fonction seuil Fonction logistique
sigmoïde
Chapitre 3 Méthodologie développée
97
Un RN MLP est constitué d‟une couche cachée de fonctions continues et non linéaires
(comme les fonctions logistique sigmoïde et tangente hyperbolique) et d‟une couche de sortie
de fonctions linéaires qui est capable d‟approximer avec une précision donnée (définie par un
critère d‟erreur) n‟importe quelle fonction réelle ayant un nombre fini de discontinuités. Si la
couche cachée contient un nombre suffisant de neurones : l‟approximation est « universelle»
[HOMI 89]. Par ailleurs, l‟approximation, avec une précision donnée, d‟une fonction
complexe par un RN requiert un nombre réduit de paramètres, en comparaison notamment du
nombre de paramètres que nécessiterait un modèle polynomial équivalent [COST 96]. C‟est
une caractéristique fondamentale face au problème de sur-paramétrisation. Les RN MLP sont
ainsi bien adaptés à l‟approximation des fonctions non linéaires.
3.4.3. Apprentissage des RN MLP
L‟apprentissage d‟un RN MLP (réglage des poids) et des biais, se fait de manière
supervisée. Ce type d‟apprentissage consiste à présenter au RN un ensemble d‟entrées et de
sorties (des exemples) qui est obtenu soit à partir d‟un modèle direct soit à partir de mesures.
Dans cette thèse la base d‟apprentissage est créée par le modèle direct (modélisation FDTD).
Le réglage des poids et des biais s‟effectue de manière itérative en minimisant un critère
d‟erreur entre les sorties souhaitées (celles contenues dans la base) et celles du RN. Le
principe opératoire est illustré, Figure 3.11.
L‟erreur quadratique moyenne (EQM) est le critère d‟erreur à minimiser qui est généralement
choisi. Considérons N exemples de la base d‟apprentissage, Yi les sorties vectorielles
correspondant à l‟exemple i de la base et YRNi les sorties du RN. L‟EQM est définie par :
21
0RNi i
NEQM Y Y
N i
(3-4)
Base d‟apprentissage
Réseau de neurones
Algorithme itératif de réglage
des poids et des biais
+ -
Entrée
Sortie de
la base
Critère
d‟erreur
Figure 3.11 : Schéma du principe d’apprentissage d’un RN
Chapitre 3 Méthodologie développée
98
L‟EQM d‟un RN MLP doté uniquement de fonctions d‟activations dérivables est une fonction
différentiable des poids et des biais du réseau. L‟apprentissage peut être alors réalisé au
moyen d‟un des divers algorithmes de rétropropagation du gradient de l‟EQM. Ces
algorithmes réutilisent les différentes étapes du calcul du gradient de la couche de sortie vers
les couches internes minimisant ainsi la quantité de calcul à effectuer [DAVA 93].
L‟algorithme de minimisation le plus souvent utilisé pour des RN de taille modeste est celui
de Levenberg-Marquart [DREY 93]. Cet algorithme repose, comme tous les algorithmes
newtoniens, sur l‟inversion sous sa forme approximée de la matrice Hessienne donnée par
l‟équation :
2
( )T
i j
EQMH w J J
w w
(3-5)
J est la matrice Jacobienne de la fonction d‟erreur, qui correspond aux drivées premières de
l‟EQM par rapport aux poids et aux biais. L‟ajustement des poids est fait selon la forme
itérative suivante :
1
1( ) ( )
T
k k k k kw w H w I J w EQM
(3-6)
où wk est le vecteur des poids et des biais à l‟itération k, I la matrice d‟identité et μk est un
facteur d‟amortissement qui est ajusté automatiquement à chaque itération.
3.4.4. Préparation de l’apprentissage
Pour faire un bon apprentissage avec une erreur la plus faible possible, certains
arrangements doivent être pris du RN et des données de la base.
a. Conditionnement des entrées : centrage et normalisation
Avant tout apprentissage, il est préférable de conditionner toutes les variables d‟entrées et
de sorties. Le conditionnement consiste à normaliser et centrer les différentes sources
alimentant le réseau de neurones.
Les sorties du modèle neuronal peuvent être constituées de variables représentant des
phénomènes différents et donc mesurées avec des unités différentes (par exemple, la position
en cm, l‟impédance en ohms,...). Si les variables ne sont pas normalisées, certaines d‟entre
elles auront un poids plus important dans l‟erreur finale, tandis que d‟autres seront sans
influence. D‟autre part, afin d‟éviter un problème de saturation [COST 96], il est nécessaire
que l‟ordre de grandeur des poids du réseau soit semblable. Pour palier ces deux problèmes,
les paramètres d‟entrées et de sorties désirés devront être normalisés. La normalisation
consiste à prendre les données originales, et les transformer en des valeurs νi’ comprises entre
0 et 1, en utilisant la formule de normalisation min-max:
Chapitre 3 Méthodologie développée
99
min'
max min
vi ivii i
(3-7)
où mini et maxi représentent respectivement les valeurs minimales et maximales des données
originales.
Afin d‟accélérer la convergence, les sources sont centrées. Ceci évite une perte de temps dans
l‟adaptation des biais au commencement de l‟apprentissage. Les fonctions d‟activation des
neurones non linéaires (logistique sigmoïde ou tangente hyperbolique) doivent en effet
fonctionner dans une zone centrale quasi-linéaire, là où leur dérivée est maximale. Sinon leur
influence sur les variables de l‟EQM est faible.
b. Initialisation des poids et des biais
Les poids et les biais obtenus par le réseau à la fin de l‟apprentissage dépendent en partie
de ceux choisis au départ de l‟apprentissage. Une mauvaise initialisation peut faire converger
la fonction d‟erreur vers un minimum local et laisser de côté la solution optimale. Une
solution consiste alors à faire plusieurs apprentissages avec des initialisations aléatoires et à
choisir le réseau qui donne après apprentissage l‟erreur quadratique moyenne la plus faible sur
la base de validation.
3.4.5. Capacité de généralisation
L‟apprentissage tend à minimiser l‟erreur présentée par le RN vis-à-vis des exemples de la
base d‟apprentissage. Cependant, l‟objectif ultime de l‟opération est plutôt de rendre le RN
capable d‟estimer la sortie du système réel modélisé lorsque celui-ci est soumis à de nouvelles
entrées, non comprise dans la base d‟apprentissage. Cette aptitude à prédire le comportement
du système est nommée capacité de généralisation. Deux phénomènes principaux marquent la
différence entre apprentissage et généralisation : la sur-paramétrisation et le sur-apprentissage.
a. La sur-paramétrisation
Dans ce cas le RN comportant un nombre trop important de neurones apprend très bien les
exemples de la base d‟apprentissage (EQM faible), mais il est incapable d‟estimer
correctement des nouveaux exemples : il est sur-paramétré. La relation entrée-sortie construite
par l‟apprentissage présente alors souvent en dehors des exemples appris de fortes ondulations
n‟ayant aucun fondement physique. C‟est le même phénomène que celui qui apparaît lorsque
l‟on approxime une fonction par un polynôme d‟ordre excessif.
Malgré l‟importance de ce problème, il n‟existe pas à l‟heure actuelle de méthodes fiables
permettant de prédéterminer l‟architecture d‟un RN. Seules existant des règles empiriques.
Dans ce contexte, une méthode permettant de tenir compte de la sur-paramétrisation, est la
méthode de validation croisée [SMIT 93]. Elle consiste à répartir les exemples d‟entrée-sortie
disponibles en deux bases, l‟une d‟apprentissage et l‟autre de test. Seule la base
Chapitre 3 Méthodologie développée
100
d‟apprentissage sert à régler les paramètres du RN. Une fois l‟apprentissage réalisé, la
capacité de généralisation du RN est évaluée grâce à la base de test. En règle générale, l‟EQM
calculée sur la base d‟apprentissage (erreur d‟apprentissage) diminue avec l‟augmentation de
la taille du RN, en revanche après une phase initiale de décroissance, l‟EQM calculée sur la
base de test (erreur de généralisation) tend à diverger quand la taille du RN devient excessive
(apparition de sur-paramétrage). La Figure 3.12 illustre ce phénomène.
b. Le sur-apprentissage
On parle de sur-apprentissage quand le réseau a trop parfaitement appris les exemples
proposés. Il sera donc incapable de généraliser. Un indicateur utilisé pour étudier ce
phénomène est la mesure de complexité k du système d'apprentissage (indicateur lié à la taille
du réseau de neurones). En pratique, on calcule alors la moyenne des erreurs quadratiques -
appelée „erreur base apprentissage‟ - sur l‟ensemble A de données d‟apprentissage, et -
„erreur base test‟ - sur l‟ensemble T de données de test (différent de celui d‟apprentissage).
Plus on agrandit l‟ensemble A, plus l‟erreur base apprentissage diminue, plus l‟erreur base
test augmente, ce qui implique la perte des capacités de généralisation.
EQM
Taille du RN
Erreur de généralisation
Erreur d‟apprentissage
Taille optimal
Figure 3.12 : Illustration du problème de la sur paramétrisation
Chapitre 3 Méthodologie développée
101
Pour contrer cet effet (sur-paramétrisation et sur-apprentissage), il existe plusieurs méthodes
[LAWR 97]. L‟une de ces méthodes est le split sample [DREY 93]. C‟est la méthode la plus
fréquemment utilisée en raison de sa facilité d‟utilisation puisqu‟elle ne demande pas
d‟algorithme particulier. Les données issues de la modélisation sont réparties en trois bases :
Une base d‟apprentissage permettant d‟ajuster les poids et biais internes du réseau de façon
que l‟erreur d‟apprentissage soit minimale.
Une base de validation qui permet de déterminer le nombre optimal de neurones cachées. Les
exemples de cette base d‟apprentissage qui ne sont pas ceux de la base d‟apprentissage.
Une base de test pour tester la capacité d‟inversion sur des données non comprises dans les
deux bases précédentes.
Tout d‟abord, les trois bases sont créées par simulation. Ensuite, en se servant de la base
d‟apprentissage, on fait l‟apprentissage de différents RN avec différents nombres de neurones
cachés. Après l‟apprentissage, on calcule pour ces différents RN, l‟erreur sur l‟ensemble de la
base de validation. L‟objectif est par la suite de choisir le RN et donc le nombre de neurones
donnant l‟erreur la plus faible sur cette base. En dernier lieu, on teste la qualité de l‟inversion
en se servant de la base de test.
3.5. Conclusion
Nous avons présenté dans ce chapitre la méthodologie de diagnostic adopté. Nous avons
décrit les deux méthodes utilisées pour résoudre le problème inverse, AG et RN. Dans le cas
de l‟AG est utilisé pour minimiser l‟erreur entre le réflectogramme et la réponse donnée par le
modèle direct. Avec les RNs, en se servant des bases de données créées par le modèle direct
numérique, nous procédons à l‟inversion.
Figure 3.13 : Illustration du problème de sur apprentissage
Arrêt de l‟apprentissage Nombre d‟itérations
Erreur de généralisation
Erreur d‟apprentissage
EQM
Chapitre 3 Méthodologie développée
102
Dans les deux cas d‟inversion, les paramètres à optimiser dépendent du type de défaut
affectant le réseau filaire. Si le réseau est affecté par un défaut non franc (changement
d‟impédance locale), il s‟agit de la position et l‟impédance du défaut. Dans le cas d‟un défaut
franc, il s‟agit des longueurs des branches du réseau, donc une reconstruction d‟une topologie
prédéfinie. Dans le chapitre 4, nous appliquons la méthodologie développée sur des
différentes configurations de câblage et de défauts.
Chapitre 4 Application de la méthodologie développée
103
Chapitre 4 : Application de la méthodologie développée
4.1. Introduction............................................................................................................................................ 104
4.2. Analyse des lignes affectées par des défauts non francs ..................................................................... 104
4.2.1. Diagnostic des lignes simples .......................................................................................................... 104
4.2.2. Diagnostic de l‟état d‟un réseau filaire en Y .................................................................................. 114
4.2.3. Diagnostic de réseaux filaires complexes ........................................................................................ 119
4.3. Analyse des lignes affectées par des défauts francs ............................................................................. 123
4.3.1. Diagnostic de lignes simples ........................................................................................................... 123
4.3.2. Diagnostic de l‟état d‟un réseau filaire en Y ................................................................................... 126
4.3.3. Diagnostic de l‟état d‟un réseau en Y constitué des paires torsadées .............................................. 134
4.3.4. Diagnostic de l‟état d‟un réseau filaire complexe ........................................................................... 136
4.4. Conclusion .............................................................................................................................................. 141
Chapitre 4 Application de la méthodologie développée
104
Chapitre 4 : Application de la méthodologie développée
4.1. Introduction
Dans ce chapitre, nous mettons en œuvre la méthodologie de diagnostic présentée dans le
chapitre précédent, utilisant la réflectométrie dans le domaine temporel ou (TDR en Anglais)
et la résolution du problème inverse sur des cas concrets de câblage. Deux types de défauts
vont être traités, les défauts non francs et les défauts francs. Nous présentons pour cela des
résultats de simulations et des résultats expérimentaux. Nous appliquons également les deux
méthodes d‟inversion illustrées dans le chapitre 3, les Algorithmes Génétiques (AG) et les
Réseaux de Neurones (RN). Ces deux méthodes seront comparées sur le plan de leur
performance, précision, coût et leur complexité.
Pour chaque type de défaut, nous commençons tout d‟abord par des lignes simples, afin de
mettre en évidence la méthodologie de diagnostic développée. Ensuite, les structures
deviennent de plus en plus complexes. Une confrontation simulation/expérience permettra de
valider la modélisation numérique.
Ce chapitre a donc pour but de valider et de montrer la faisabilité de cette nouvelle méthode
de diagnostic de câblage. Nous mettrons en avant les principaux avantages qui sont
l‟identification des défauts de câblage à partir de la réponse temporelle, la reconstruction des
topologies filaires et la détection, localisation et caractérisation de défauts dans des réseaux de
topologie complexe.
4.2. Analyse des lignes affectées par des défauts non francs
4.2.1. Diagnostic des lignes simples
4.2.1.1. Lignes simples adaptées
Dans ce paragraphe, nous allons mettre en application l‟utilisation de la méthodologie de
diagnostic filaire sur des lignes simples. Cette méthode, comme elle est détaillée dans le
chapitre précédent est divisée en deux étapes : dans un premier temps la réponse (mesurée ou
simulée) de la ligne de transmission affectée par un défaut est obtenue. Ensuite une procédure
d‟inversion (itérative ou directe) est effectuée, pour remonter à des informations sur les
défauts (l‟impédance ou (L/C) et la position du défaut).
Dans tout ce qui va suivre, les résultats de simulation sont réalisés avec un code de différences
finies dans le domaine temporel développé sous Matlab.
Considérons la ligne de transmission simple, Figure 4.1, formée par deux conducteurs
parallèles, d‟impédance caractéristique 78,63 ohms et d‟une longueur de 1,5 mètre. Cette
longueur, relativement courte, a été choisie de manière à pouvoir ensuite valider les résultats
Chapitre 4 Application de la méthodologie développée
105
théoriques grâce à des expérimentations. Considérons que la source est adaptée à
l‟impédance caractéristique de la ligne. La ligne est affectée par un défaut non franc situé à
0,75 mètre de la source.
L‟impédance caractéristique des défauts non francs considérés est calculée par la MEF
(Chapitre 3). La longueur des défauts est 3 cm. Nous avons adapté la ligne pour ne pas avoir
de réflexions multiples entre l‟extrémité de la ligne et le défaut, afin de réduire la complexité
du réflectogramme.
La Figure 4.2 montre le réflectogramme de la ligne de la Figure 4.1 sans et avec défaut non
franc.
Chaque courbe dans la Figure 4.2 correspond à un défaut non franc. Pour bien observer l‟effet
des défauts sur la réponse, un zoom au niveau de la position du défaut est réalisé. On constate
des variations d‟amplitude en fonction de la nature des défauts. Si l‟impédance de défaut est
inférieure à l‟impédance caractéristique de la ligne (défaut (h)), on obtient une réflexion
négative (-0,235), et si l‟impédance de défaut est supérieure à celle du câble (défauts (a), (b),
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Distance (m)
Am
pli
tud
e
Sans défauts
Coupure de 0.45mm à coté (b)
Coupure de 0.76mm à coté (c)
Coupure de 0.45mm en haut (d)
Coupure de 0.76mmen haut (e)
Absence de l’isolant (f)
Coupure de 1.26mm (g)
Eau autour du conducteur dénudé (h)
Ligne Adapter Position de défauts
0.5981 0.6481 0.6981 0.7481 0.7981 0.8481 0.8981 0.9481
-0.25
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
0.25
Figure 4.2 : réflectogramme de la ligne affectée par des défauts non francs
Figure 4.1 : Ligne bifilaire adaptée à l’entrée et à la sortie, affectée par un défaut non franc
Source
adaptée
Charge
adaptée
Défaut non franc ZD
L= 1,5 m
LD = 0,75m
Zoom
Chapitre 4 Application de la méthodologie développée
106
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4-0.4
-0.2
0
0.2
0.4
0.6
Distance (m)
Am
pli
tud
e
Sans défauts
5% de changement d'impédance
10% de changement d'impédance
40% de changement d'impédance
60% de changement d'impédance
(c), (d), et (f)) les réflexions sont positives. Nous remarquons aussi, que certains défauts
provoquent des petites réflexions qu‟il est difficile, voire impossible, de détecter. Dans une
configuration réelle et en présence de bruit il sera presque impossible de percevoir ces
défauts.
Afin de généraliser les variations d‟impédance dues aux défauts non francs, une simulation
d‟une ligne affectée par des variations d‟impédance de l‟ordre de 5%, 10%, 40% et 60% de
l‟impédance caractéristique de la ligne est réalisée.
Le réflectogramme de la Figure 4.3, montre que des défauts ayant des variations d‟impédance
de 10% et moins seront difficiles voire impossibles à détecter, surtout dans des conditions
réelles (présence du bruit, variation de l‟impédance de la ligne,…). Compte-tenu des
configurations qui correspondent à ces défauts (chapitre 2), ils ne sont pas d‟une grande
gravité pour la sécurité d‟un réseau de câblage. Mais ils peuvent cependant causer des
problèmes qui s‟aggravent avec le temps, ce qui fait qu‟une détection à temps à partir d‟une
certaine valeur d‟impédance, peut éviter des graves conséquences. La Figure 4.3 montre aussi
qu‟à partir des variations de 20% la signature des défauts sur le réflectogramme deviennent
plus visible.
4.2.1.2. Lignes simples désadaptées
Une deuxième configuration pouvant être rencontrée est celle d‟une ligne désadaptée. La
difficulté dans cette configuration est que l‟on aura en plus de la réponse significative du
défaut, des réflexions dues aux multiples réflexions entre l‟extrémité (circuit ouvert) et le
défaut. Nous considérons la même ligne que dans le paragraphe précédent, Figure 4.4.
0.6009 0.6509 0.7009 0.7509 0.8009 0.8509-0.1236
-0.0736
-0.0236
0.0264
0.0764
Figure 4.3: le réflectogramme de la ligne affectée par des défauts non francs
(5%, 10%, 40% et 60%)
Zoom
Position de défaut
Ligne
adaptée
Chapitre 4 Application de la méthodologie développée
107
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 3.2 3.4-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Distance (m)
Am
pli
tud
e
Sans défauts
5% de changement d'impédance
10% de changement d'impédance
40% de changement d'impédance
60% de changement d'impédance
Les premières réflexions de la Figure 4.5 sont dues aux défauts non francs. Les amplitudes et
la position de ces réflexions correspondent bien aux valeurs des impédances et à la
localisation des défauts. Ensuite, nous remarquons le pic qui correspond à la charge de la
ligne (circuit ouvert). Les réflexions qui apparaissent après sont dues aux réflexions multiples
entre défauts et charge (circuit ouvert). Cette multitude de réflexions va créer des ambiguïtés
sur le nombre, la localisation et l‟impédance des défauts non francs, si nous ne connaissons
pas par avance la longueur et la charge de la ligne.
4.2.1.3. Inversion par AG
Nous remarquons qu‟il est facile de diagnostiquer l‟état d‟une ligne de transmission simple
adaptée, affectée par un défaut non franc, juste à partir de son réflectogramme. La localisation
de la réflexion, nous donne l‟information sur la position du défaut, et l‟amplitude de cette
réflexion, nous permet de caractériser (l‟impédance) le défaut.
Cet exemple permet de valider la méthodologie de diagnostic proposée sur un cas où l‟on
dispose de la solution.
0.6 0.65 0.7 0.75 0.8 0.85 0.9-0.12
-0.1
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
0.120.12
Figure 4.4 : Ligne simple affectée par un défaut non franc et chargée par un circuit ouvert
Figure 4.5 : Réflectogramme de la ligne affectée par un défaut non franc (5%,
10%, 40% et 60%), est chargé circuit ouvert
Source
adaptée
Circuit
ouvert
Défaut non franc
ZD
L= 1,5 mètre
LD = 0,75 mètre
Zoom
Position de défaut
Circuit ouvert
Réflexions multiples
Chapitre 4 Application de la méthodologie développée
108
Avant de mettre en œuvre le processus d‟inversion, il est nécessaire de déterminer le nombre
de variables à optimiser et l'espace de variation pour chaque variable. L‟impédance de la
source et la charge de la ligne seront connues par avance. Le but ici est donc de minimiser la
différence entre le réflectogramme simulé par FDTD et celui obtenu par le modèle direct.
Dans ce cas la fonction coût est définie par :
1/22
( ) ( , , )1
( , )2
0 ( )
TDR Modv t v t x ZTF x Z dt
T TDRv t
(1-4)
où vTDR
(t) est l‟amplitude du réflectogramme d‟entrée de l‟algorithme (simulé par FDTD),
vMod
(t,x,Z) est le réflectogramme obtenu par le modèle direct, avec x, Z correspondant
respectivement à la position et l‟impédance de défaut.
La Figure 4.6 représente la zone d'optimisation composée de 2 variables (gènes)
correspondant à l‟impédance et la position du défaut.
Chaque paramètre (Impédance et position) est discrétisé entre (Zmin = 0 ohm, Zmax = 150 ohms
et xmin = 0, xmax = 1.5 m) respectivement. Le codage (nombre de bits) de ces paramètres est
déterminé en fonction de la précision souhaitée (ΔZ, Δx) et les bornes de variation de chaque
paramètre.
Les paramètres de l‟AG, discutés dans le chapitre 2, sont choisis et résumés sur le Tableau
4.1.
Tableau 4.1 : les paramètres de l’AG
Impédance (Z) Position (x)
Nombre de bits 5 7
Taille de la population 150
Probabilité de croisement 70%
Probabilité de mutation 1,5%
Source
adaptée
Charge
adaptée
Δx
ΔZ
xmin xmax
Zmin
Zmax
Zone d‟optimisation Maille
FDTD
Figure 4.6 : Zone d’optimisation de la ligne. Variations de l’impédance et de la position
Chapitre 4 Application de la méthodologie développée
109
a. Déroulement de l’algorithme
Dans un premier temps, nous avons décomposé la ligne en portions de tailles égales, de
longueur Δx =1,1 cm. L‟algorithme génétique va donc générer une population de façon
aléatoire, de 150 candidats. Chaque individu représente une combinaison des paramètres pour
l‟optimisation.
L‟opération de croisement s‟effectue avec une probabilité de Pc = 0,7. On modifie certains
gènes des deux enfants en appliquant l‟opérateur de mutation avec une probabilité de Pm =
0,15. À l‟aide du modèle directe (modèle FDTD), on calcule l‟adaptation de chaque individu.
On obtient une nouvelle génération qui est censée être composée d‟individus plus performants
pour trouver l‟optimum. L‟algorithme reboucle ensuite environ 100 fois, pour satisfaire le
critère d‟arrêt.
b. Résultats obtenus
Dans cette partie, nous allons présenter les résultats d‟inversion par AG pour le cas d‟une
ligne simple adaptée et affectée par un défaut non franc (d‟impédance de 5%, 10%, 40% et
60% de l‟impédance caractéristique de la ligne). Nous utilisons le réflectogramme simulé de
la Figure 4.2 comme entrée de l‟algorithme d‟optimisation.
Les meilleurs individus (impédance et position) sont illustrés dans le Tableau 4.2.
Tableau 4.2 : les paramètres de l’AG, et les résultats de l’inversion
Paramètres de
l’AG Résultats
Bits Pm Pc Impédance
(ohms)
Localisation
(mètre)
5% de changement d‟impédance
82,56 ohms
7/x
5/Z 1,5% 70%
80,95 0,78
10% de changement d‟impédance
86,49 ohms 85,50 0,77
40% de changement d‟impédance
110,08 ohms 109,89 0,74
60% de changement d‟impédance
125,81 ohms 125,06 0,75
Le Tableau ci-dessus montre la difficulté d‟identifier des défauts qui ont des changements
d‟impédance inférieure ou égale à 10%. Pour les autres défauts de changement d‟impédance
(40% et 60%), l‟algorithme optimise parfaitement l‟impédance et la position des défauts.
Concernant les nombres de bits dans le tableau 4.2, (7/x et 5/Z) signifient que pour la
localisation de défaut on code le paramètre en 7 bits et l‟impédance en 5 bits.
Pour avoir une idée de la convergence de l‟AG, nous représentons l‟évolution de la fonction
de coût en fonction des itérations, Figure 4.7.a. Nous constatons que l‟algorithme a convergé
en 100 itérations.
Chapitre 4 Application de la méthodologie développée
110
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Distance (m)
Am
pli
tud
e
Modèle direct (FDTD)
Inversion par AG
Afin d‟illustrer les résultats d‟inversion par AG, nous prenons à titre d‟exemple, la ligne
affectée par un défaut de 40% de l‟impédance caractéristique de la ligne. À partir du
réflectogramme de la Figure 4.7.b, nous constatons qu'il y a une bonne concordance entre le
réflectogramme du modèle direct (simulation FDTD), et celui issu de l‟inversion par AG.
4.2.1.4. Inversion par RN
a. Création des bases de données
La première étape dans la résolution du problème inverse par les RN consiste en la création
d‟une base d‟apprentissage. Cette base contient des données (ou des exemples) reliant les
réflectogrammes simulés à la position et l‟impédance du défaut. Le domaine de la base
d‟apprentissage est défini en fonction du domaine de variation possible de la position et
l‟impédance du défaut. Ceci suppose que nous devons avoir des connaissances a priori sur ces
variations pour fixer les limites supérieure et inférieure. Les limites supérieure et inférieure de
la position du défaut étant connues, xmax = 1,5 m, et xmin= 0 m avec un Δx= 1 cm. Pour
l‟impédance de défaut, Zmax = 150 ohms et Zmin = 0 ohm avec un ΔZ= 1 ohm. Nous prenons
les mêmes limites de variation que celles utilisées dans l‟inversion par AG, afin de comparer
les résultats obtenus.
Reprenons la ligne de transmission de la Figure 4.1. Les données d‟entrée de la base
d‟apprentissage sont les réponses temporelles de la ligne de transmission affectée par des
défauts ont des combinaisons de paramètres (x, Z), Figure 4.8.
Ces données issues de la simulation ainsi que les données (x, Z) sont stockées dans un fichier
qui forme la base d‟apprentissage. Les paramètres recherchés étant l‟impédance et la position
de défaut, ceux-ci constituent la sortie des RN.
0.6 0.65 0.7 0.75 0.8 0.85 0.9-0.1
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
0 20 40 60 80 100 1200
0.05
0.1
0.15
0.2
0.25
0.3
0.35Convergence de l'algorithme génétique
Va
leu
r d
e l
a f
on
cti
on
ob
jecti
f
Itérations
Figure 4.7.a : convergence de l’AG
Zoom
Figure 4.7.b : comparaison des réflectogrammes
obtenus par FDTD et inversion utilisant AG
Chapitre 4 Application de la méthodologie développée
111
b. Mise en œuvre des réseaux de neurones
Comme il est illustré sur l‟organigramme du processus d‟inversion de la Figure 4.9, on a
utilisé un RN différent pour chaque paramètre à estimer. En effet, et d‟une façon générale, il
vaut mieux utiliser autant de réseaux que de paramètres à estimer. Ceci rend les réseaux
moins complexes avec moins de paramètres internes à ajuster.
Le RN est constitué d‟une couche cachée de fonctions tangentes hyperboliques et d‟un
neurone de sortie linéaire.
Avant d‟amorcer le processus d‟apprentissage, les paramètres à optimiser sont normalisés.
Le nombre d‟exemples d‟apprentissage est déterminé par la réalisation de plusieurs
campagnes d‟inversion avec des nombres d‟exemples différents. Nous avons ensuite tracé
l‟erreur d‟estimation sur la même base de test pour des RN construits à partir de ces
différentes bases d‟apprentissage. Le nombre de neurones choisi est 50. Le nombre
d‟exemples qui a été choisi est d‟environ 20000. Nous constatons qu‟un nombre d‟exemples
0 100 200 300 400 500-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
Distance (points)
Am
pli
tud
e
Figure 4.8 : Quelques exemples de la base d’apprentissage
Mesures ou
simulations
RN1
RN2
Modèle
numérique
x : La position
Z : L‟impédance
Réflectogramme
de la ligne sous
test
Figure 4.9 : Processus d’inversion par RN
Chapitre 4 Application de la méthodologie développée
112
trop élevé conduit à un temps de création de la base d‟apprentissage et de réglage du RN
élevés.
La taille du RN est déterminée comme décrit précédemment (chapitre 3) en se servant de la
procédure de la validation croisée : nous sélectionnerons la configuration donnant après
apprentissage l‟erreur sur la base de test la plus faible.
Cependant, pour s‟assurer du bon apprentissage des RN, on doit tester leur capacité à
généraliser sur des exemples contenus dans la base de test. Les exemples de la base de test
sont généralement choisis de façon aléatoire avec un nombre d‟exemples assez élevé
(d‟environ 4000) pour que l‟ensemble du domaine d‟apprentissage soit représenté. La Figure
4.10 montre que dans les deux cas, un bon accord entre les résultats de simulation et les
résultats prédits a été obtenu. Si le modèle numérique est assez représentatif de la réalité
expérimentale, on devrait également obtenir de bons résultats d‟inversion sur les données
expérimentales.
c. Résultats obtenus
Les résultats de l‟inversion par RN sont en bon accord avec des valeurs de référence (valeur
de l‟impédance et la position du défaut) comme illustré dans le Tableau 4.2. Pour les défauts
d‟impédance inférieure ou égale 10%, nous faisons les mêmes remarques que précédemment.
Tableau 4.2 : Résultats de l’inversion par RN
Résultats
Impédance (ohms) Localisation (mètre)
5% de changement d‟impédance
82,56 ohms 81,09 0,77
10% de changement d‟impédance
86,49 ohms 85,91 0,76
40% de changement d‟impédance
110,08 ohms 110,11 0,76
60% de changement d‟impédance
125,81 ohms 125,57 0,75
0 5 10 15 20 25 300
5
10
15
20
25
30
Zd de la base de test
Zd
est
imé p
ar R
N
0 5 10 15 20 25 300
5
10
15
20
25
30
Ld de la base de test
Ld
est
imé p
ar R
N
Figure 4.10: Comparaison des données estimées avec celles contenues dans la base de test
L’impédance La position
Chapitre 4 Application de la méthodologie développée
113
4.2.1.5. Comparaison AG-RN :
La Figure 4.11 présente une comparaison des deux méthodes d‟inversion (AG et RN) avec
le réflectogramme de référence d‟une ligne simple adaptée et affectée par un défaut non franc
d‟impédance de 40% de l‟impédance caractéristique de la ligne. On constate que l‟impédance
et la position du défaut obtenu par RN et AG sont très proches des valeurs de référence.
Le Tableau 4.3 compare les résultats obtenus par les RN et AG avec les valeurs de référence.
Tableau 4.3 : Impédance et position des différents types de défauts
Impédance (en ohm) Position (en mètre)
Valeur de
référence
Inversion
par AG
Inversion
par RN
Valeur de
référence
Inversion
par AG
Inversion
par RN
5% de changement
d‟impédance 82,56 80,95 81,09 0,75 0,78 0,77
10% de changement
d‟impédance 86,49 85,50 85,91 0,75 0,77 0,76
40% de changement
d‟impédance 110,08 109,89 110,11 0,75 0,74 0,76
60% de changement
d‟impédance 125,81 125,06 125,57 0,75 0,75 0,75
On constate que les deux méthodes d‟inversion ont des difficultés pour identifier des défauts
ayant des changements d‟impédance inférieurs ou égaux à 10% de l‟impédance
caractéristique de la ligne.
La procédure d‟optimisation itérative utilisant l‟AG associées à la méthode FDTD est
coûteuse en temps de calcul. Cependant, elle présente l‟avantage d‟être robuste si le choix des
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4-0.4
-0.2
0
0.2
0.4
0.6
Distance (m)
Am
pli
tud
e
Modèle direct (FDTD)
Inversion par AG
Inversion par RN
0.6 0.65 0.7 0.75 0.8 0.85 0.9-0.1
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
Figure 4.11: Comparaison des réflectogrammes obtenus par modèle
direct (FDTD) et inversion par AG et RN.
Zoom
Chapitre 4 Application de la méthodologie développée
114
paramètres de réglages (probabilités, taille de la population et nombre de bits) s‟est avéré
suffisamment bon.
La mise en place de l‟inversion par RN s‟effectue en deux temps. L‟apprentissage des
données à partir d‟un ensemble d‟une base de données peut s‟effectuer en amont (« offline »).
Cette étape peut demander un temps relativement important, en fonction du type de la ligne
(simple, Y ou complexe,) de la nature de défaut (franc ou non franc), et du nombre paramètres
utilisés pour réaliser l‟apprentissage (nombre d‟exemple, nombre de neurones) mais elle n‟a
besoin d‟être effectuée qu‟une seule fois. Cependant, si l‟on dispose de nouvelles données
(par exemple, une nouvelle structure de réseau) cette opération doit être réalisée à nouveau
pour mettre à jour la base d‟apprentissage. L‟utilisation de ce modèle neuronal établi
«offline» pour détecter, localiser et caractériser les défauts de câblage pourrait alors
probablement se faire en temps réel.
Par exemple, dans le cas où la ligne est affectée par un défaut de 40%, le temps d‟inversion
utilisant l‟AG est 5 min. Pour les RN, il prend beaucoup de temps pour l‟apprentissage,
(« offline »), par contre pour avoir l‟état de la ligne, ça prend moins d‟une seconde
(« online »). Cela fait la grande différence, entre les deux approches d‟inversion. Les calculs
sont réalisés avec une machine Dell équipée d‟un processeur Pentium 4 Core Due et 4 Gb de
mémoire (RAM).
4.2.2. Diagnostic de l’état d’un réseau filaire en Y
Dans cette partie, nous allons appliquer la méthode de diagnostic développée sur un réseau
filaire en Y à base de câbles bifilaires d‟impédance caractéristique de 78,63 ohms. Les
longueurs et les charges des tronçons secondaires (L2 et L3) sont illustrées sur la Figure 4.12
(a). Dans un premier temps, nous n‟introduisons aucun défaut dans le réseau. Ensuite nous
étudierons le cas avec un défaut non franc, utilisant les deux méthodes d‟inversion.
La Figure 4.12 (b) illustre le réflectogramme construit à partir des résultats de simulations. Le
premier pic négatif (amplitude égale à -0,3 et positionné à 1,5 mètre) correspond à la position
0 2 4 6 8 10-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Distance (m)
Am
pli
tud
e
Figure 4.12: (a) réseau filaire en Y, (b) le réflectogramme du réseau en Y sain
(a)
(b)
L1 = 1,5m
L2 = 1,5m
L3 = 1,5m
Source
adaptée
Circuit
ouvert
Circuit
ouvert
J
Chapitre 4 Application de la méthodologie développée
115
de la jonction J. Ensuite, une multitude de pics atténués et retardés présente les différents
trajets dans le réseau.
4.2.2.1. Diagnostic du réseau filaire en Y en présence d’un défaut non franc
Considérons le même réseau filaire en Y, mais cette fois-ci affecté par un défaut non franc
d‟impédance de (20%, 40% et 60%) de l‟impédance caractéristique du réseau, de longueur 3
cm, situé sur le tronçon L2, à LD = 2,25 mètre par rapport à la source, Figure 4.13 (a).
La Figure 4.13 (b), présente une comparaison des réflectogrammes du réseau filaire en Y,
avant et après l‟affectation par le défaut non franc. Nous remarquons que la position du défaut
par rapport à la source se perçoit facilement. Par contre, l‟identification de la branche sur
laquelle est le défaut est impossible et la configuration étudiée est donc source d‟ambiguïté.
Nous allons cependant mettre en application nos algorithmes pour observer la convergence
vers l‟une des solutions.
4.2.2.2. Inversion par AG
La procédure de la résolution du problème inverse est presque identique à celle d‟une ligne
simple affectée par un défaut non franc. La différence est dans le nombre de paramètres à
optimiser, ainsi que dans la plage de variation de chaque paramètre. Le réseau de la Figure
4.13 (a) possède trois tronçons. Et comme nous considérons que le réseau est affecté par un
seul défaut non franc, mais que l‟on ne connaît ni sa position ni son impédance, cela donne 2
paramètres à optimiser.
Les limites de variation de chaque paramètre à optimiser sont données dans le Tableau 4.4
Tableau 4.4 : Bornes de variation des paramètres du défaut
Min Max
ZD (ohm) 0 150
xD (mètre) 0 4,5
0 1 2 3 4 5 6 7 8 9 10-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Distance (m)
Am
pli
tud
e
Sans défauts
20% de changement d'impédance
40% de changement d'impédance
60% de changement d'impédance2.1 2.15 2.2 2.25 2.3 2.35 2.4 2.45 2.5 2.55 2.6-0.06
-0.04
-0.02
0
0.02
0.04
0.06
J
L1 = 1,5 m
L2 = 1,5m
L3 = 1,5 m
Source
adaptée
Circuit
ouvert
Circuit
ouvert
LD = 2,25 m
Zoom
Position de défaut
Figure 4.13: (a) réseau filaire en Y affecté par un défaut non franc, (b) les réflectogrammes du
réseau en Y sans et avec les défauts
(a)
(b)
Chapitre 4 Application de la méthodologie développée
116
La Figure 4.14 représente la zone d'optimisation composée des variables correspondant à
l‟impédance et la position du défaut dans chaque branche.
La technique de codage est identique à l‟exemple précédent. Les paramètres de l‟AG sont
présentés dans le Tableau 4.5.
Tableau 4.5 : Paramètres de l’AG
Impédance Position
Nombre de bits 5 7
Taille de la population 350
Probabilité de croisement 70%
Probabilité de mutation 1,5%
a. Résultats obtenus
Les résultats obtenus ainsi que les principaux paramètres de l‟AG sont illustrés sur le
Tableau 4.6.
Tableau 4.6 : Paramètres de l’AG, résultats de l’inversion
Paramètres de l’AG Résultats
Bits Pm Pc Impédance (ohm) Localisation
Sur L2 (mètre)
20% de changement
d‟impédance 94,35 ohms
7/x
5/Z 1,5% 70%
93,77 0,77
40% de changement
d‟impédance 110,08 ohms 109,94 0,76
60% de changement
d‟impédance 125,81 ohms 125,14 0,74
La Figure 4.15, montre la convergence vers la solution optimale (l‟évolution de la fonction de
coût) au fur et à mesure des itérations.
Figure 4.14 : Zone d’optimisation du réseau en Y, variation de l’impédance et la position du défaut
Source
adaptée
L1 x1min
Zmin
Zmax
Zone
d‟optimisation
x1max = x2min x3min x2max = x3min
Jonction
J
Terminal de
L2
Terminal de
L3
L2 L3
Chapitre 4 Application de la méthodologie développée
117
La Figure 4.16 illustre le réflectogramme du réseau en Y affecté par un défaut non franc
obtenu par la simulation (FDTD) et inversion par AG. On constate une bonne concordance
des réponses et pour la position et l‟impédance de défaut.
Nous avons remarqué que l‟on peut diminuer l‟espace de recherche, juste à partir d‟une
comparaison des réflectogrammes du réseau avant et après qu‟il soit affecté par un défaut. S‟il
n‟y a pas de variation ou réflexion due à un défaut non franc avant le premier pic négatif
significatif de la jonction et de la longueur de la première branche (ou branche principale).
Nous pouvons exclure la première branche du domaine de recherche.
4.2.2.3. Inversion par RN
Comme dans la configuration d‟une ligne simple, la base de données est créée à partir de la
modélisation FDTD. Les données sont obtenues en variant la position du défaut entre (0 et 4,5
mètre), et l‟impédance entre (0 et 150 ohms).
L‟apprentissage du réseau de neurones est effectué avec 65 neurones. Une fois les RN créés,
les données de simulations (ou de la base de test) sont injectées à l‟entrée du RN. Ce qui
concerne les entrées, nous avons utilisé le réflectogramme du réseau en Y affecté par un
défaut non franc, d‟impédance de (20%, 40% et 60%) de l‟impédance caractéristique du
réseau, Figure 4.13 (b).
0 1 2 3 4 5 6 7 8 9 10-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Distance (m)
Am
pli
tud
e
Modèle direct (FDTD)
Inversion par AG
2.1 2.15 2.2 2.25 2.3 2.35 2.4 2.45 2.5 2.55 2.6-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160
10-4
10-2
100
Va
leu
r d
e l
a f
on
cti
on
de c
oû
t
Itérations
Figure 4.16: Réflectogramme du réseau en Y
affecté par un défaut non franc (40%)
Zoom
Figure 4.15: convergence de l’AG
Chapitre 4 Application de la méthodologie développée
118
La Figure 4.17 présente les résultats de l‟inversion sur cette base de test avec les RN
sélectionnés précédemment. Les résultats obtenus sont très satisfaisants.
a. Les résultats obtenus
Les résultats d‟inversion par RN sont présentés sur le Tableau 4.7.
Tableau 4.7 : Résultats de l’inversion par RN
Impédance
(ohm)
Localisation sur L2
(mètre)
20% de changement d‟impédance
94,35 ohms 94,20 0,76
40% de changement d‟impédance
110,08 ohms 110,01 0,75
60% de changement d‟impédance
125,81 ohms 125,51 0,74
Le Tableau compare les résultats obtenus par les RN avec les valeurs de référence. Les
résultats de l‟inversion par RN sont en bon accord avec des valeurs de référence. À partir de
ces résultats, on peut conclure que le RN arrive à généraliser et donne des résultats avec une
bonne précision.
4.2.2.4. Comparaison AG-RN
Le Tableau 4.8 montre les résultats obtenus de la localisation et caractérisation des défauts
non francs avec les deux méthodes d‟inversion (RN et AG). Nous remarquons que les deux
approches optimisent bien les paramètres du défaut (impédance et position), avec un léger
avantage pour le RN. Sur la Figure 4.18, nous comparons le réflectogramme simulé du réseau
affecté et celui obtenu par inversion AG et RN.
0 5 10 15 20 25 300
5
10
15
20
25
30
Zd de la base de test
Zd
esti
mé p
ar R
N
0 5 10 15 20 25 300
5
10
15
20
25
30
Ld de la base de test
Ld
esti
mé p
ar R
N
Figure 4.17: Comparaison des données estimées avec celles contenues dans la base de test
L’impédance La position
Chapitre 4 Application de la méthodologie développée
119
Tableau 4.8 : Impédance et position des différents types de défauts
Impédance (en ohm) Position (en mètre)
Valeur de
référence
Inversion
par AG
Inversion
par RN
Valeur de
référence
Inversion
par AG
Inversion
par RN
20% de changement
d‟impédance 94,35 93,77 94,20 0,75 0,77 0,76
40% de changement
d‟impédance 110,08 109,94 110,01 0,75 0,76 0,75
60% de changement
d‟impédance 125,81 125,14 125,51 0,75 0,74 0,74
4.2.3. Diagnostic de réseaux filaires complexes
4.2.3.1. Problème direct : analyse du réseau complexe en présence d’un défaut
non franc
Une topologie de réseau en Y peut être considérée comme un réseau complexe des plus
simples que l‟on puisse rencontrer, mais dans une automobile ou un avion les réseaux de
câblage sont de plus en plus complexes. Pour cela nous allons étudier dans cette partie le
diagnostic de ces réseaux filaires affectés par des défauts non francs. Considérons pour cela le
réseau filaire de la Figure 4.19 (a). Il est constitué d‟un câble bifilaire d‟impédance
caractéristique de 78,63 ohms. Les longueurs des branches et les extrémités du réseau sont
indiqués sur la Figure 4.19 (a). Le réflectogramme de la structure saine est illustré dans la
Figure 4.19 (b).
0 1 2 3 4 5 6 7 8 9 10-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Distance (m)
Am
pli
tud
e
Modèle direct (FDTD)
Inversion par AG
Inversion par RN
2.1 2.2 2.3 2.4 2.5 2.6 2.7-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03
0.04
Zoom
Figure 4.18: Comparaison des réflectogrammes obtenus par
modèle direct (FDTD) et inversion par AG et RN.
Chapitre 4 Application de la méthodologie développée
120
Nous introduisons un défaut non franc situé à LD=6,25 mètre de la source et sur la branche L5,
Figure 3.20 (a). Les impédances des défauts non francs sont de (20%, 40% et 60%) de
l‟impédance caractéristique de la ligne.
La Figure 4.20 (b) représente une comparaison des réflectogrammes simulés (sans et avec
défaut) du réseau filaire complexe. Ces réflectogrammes nous permettent de détecter et
localiser un défaut non franc à une distance de 6,25 mètre du plan d‟injection. Par contre,
nous ne sommes pas capables d‟identifier la branche où est le défaut ainsi que son
l‟impédance seulement à partir du réflectogramme.
4.2.3.2. Inversion par AG
Dans cette partie, nous allons appliquer la méthode de diagnostic utilisant l‟inversion par
les AG. Les paramètres de l'algorithme génétique sont les mêmes que ceux utilisés dans la
0 1 2 3 4 5 6 7 8 9 10-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
Am
pit
ud
e
Distance (m)
L1+L4+2L6L1+2L3 L1+L2+L4
L1+2L2+L3
L1+2L2
L1+3L2
L1+L2 L1+L3L1+L2+L3
L1+L4+L6
L1+L4+L5
L1
0 1 2 3 4 5 6 7 8 9 10-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Am
pli
tud
e
Distance (meter)
Sans défauts
20% de changement d'impédance
40% de changement d'impédance
60% de changement d'impédance
5.9 6 6.1 6.2 6.3 6.4 6.5-0.1
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
L1=1m
C.O L2=0,6m
L3=2,25m C.O
L4=4,25m L5=1,75m
L6=1m
C.O
C.O
Figure 4.19: (a) réseau filaire complexe, (b) réflectogramme du réseau complexe sain
(a)
(b)
Figure 4.20: (a) réseau filaire complexe affecté par un défaut non franc, (b) les réflectogrammes
du réseau complexe sans et avec les défauts
(a)
(b)
C.O
L1=1m
C.O L2=0,6m
L3=2,25m C.O
L4=4,25m L5=1,75m
L6=1m C.O
Défaut
LD=6,25m
Zoom
Position de défaut
Chapitre 4 Application de la méthodologie développée
121
configuration précédente. Les bornes de variation de chaque paramètres sont : [0 – 150 ohms]
pour l‟impédance est [0 – L], avec L, la longueur de chaque branche, pour la position.
a. Résultats obtenus
Le Tableau ci-dessous montre les résultats de l‟inversion par AG comparé aux valeurs de
référence, ainsi que les principaux paramètres de l‟AG (taille de bits et les probabilités).
Tableau 4.9 : Paramètres de l’AG, résultats de l’inversion
Paramètres de l’AG Résultats
Bits Pm Pc Impédance
(ohms)
Localisation
(mètre)
20% de changement
d‟impédance 94,35 ohms
6/x
5/Z 1,5% 70%
93,93 6,23
40% de changement
d‟impédance 110,08 ohms 109,97 6,24
60% de changement
d‟impédance 125,81 ohms 125,56 6,24
Nous remarquons qu‟il y a une très bonne concordance entre les valeurs de référence de
défauts et ceux obtenus par l‟AG.
Sur la Figure 4.22, nous comparons les réflectogrammes obtenus par le modèle direct (FDTD)
et par inversion utilisant l‟AG, d‟un réseau complexe affectée par un défaut non franc
d‟impédance de 40% de l‟impédance caractéristique du réseau, situé sur la branche L5. Cette
comparaison confirme de nouveau les performances de l‟AG pour l‟optimisation des
paramètres des défauts. Sur la Figure 4.21 nous avons tracé l‟évolution de la fonction de coût
en fonction des itérations.
4.2.3.3. Inversion par RN
Nous avons appliqué les RN sur la configuration précédente. Les conditions d‟inversion
sont les suivantes : nombre de neurones cachés 75, et le nombre d‟exemples est environ
0 50 100 150 200
10-2
10-1
Va
leu
r d
e l
a f
on
cti
on
de c
oû
t
Itérations
0 1 2 3 4 5 6 7 8 9 10-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Am
pli
tud
e
Distance (m)
Modèle direct (FDTD)
Inversion par AG
5.9 5.95 6 6.05 6.1 6.15 6.2 6.25 6.3 6.35 6.4 6.45 6.5-0.1
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
Zoom
Figure 4.22: Réfléctogramme du réseau en Y
affecté par défaut non franc (40%)
Figure 4.21: convergence de l’AG
Chapitre 4 Application de la méthodologie développée
122
22000, dont 8800 de validation, 4400 de test et 8800 d‟apprentissage. Notons que, comme
l‟exemple précédent (réseau en Y), on utilise pour chaque paramètre à estimer (l‟impédance et
la position du défaut) un RN différent.
Le Tableau 4.10 montre les résultats d‟inversion obtenus :
Tableau 4.10 Résultats de l’inversion par RN
Impédance
(ohms)
Localisation
(mètre)
20% de changement
d‟impédance 94,35 ohms 94,86 6,23
40% de changement
d‟impédance 110,08 ohms 110,03 6,24
60% de changement
d‟impédance 125,81 ohms 125,82 6,25
Suite aux résultats obtenus, montrés dans le Tableau 4.10, on peut constater que le modèle
inverse neuronal donne des résultats avec une bonne précision.
4.2.3.4. Comparaison AG et RN
Afin de comparer les résultats d‟inversion par les deux méthodes (AG et RN), nous
prenons les mêmes bornes de variation des paramètres à optimiser ainsi que les pas de
discrétisation. Le Tableau 4.11 résume les différents résultats obtenus par AG et RN
comparés aux valeurs de référence.
Tableau 4.11 : Impédance et position des différents types de défauts
Impédance (ohm) Position (mètre)
Valeur de
référence
Inversion
par AG
Inversion
par RN
Valeur de
référence
Inversion
par AG
Inversion
par RN
20% de changement
d‟impédance 94,35 93,93 94,86 6,25 6,23 6,23
40% de changement
d‟impédance 110,08 109,97 110,03 6,25 6,24 6,24
60% de changement
d‟impédance 125,81 125,56 125,82 6,25 6,24 6,25
Suite aux résultats obtenus dans le Tableau 4.11, on constate que le modèle inverse neuronal,
développé à base de réseaux neurone MLP, est en mesure de généraliser et il donne des
résultats avec une bonne exactitude par rapport à celui de l‟algorithme génétique.
Chapitre 4 Application de la méthodologie développée
123
La Figure 4.23 compare des réflectogrammes du réseau complexe de la Figure 4.20(a),
obtenus par le modèle direct (FDTD) à celui obtenu en résolvant le problème inverse par AG
et RN. Dans les deux cas (direct et inverse), nous constatons que les réflectogrammes sont très
proches l‟un de l‟autre.
4.3. Analyse des lignes affectées par des défauts francs
L‟aggravation des défauts décrits précédemment (non francs) peut causer et créer des
défauts plus graves (francs) conduisant à des conséquences catastrophiques [FURS 06]. Pour
cela, l‟étude et l‟analyse de ces défauts francs à une importance crucial dans le diagnostic
filaire. Comme nous avons vu dans le cas des défauts non francs, la complexité des
configurations à étudier sera croissante. Nous commençons par une ligne simple, ensuite un
réseau en Y, et à la fin des réseaux complexes. Tous les résultats présentés ici ont été obtenus
à partir de données expérimentales acquises au laboratoire.
4.3.1. Diagnostic de lignes simples
Considérons une ligne simple de longueur 1,5 mètre, d‟impédance caractéristique 50 ohms
affectée par des défauts francs (circuit ouvert ou court circuit) à 0,75 mètre par rapport à la
source. L‟extrémité gauche de la ligne est chargée par une source d‟impédance ZG = 50 ohms.
L‟extrémité droite de la ligne est adaptée, Figure 4.24 (a).
0 2 4 6 8 10-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Am
pli
tud
e
Distance (meter)
Modèle direct (FDTD)
Inversion par AG
Inversion par RN
5.9 6 6.1 6.2 6.3 6.4 6.5-0.1
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
Figure 4.23: Comparaison des réflectogrammes obtenus par
modèle direct (FDTD) et inversion par AG et RN.
Zoom
Chapitre 4 Application de la méthodologie développée
124
Le réflectogramme de la Figure 4.24 (b) présente une comparaison entre la réponse de la ligne
sans et avec les défauts franc (circuit ouvert et court circuit). Nous remarquons qu‟à la
position de défaut, un pic positif (circuit ouvert) ou négatif (court circuit) signifie la présence
d‟un défaut franc. Nous pouvons donc en déduire des informations (position et nature) du
défaut juste à partir du réflectogramme. Celui-ci donc va nous permettre de valider le modèle
inverse sur ce cas simple.
4.3.1.1. Inversion par AG
Dans le cas des défauts francs, les paramètres à estimer se limitent à deux : la nature du
défaut (circuit ouvert ou court circuit) et la longueur de la ligne. Déterminer la longueur de la
ligne signifie connaitre la position du défaut.
La Figure 4.25 montre la zone d‟optimisation, constitué de deux paramètres. Le premier est la
nature de défaut (CO ou CC). Le second est la longueur de la ligne (position du défaut) et
varie entre 0 et 1,5 mètre.
Les paramètres de l‟AG ainsi que les résultats obtenus sont illustrés sur le Tableau 4.12 et
les Figures 4.26 et 4.27.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Distance (m)
Am
pli
tud
e
Sans défaut
Avec défaut franc (court circuit)
Avec défaut franc (circuit ouvert)
Source
adaptée
Charge
adaptée
Δx
xmin xmax
C.O
C.C
Zone d‟optimisation Maille
FDTD
Figure 4.24: (a) une ligne simple adaptée, affectée par un défaut franc, (b) Comparaison des
réflectogrammes obtenus par expérience d’une ligne sans et avec défauts francs.
(a) (b)
Charge
adaptée
L= 1,5 m
LD= 0,75 m
Défaut franc Source
adaptée
Figure 4.25 : Zone d’optimisation de la ligne
Chapitre 4 Application de la méthodologie développée
125
Figure 4.27: comparaison des réflectogrammes
obtenus par mesure et inversion utilisant AG
Tableau 4.12: Paramètres de l’AG
Nombre de bits 6
Taille de la population 150
Probabilité de croisement 70%
Probabilité de mutation 1,5%
Les résultats obtenus sont très satisfaisants. Une reconstruction de la ligne nous a permis de
déterminer la position et la nature du défaut.
4.3.1.2. Inversion par RN
Vu la simplicité de la réponse de la ligne simple affectée par un défaut franc, pour
l‟identification du défaut, nous sommes conscients que l‟utilisation des RN n‟est pas très
avantageuse dans ce cas. En effet, il suffirait d‟analyser la réponse de la ligne pour identifier
la nature et la position du défaut franc. Mais l‟utilisation des RN va nous permettre de valider
le modèle inverse sur ce cas simple.
Nous avons créé la base de données à partir des variations des paramètres du défaut (longueur
de la ligne et la nature de défaut (court circuit ou circuit ouvert)) et les réflectogrammes qui
correspondent. La nature de défaut comporte deux exemples, et la longueur de la ligne
comporte environ 400 exemples.
Les deux RN ont chacun 50 neurones dans leur couche cachée. Les résultats de l‟inversion sur
une base de test de 80 exemples pris aléatoirement dans le domaine d‟apprentissage sont
montrés à la Figure 4.28.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Distance (m)
Am
pli
tud
e
Mesures
Inversion par AG
0 20 40 60 80 100 120 140 16010
-4
10-3
10-2
10-1
100
Va
leu
r d
e l
a f
on
cti
on
de c
oû
t
Itérations
Figure 4.26: Evolution de la fonction de coût
en fonction des itérations
Chapitre 4 Application de la méthodologie développée
126
Ces résultats montrent clairement que l‟inversion par RN est très bien réalisée pour
l‟estimation des paramètres d‟un défaut franc, (Figure 4.29).
À partir du réflectogramme expérimental de la ligne affectée par des défauts francs et le
modèle neuronal constitué à partir de la simulation, nous avons déterminé les paramètres de
défaut franc. Les résultats de l‟inversion sont très satisfaisants et il est très rapide d‟identifier
le défaut.
4.3.1.3. Comparaison entre AG et RN
Le Tableau 4.13 résume les différents résultats obtenus par AG et RN comparés aux valeurs
de référence. Les résultats sont très satisfaisants pour les deux défauts francs.
Tableau 4.13 reconstruction d’une ligne simple
Court circuit Circuit ouvert
Valeur de
référence
Inversion
par AG
Inversion
par RN
Valeur de
référence
Inversion
par AG
Inversion
par RN
L (en mètre) 0,75 0,74 0,75 0,75 0,75 0,75
4.3.2. Diagnostic de l’état d’un réseau filaire en Y
Dans cette partie, nous allons diagnostiquer l‟état d‟un réseau filaire en Y, affecté par un
ou plusieurs défauts francs. Nous allons tout d‟abord considérer un réseau en Y de la Figure
4.30 (a).
Le réseau est constitué de câbles coaxiaux d‟impédance caractéristique de 50 ohms. Les
longueurs des branches et les charges des extrémités sont indiquées sur la Figure 4.30 (a).
Nous considérons que la source a une impédance adaptée à l‟impédance caractéristique du
câble coaxial.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
Distance(m)
Am
pli
tud
e
Mesure
Inversion par RN
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
L de la base de test
L e
stim
é p
ar
RN
Figure 4.28: Comparaison des données estimées
avec celles contenues dans la base de test
Figure 4.29: comparaison des réfléctogrammes
obtenus par mesure et inversion utilisant RN
Chapitre 4 Application de la méthodologie développée
127
La Figure 4.33 (b) compare le réflectogramme simulé avec celui mesuré sur un réseau en Y
sain. Les deux réponses sont très proches l‟une de l‟autre, les quelques petites différences sont
dues aux pertes des connecteurs.
4.3.2.1. Réseau filaire en Y affecté par un défaut franc
Dans un premier temps nous considérons que le réseau filaire en Y est affecté par un seul
défaut franc sur l‟une de ces branches, Figure 4.31.
Les réflectogrammes présentés, Figures 4.32, 4.33 et 4.34 comparent la réponse mesurée du
réseau en Y sans et avec le défaut franc.
Suivant la position du défaut, il est possible de le localiser sans ambiguïté à condition de
connaître à l‟avance la topologie du réseau : par exemple dans la Figure 4.32 nous apercevons
un pic significatif de défaut franc avant le pic de la jonction ce qui signifie que forcément le
0 1 2 3 4 5 6 7 8-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Distance (m)
Am
pli
tud
e
Mesure
Simulation
Figure 4.30: (a) réseau filaire en Y chargé circuit ouvert (CO), (b) réflectogrammes correspondant
au réseau en Y.
(a) (b)
L1 = 1,5 m, L2 = 1,5 m, L3 = 1,5 m, LD1 = 0,75 m, LD2 = 2,25 m et LD3 = 1,88 m
Figure 4.31: Réseau en Y affecté par un défaut franc sur (a) la branche principale L1, (b) sur la
branche secondaire L2, et (c) sur l’autre branche secondaire L3.
(a) (b)
(c)
L1
L2
L3
C.O
C.O LD1
L1
L2
L3
C.O
C.O
LD2
L1
L2
L3
C.O
C.O LD3
L1=1,5m
L2=1,5m
L3=1,5m
Circuit
ouvert
Circuit
ouvert
Source
adaptée
Chapitre 4 Application de la méthodologie développée
128
défaut est sur L1. Par contre si le défaut est à une distance comprise dans l‟intervalle [L1,
L1+L2], alors il y a ambiguïté sur sa localisation. Les réflectogrammes de la Figure 4.33
donnent un exemple lorsqu‟un circuit ouvert ou court-circuit est situé à une distance de 2,25
mètre compris dans l‟intervalle [L1, L1+L2] puis situé à une distance de 1,88 mètre dans le cas
de la Figure 4.34. Dans ces deux dernières configurations et à partir de la comparaison nous
sommes capables de dire à quelle distance se trouve le défaut mais impossible d‟affirmer
quelle branche est défectueuse.
4.3.2.2. Réseau filaire en Y affecté par deux défauts francs
Maintenant nous allons introduire un deuxième défaut franc sur le même réseau en Y. Les
défauts sont sur deux branches différentes. Comme l‟exemple précédent, plusieurs
configurations sont possibles, mais nous allons en choisir une, illustrée dans la Figure 4.35
(a).
0 1 2 3 4 5 6 7-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Distance (m)
Am
plit
ude
Sans défauts
Avec défaut franc (court circuit)
Avec défaut franc (circuit ouvert)
0 1 2 3 4 5 6 7-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Distance (m)
Am
plit
ud
e
Sans défauts
Avec défaut franc (court circuit)
Avec défaut franc (circuit ouvert)
0 1 2 3 4 5 6 7-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Distance (m)
Am
pli
tud
e
Sans défauts
Avec défaut franc (court circuit)
Avec défaut franc (circuit ouvert)
Figure 4.32: Comparaison des réflectogrammes
obtenus par expérience du réseau en Y (a) sans et
avec défaut franc.
Figure 4.33: Comparaison des réflectogrammes
obtenus par expérience du réseau en Y (b) sans et
avec défaut franc.
Figure 4.34: Comparaison des réflectogrammes
obtenus par expérience du réseau en Y (c) sans et
avec défaut franc.
Chapitre 4 Application de la méthodologie développée
129
Les réflectogrammes présentés sur la Figure 4.35 (b) sont obtenus par mesure. Ils
correspondent à une comparaison de la réponse du réseau en Y sans et avec deux défauts
francs sur deux branches différentes à des distances différentes par rapport à la source. La
comparaison montre la présence d‟un défaut franc à 1,88 mètre, mais nous ne sommes pas
capables de dire sur quelle branche il est (sur L2 ou L3). De même on ne peut pas savoir s‟il y
d‟autres défauts plus loin sur le réseau (à une distance supérieure à 1,88 mètre), juste à partir
d‟une comparaison des réponses.
4.3.2.3. Inversion par AG
Dans cette partie, nous allons présenter quelques résultats d‟inversion par les algorithmes
génétiques dans le cas où le réseau en Y est affecté par un et deux défauts francs.
Les paramètres à optimiser par l‟AG sont donc, les longueurs des branches du réseau et la
nature du défaut franc (court circuit ou circuit ouvert). Les bornes de variation de chaque
paramètre ainsi que les paramètres de l‟AG sont données dans les Tableaux 4.14 et 4.15.
Tableau 4.14 Bornes de variation des longueurs
Min Max
1ére
Tronçon L1 0 1,5 m
2éme
Tronçon L2 0 1,5 m
3éme
Tronçon L3 0 1,5 m
Tableau 4.15 : Paramètres de l’AG
Nombre de bits 6
Taille de la population 350
Probabilité de croisement 70%
Probabilité de mutation 1,5%
L1=1,5m
L2=1,5m
L3=1,5m
C.O
C.O
LD2=2,25m
LD1=1,88m
Figure 4.35: (a) réseau filaire en Y affecté par deux défauts francs (CO ou CC), (b) Comparaison des
réflectogrammes obtenus par expérience du réseau (a) sans et avec défauts francs.
(a) (b)
0 1 2 3 4 5 6 7
-0.5
0
0.5
1
Distance (m)
Am
pli
tud
e
Sans défauts
Avec deux défauts francs(CC sur L3 et CO sur L2)
avec deux défauts francs (circuit ouvert)
Chapitre 4 Application de la méthodologie développée
130
Sur la Figure 4.36, pendant les 50 premières itérations, nous constatons souvent une
augmentation de la fonction de coût. Ce résultat est dû au caractère aléatoire de la création de
certains individus de la population. Il permet à l'algorithme, outre l'accélération de la
convergence au début du processus, d'avoir une meilleure robustesse vis à vis des maxima
locaux.
La Figure 4.37 représente les réseaux filaires en Y reconstruits utilisant l‟AG et les
réflectogrammes obtenus expérimentalement de la configuration affectée par un ou deux
défauts francs. Les nouvelles longueurs des branches des réseaux permettent de localiser les
défauts sur les branches. Les charges de ces branches permettent de caractériser ces défauts
francs.
0 20 40 60 80 100 120 140 16010
-4
10-3
10-2
10-1
100
Va
leu
r d
e la
fo
nct
ion
de
coû
t
Itérations
Figure 4.36: Evolution de la fonction de coût en
fonction des itérations
Figure 4.37: Réseaux en Y reconstruits à partir des AG
Défaut franc sur L2
Défaut franc sur L3
Deux défauts francs sur L2 et L3
L1=1,49 m L2=0,74 m
L3=1,48 m
C.O
C.O
L1=1,49 m L2=0,75 m
L3=1,47 m
C.C
C.O
L1=1,50 m
L2=1,47m
L3=0,37 m
C.O
C.O
L1=1,48 m
L2=0,76 m
L3=0,39 m
C.O
C.O
L1=1,49 m
L2=1,50 m
L3=0,38m
C.O
C.C
L1=1,49 m
L2=0,75 m
L3=0,37 m
C.O
C.C
Chapitre 4 Application de la méthodologie développée
131
Analyse paramétrique
Afin d‟analyser l‟effet des variations des paramètres de l‟AG sur les résultats de
reconstruction, nous avons effectué une étude sur la variation de la taille des bits et la
précision voulue. Pour cela nous allons considérer le cas du réseau affecté par deux défauts
francs.
Tableau 4.16 : Influence des paramètres de l’AG
Bits Taille de
population Itérations CPU (s)
L1
(mètre)
L2
(mètre)
L3
(mètre)
Cas 1 4 100 300 15,12 1,467 0,737 0,357
Cas 2 6 63 100 9,14 1,487 0,748 0,375
Cas 3 7 150 150 16,92 1,496 0,751 0,382
Cas 4 8 200 400 31,73 1,500 0,752 0,377
Cas 5 10 200 300 26,11 1,498 0,751 0,381
D‟après le Tableau 4.16, nous remarquons à chaque fois que l‟on augmente le nombre de bits
de codage des paramètres à optimiser, on augmente bien sûr la précision et aussi le temps de
calcul. Compte-tenu de la précision et du coût de calcul, ces résultats nous ont conduits à
choisir les paramètres d‟inversion correspondant au cas n°2.
Comme pour le cas défauts non francs, le nombre de paramètres à optimiser peut diminuer en
fonction de la comparaison des réflectogrammes sans et avec défauts. Par exemple, si sur la
réponse on ne remarque aucun changement avant L1, on peut exclure L1 du domaine de
recherche. Et si la réponse du réseau sous test ne manifeste aucun changement (par rapport à
la réponse du réseau sain), avant L1+L2, on peut exclure L2 aussi de l‟espace de recherche, et
ainsi de suite jusqu'à l‟apparition de la réflexion de défaut.
4.3.2.4. Inversion par RN
Les RNs sont utilisés dans cette partie afin de reconstruire la topologie du réseau en Y
affecté par un (ou plusieurs) défaut (s) franc (s). La base de données a été créée à partir du
modèle direct (FDTD). La Figure 4.38 montre l‟organigramme du processus d‟inversion
adopté. La structure de chaque RN, ainsi que les fonctions d‟activations des couches sont les
mêmes utilisées dans l‟application précédent. L‟entrée du RN MLP est constituée du
réflectogramme issu des mesures d‟un réseau filaire en Y affecté par un ou plusieurs défauts
francs et la sortie contient un neurone correspondant à la longueur d‟une branche Li, et à la
caractérisation de défaut (circuit ouvert, C.O ou court circuit, C.C). Dans cette application, la
base d‟apprentissage est constituée d‟environ 21000 exemples, et les bases de validation et de
test sont constituées de 8500 exemples chacune. Ci-après est représentée la procédure
d‟inversion.
Chapitre 4 Application de la méthodologie développée
132
Le choix du nombre de neurones dans la couche cachée est déterminé de la même manière
que l‟application précédente en faisant varier le nombre de neurones de 5 à 200 et faisant
plusieurs initialisations des poids et des biais pour chaque configuration. La Figure 4.39
montre l‟évolution de l‟EQM sur les bases d‟apprentissage et de validation en fonction du
nombre de neurones dans la couche cachée. Il est constaté que le nombre de neurones dans la
couche cachée correspondant à une EQM la plus faible sur la base de validation est de 45
neurones.
La performance de l‟estimation des longueurs des branches du réseau et la caractérisation des
défauts par le RN est caractérisée par le calcul de l‟erreur relative sur la base de test. On
conclut que le RN MLP arrive à généraliser et donne des résultats avec une bonne précision.
La Figure 4.40 montre l‟erreur relative des paramètres estimés en fonction des paramètres
réels.
20 40 60 80 100 120 14010
-4
10-3
10-2
10-1
100
101
102
Nombre de neurones cachés
EQ
M
Apprentissage
Test
Figure 4.38: Schéma d’inversion par RN des données du réseau en Y
Figure 4.39: Evolution de l’erreur sur la base de test en fonction du
nombre de neurones de la couche cachée
Couche
caché
Entrée Sortie
L1 N+1
1
2
N
Réflectogramme du
réseau Y affecté par
défaut franc
(V,L)
(V,L)
(V,L)
L2, CO ou CC N+1
1
2
N
L3, CO ou CC N+1
1
2
N
Chapitre 4 Application de la méthodologie développée
133
Dès qu‟on a fini de construire le modèle neuronal «off-line», et à partir du réflectogramme
mesuré du réseau filaire en Y affecté par des défauts francs, nous reconstruisons le réseau. La
Figure 4.41 présente les réseaux reconstruits par les RN et les réflectogrammes de la
configuration affectée par un ou deux défauts francs.
4.3.2.5. Comparaison entre AG et RG
Le Tableau suivant résume les différents résultats obtenus par AG et RN comparant la
valeur de référence, pour le cas où le réseau en Y est affecté par deux défauts francs. Les
résultats sont très satisfaisants pour les deux types de défaut franc.
Tableau 4.17 : Longueurs des différentes branches
Court circuit sur L3 Circuit ouvert sur L3
Valeur de
référence
Inversion
par AG
Inversion
par RN
Valeur de
référence
Inversion
par AG
Inversion
par RN
L1 (en mètre) 1,50 1,49 1,50 1,50 1,48 1,50
L2 (en mètre) 0,75 0,75 0,74 0,75 0,76 0,75
L3 (en mètre) 0,38 0,37 0,38 0,38 0,39 0,37
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.60
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
L2 de la base de test
L2
est
imé
pa
r R
N
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.60
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
L3 de la base de test
L3
est
imé
pa
r R
N
Figure 4.40 : Estimation des longueurs des branches affectées
Figure 4.41: les réseaux en Y reconstruits à partir de RN
Défaut franc sur L2
Défaut franc sur L3
Deux défauts francs sur L2 et L3
L1 =1,50 m L2 =0,74 m
L3=1,49 m
C.O
C.O
C.O
L1 =1,50 m
L2 =1,48 m
L3=0,38 m C.O
L1 =1,50 m
L2 =0,75 m
L3=0,37 m
C.O
C.O
Chapitre 4 Application de la méthodologie développée
134
0 1 2 3 4 5 6 7 8 9 10-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
Distance (m)
Am
pli
tud
e
0 1 2 3 4 5 6 7 8 9 10-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
Distance (m)
Am
pli
tud
e
Sans défauts
Avec défaut franc (circuit ouvert)
Avec défaut franc (court circuit)
4.3.3. Diagnostic de l’état d’un réseau en Y constitué des paires torsadées
Dans cette partie nous considérons la même configuration filaire précédente (réseau en Y),
mais cette fois constituée par des paires torsadées d‟impédance caractéristique de 120 ohms.
Les longueurs et les charges des tronçons secondaires (L2 et L3) sont illustrées sur la Figure
4.42(a). Le réflectogramme mesuré de la structure saine est illustré dans la Figure 4.42(b).
Les petites oscillations ou réflexions entre les pics significatifs de la réponse, sont dues aux
variations d‟impédance le long de la configuration.
Nous introduisons un défaut franc (circuit ouvert ou court circuit) sur la branche L3. Le
réflectogramme de la figure 4.43(b) illustre une comparaison des réponses de la structure
filaire sans et avec le défaut franc. Nous remarquons que les deux réponses sont très proches
l‟une de l‟autre avant 2,1 mètres (la position de défaut par rapport à la source).
Figure 4.42 : (a) Réseau en Y constitué par des paires torsadées chargées en circuit ouvert
(CO), (b) réflectogramme correspondant au réseau Y
L2 = 1,47 m
L1 = 1,2 m
L3 = 1,7 m
C.O
C.O
VNA
(a) (b)
Figure 4.43 : (a) Réseau en Y constitué par des paires torsadées affecté par un défaut franc, (b)
Comparaison des réflectogrammes obtenus par expérience du réseau en Y, sans et avec défaut
franc
L2 = 1,47 m
L1 = 1,2 m
L3 = 1,7 m
C.O
C.O
VNA
Ld = 2,1 m
(a)
(b)
Chapitre 4 Application de la méthodologie développée
135
0 1 2 3 4 5 6 7-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
Distance (m)
Am
pli
tud
e
Mesure
Inversion par AG
Afin d‟identifier et localiser ces défauts francs sur la structure filaire nous appliquons la
méthode de diagnostic proposée utilisant l‟approche d‟inversion itérative.
4.3.3.1. Inversion par AG
On a vu précédemment que le nombre et la nature des paramètres à optimiser par l‟AG
dépend de la nature du défaut. Dans le cas de défauts francs, l‟objectif de la résolution du
problème inverse est la reconstruction de la topologie filaire afin de localiser le défaut et
l‟identification des charges des branches secondaires afin de caractériser le défaut. Dans le cas
du réseau filaire de la figure 4.43(a) nous avons cinq paramètres (les longueurs des trois
branches L1, L2, et L3 et les deux charges des branches secondaires L2, et L3).
Les limites de variations de chaque paramètre sont entre 0 et Li pour les longueurs des
branches, avec i = 1, 2, 3, et soit court circuit ou circuit ouvert pour la nature des défauts.
À partir du réflectogramme mesuré de la structure filaire affectée, le modèle direct et
l‟algorithme génétique avec ces différents paramètres donnés dans le tableau 4.18, nous
reconstruisons la topologie du réseau filaire, figure 4.44. Les nouvelles longueurs du réseau
ainsi que les charges des branches secondaire vont nous permettre d‟identifier et localiser le
défaut franc sur le réseau filaire multiconducteur.
Tableau 4.18 : Paramètres de l’AG
Nombre de bits 6
Taille de la population 350
Probabilité de croisement 70%
Probabilité de mutation 1,5%
L2 = 1,42 m
L1 = 1,18 m
L3 = 0,9 m
C.O
C.O
Figure 4.44 : Réseau en Y constitué par des
paires torsadées reconstruit à partir des AG
Figure 4.45 : Comparaison des réflectogrammes
mesuré et celui obtenu par inversion AG
Chapitre 4 Application de la méthodologie développée
136
La figure 4.45 présente une comparaison du réflectogramme mesuré du réseau en Y affecté
avec celui obtenu par inversion AG. Une relative bonne concordance est obtenue sur les pics
principaux.
4.3.4. Diagnostic de l’état d’un réseau filaire complexe
Afin de montrer la robustesse de la méthodologie de diagnostic proposé, nous allons tester
sur des configurations de réseaux filaires complexes, affectés par un et deux défauts. Pour
cela nous avons choisi les deux configurations de réseau complexe, Figure 4.46.
Les réseaux sont constitués des câbles d‟impédance caractéristique de 50 ohms, les longueurs
et les charges des branches secondaires sont indiquées sur la Figure 4.46. La source est
adaptée à l‟impédance caractéristique du câble.
Nous étudierons d‟abord les réseaux sains (sans défauts).
Les réflectogrammes des Figures 4.47 et 4.48 montrent le bon accord entre les simulations
(modèle FDTD) et les mesures, pour les principaux pics de la réponse, dont les amplitudes et
0 1 2 3 4 5 6 7 8-0.4
-0.2
0
0.2
0.4
0.6
0.8
Distance (m)
Am
pli
tud
e
Mesure
Simulation
0 1 2 3 4 5 6 7 8
-0.4
-0.2
0
0.2
0.4
0.6
Distance (m)
Am
pli
tud
e
Mesure
Simulation
Figures 4.46: Deux réseaux de topologie complexe
C.O
C.O L4 =0,75m
L5 =1,5m
C.O
L1 =1,5m
L2 =1,5m
L3 =1,5m
L1 =1,5m
L2 =1,5m
L4 =1,5m
C.O
C.O L3 =1,5m
C.O
Figure 4.47: Réflectogrammes correspondant au
réseau (a).
(a) (b)
Figure 4.48: Réflectogrammes correspondant
au réseau (b).
Chapitre 4 Application de la méthodologie développée
137
les positions. Les petites différences sont dues aux mêmes causes que celles décrites
précédemment (section 4.3.2).
Nous allons introduire ensuite un (ou plusieurs) défaut(s) sur l‟un (ou plusieurs) branche(s) du
réseau (a) et (b) de la Figure 4.46. Le défaut pourra être soit un circuit ouvert ou un court
circuit. Ensuite nous appliquerons la méthode de diagnostic proposée avec les deux approches
d‟inversion.
4.3.4.1. Réseaux filaires complexes affectés par un défaut franc
Les Figures 4.49 (b) et 4.50 (b) montrent que les deux réflectogrammes (sans et avec
défauts francs) sont très proches l‟un à l‟autre avant 2,25 mètre et 1,88 mètre respectivement.
Ces distances LD indiquent les positions des défauts par rapport à la source. L‟analyse de ces
réflectogrammes nous ne permet pas de localiser et caractériser sans ambigüité les défauts sur
les branches des réseaux. Par exemple pour le premier réseau complexe, Figure 4.49 (a), si le
défaut se trouve sur la branche L2 ou L3 ou L4, nous obtenons le même réflectogramme.
0 2 4 6 8 10-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
Distance (m)
Am
pli
tud
e
Sans défauts
Avec défaut franc (court circuit)
Avec défaut franc (circuit ouvert)
0 1 2 3 4 5 6 7 8
-0.4
-0.2
0
0.2
0.4
0.6
Distance (m)
Am
pli
tud
e
Sans défauts
Avec défaut franc (court circuit)
Avec défaut franc (circuit ouvert)
C.O
C.O L4 =0,75m
L5 =1,5m
C.O
L1 =1,5m
L2 =1,5m
L3 =1,5m
LD = 1,88m
Figure 4.49 : (a) réseau filaire en étoile affecté par un défaut franc (CO), (b) comparaison des
réflectogrammes obtenus par expérience du réseau (a) sans et avec défaut franc.
(a) (b)
Figure 4.50: (a) réseau filaire complexe affecté par un défaut franc (CO), (b) comparaison des
réflectogrammes obtenus par expérience du réseau (a) sans et avec défaut franc.
(a) (b)
LD =2,25m
L1 = 1,5m
L2 = 1,5m
L4 = 1,5m
C.O
C.O L3 = 1,5m
C.O
Chapitre 4 Application de la méthodologie développée
138
4.3.4.2. Réseau filaire complexe affecté par deux défauts francs
Dans la deuxième configuration, les réseaux filaires complexes, Figure 4.51 (a) et 4.52 (a),
sont affectés par deux défauts francs, sur deux différentes branches (L2 et L4), à des distances
différentes par rapport à la source (à 1,88 mètre, et à 2,25 mètre) pour le réseau de la Figure
4.51 (a), et (à 2,25 mètre, et à 3,38 mètre), pour le réseau de Figure 4.52 (a).
Pour les réflectogrammes représentés sur les Figure 4.51 (b) et Figure 4.52 (b), nous faisons
les mêmes remarques que dans le cas d‟un seul défaut. Ajoutons que nous ne pouvons pas
déterminer si les réseaux ont d‟autres défauts plus loin (à une distance supérieure à 2,25
mètre, pour le réseau de la Figure 4.51 (a), et supérieure à 3,38 mètre, pour le réseau de la
Figure 4.52 (a)), juste à partir du réflectogramme.
0 1 2 3 4 5 6 7 8
-0.4
-0.2
0
0.2
0.4
0.6
Distance (m)
Am
pli
tud
e
Sans défauts
Avec deux défauts francs (court circuit)
Avec deux défauts francs (circuit ouvert)
0 1 2 3 4 5 6 7 8-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Distance (m)
Am
pli
tud
e
Sans défauts
Avec deux défauts francs (court circuit)
Avec deux défauts francs (circuit ouvert)
Figure 4.51 : (a) réseau filaire en étoile affecté par deux défauts francs (CO), (b) Comparaison des
réflectogrammes obtenus par expérience du réseau (a) sans et avec défauts francs.
(a) (b)
Figure 4.52: (a) réseau filaire en étoile affecté par deux défauts francs (CO), (b) comparaison des
réflectogrammes obtenus par expérience du réseau (a) sans et avec défauts francs.
(a) (b)
C.O
C.O
C.O
LD1 = 2,25m
L1 = 1,5m
L2 = 1,5m
L4 = 1,5m
L3 = 1,5m
LD2 = 1,88m
C.O
C.O L4 = 0,75m
L5 = 1,5m
C.O
L1 = 1,5m
L2 = 1,5m
L3 = 1,5m
LD1 = 2,25m
LD2 =3,38m
Chapitre 4 Application de la méthodologie développée
139
4.3.4.3. Inversion par AG
Dans cette partie, nous allons présenter quelques résultats de l‟application de la
méthodologie de diagnostic proposée utilisant les AG sur des réseaux complexe affectées par
des défauts francs. L‟objectif de cette résolution de problème inverse est de reconstruire la
topologie des réseaux filaires et définir les charges des branches secondaires afin de localiser
et caractériser les défauts francs. Pour cela, les deux topologies de réseaux filaires complexes
présentés précédemment sont considérées. Les entrées de l‟AG, sont les réflectogrammes
issus des mesures de réseaux filaires affectées par un ou plusieurs défauts francs.
Le nombre de paramètres à optimiser dépend de la topologie de réseau. Par exemple, dans le
cas du réseau filaire complexe de la Figure 4.46 (a), nous avons sept paramètres (les
longueurs des quatre branches, et les trois charges des branches secondaires ; L2, L3, et L4).
Pour la deuxième configuration de réseau (Figure 4.46 (b)), nous avons huit paramètres (les
cinq branches plus les trois terminaux).
Les bornes de variation de chaque paramètre sont entre 0 et Li pour les longueurs des
branches, avec i = 1,2,…,5, et soit court circuit ou circuit ouvert pour la nature des défauts.
Nous avons tout d‟abord appliqué la méthode d‟inversion par AG, aux deux premiers cas, où
les réseaux filaire complexes affectées par un seul défaut franc.
Les Figures 4.53 et 4.54 présentent les résultats de l‟inversion. La reconstruction de la
topologie des réseaux filaires complexes nous permet d‟identifier la branche affectée et même
de caractériser le défaut.
Figure 4.53 : réseaux en étoile reconstruits à partir des AG
Défaut franc (circuit ouvert) sur L2
Défaut franc (court circuit) sur L2
Figure 4.54 : réseaux complexes reconstruits à partir des AG
Défaut franc (circuit ouvert) sur L2
Défaut franc (court circuit) sur L2
C.O
L1 = 1,49 m
L2 = 0,76 m
L4 = 1,50 m
C.O
C.O L3 = 1,48 m
C.O
L1 = 1,49 m
L2 = 0,74 m
L4 = 1,49 m
C.C
C.O L3 = 1,49 m
C.O
C.O L4 = 0,74 m
L5 = 1,48 m
C.O
L1 = 1,50 m
L2 = 0,37 m
L3 = 1,50 m
C.O
C.O L4 = 0,74 m
L5 = 1,49 m
C.C L1 = 1,50 m
L2 = 0,36 m
L3 = 1,50 m
Chapitre 4 Application de la méthodologie développée
140
Dans le deuxième cas, les réseaux filaires complexes sont affectés par deux défauts francs.
Les Figures 4.55 et 4.56 présentent les réseaux complexes reconstruits avec AG et à partir des
réflectogrammes mesures. Les nouvelles topologies et les charges des terminaux vont nous
permettre de localiser et caractériser les défauts francs sur la structure du réseau.
Nous remarquons que la localisation du défaut franc sur le réseau complexe de la Figure 4.53
ne peut se faire sans ambiguïté. Contrairement à la deuxième configuration (Figure 4.54), où
la localisation de défaut franc se fait sans ambiguïté.
4.3.4.4. Inversion par RN
Le RN est cette fois-ci est alimenté avec les réflectogrammes des réseaux filaires complexe
affectés par un (des) défaut (s) franc (s). Et les sorties sont les longueurs des branches du
réseau filaire et les caractérisations de défauts. Le nombre de neurones dans la couche cachée
est déterminé comme dans l‟exemple précédent. Les réseaux reconstruits à partir du modèle
neuronal et les réflectogrammes mesurés, sont illustrés dans la Figure 4.57.
Figure 4.55 : réseaux en étoile reconstruits à partir des AG
Figure 4.56 : réseaux complexes reconstruits à partir des AG
Deux défauts francs (circuit
ouvert) sur L2 et L4
Deux défauts francs (circuit ouvert)
sur L2 et (court circuit) sur L4
L1 = 1,50 m
L2 = 0,74 m
L4 = 0,37 m
L3 = 1,48 m
C.O
C.O
C.O L1 = 1,50 m
L2 = 0,76m
L4 = 0,38 m
L3 = 1,49 m
C.O
C.C
C.O
Deux défauts francs (circuit
ouvert) sur L2 et L4
Deux défauts francs (court circuit)
sur L2 et (circuit ouvert) sur L4
C.O L4 = 0,36 m
L5 = 1,48 m
C.C
L1 = 1,50 m
L2 = 0,75 m
L3 = 1,50 m
C.O C.O
C.O L4 = 0,37 m
L5 = 1,47 m
C.O
L1 = 1,50 m
L2 = 0,76 m
L3 = 1,49 m
Chapitre 4 Application de la méthodologie développée
141
4.4. Conclusion
Au cours de ce chapitre nous avons appliqué la méthodologie de diagnostic sur différentes
configurations de câblages. Pour cela deux types de défauts ont été étudiés. Dans un premier
temps la méthode est appliquée sur des lignes de transmission affectées par des défauts non
francs. La résolution du problème inverse est effectuée par deux méthodes AG et RN. Dans le
premier cas de défaut (non franc), nous avons remarqué que le réflectogramme du réseau de
câblage présente des variations à la position de défaut dont l‟amplitude dépend de
l‟impédance de défaut.
Pour cela, les longueurs des branches de réseaux ainsi que les charges des branches
secondaires sont les paramètres à optimiser par le problème inverse.
Pour chaque type de défauts ou configuration de câblages, les deux méthodes d‟inversion sont
comparées. Nous avons remarqué que les deux approches donnent des résultats satisfaisants.
La différence est que les AG sont coûteuses en termes de temps de diagnostic. Par contre avec
les RN on met beaucoup de temps pour la création de la base de données, le réglage des
paramètres du réseau et l‟apprentissage, mais tout ce temps compte comme «offline», dans
l‟opération de diagnostic. Pour cela nous considérons que l‟utilisation des RN peut être très
avantageuse pour les applications embarquées.
Figure 4.57: réseaux complexes reconstruits à partir de RN
Défaut franc (circuit ouvert) sur L2
Défaut franc (circuit ouvert) sur L2
Deux défauts francs (circuit
ouvert) sur L2 et L4
Deux défauts francs (court circuit)
sur L2 et (circuit ouvert) sur L4
L1 = 1,50 m
L2 = 0,74 m
L4 = 1,49 m
C.O
C.O L3 = 1,50 m
C.O C.O
C.O L4 = 0,75 m
L5 = 1,49 m
C.O L1 = 1,50 m
L2 = 0,38 m
L3 = 1,49 m
L1 = 1,50 m
L2 = 0,76 m
L4 = 0,38 m
L3 = 1,49 m
C.O
C.O
C.O C.O L4 = 0,37 m
L5 = 1,49 m
C.O
L1 = 1,50 m
L2 = 0,76 m
L3 = 1,50 m
C.O
Conclusions et perspectives
142
Conclusions & Perspectives
Conclusions et perspectives
143
Conclusions et perspectives
Le travail mené durant cette thèse a permis de développer une méthodologie dédiée à la
réflectométrie en vue du diagnostic de câblage dans le but de détecter, localiser et caractériser
les défauts dans les réseaux filaires.
Nous avons tout d‟abord positionné les travaux de cette thèse dans leur contexte actuel en
présentant les différentes méthodes de diagnostic existantes. Nous nous sommes intéressés à
la réflectométrie dans le domaine temporel. La réflectométrie montre une réelle efficacité
pour l‟analyse d‟une ligne de transmission simple. En revanche lorsque cette méthode est
appliquée à un réseau complexe, la réponse présente certaines difficultés pour l‟analyse en
raison des chemins multiples dans le réseau et des réflexions dues à d‟éventuels défauts. Cette
problématique est d‟autant plus gênante que les réseaux filaires de topologies différentes sont
de plus en plus utilisés. Nous avons donc cherché à développer une approche qui réponde à
cette problématique.
La solution proposée a consisté à combiner un modèle de propagation filaire avec deux
méthodes de résolution de problème inverses. Le modèle de propagation direct exploite la
méthode FDTD et permet une représentation fidèle des signaux au sein du réseau. La
résolution du problème inverse est assurée par deux méthodes, les algorithmes génétiques
(AG) et les réseaux de neurones (RN).
Nous avons appliqué, dans un premier temps, notre méthode pour diagnostiquer des lignes de
transmissions affectées par des défauts non francs. Les paramètres à optimiser dans ce cas
sont les paramètres électriques (ou l‟impédance) et la position du défaut. Dans des conditions
réelles et avec le bruit, les défauts ont des variations d‟impédance inférieure ou égales à 10%
de l‟impédance caractéristique de la ligne sont difficiles, voir impossible, à détecter. Dans un
second temps, notre méthode a été appliquée à des réseaux de câblage affectés par des défauts
francs. Dans ce cas, la réponse ainsi que la topologie du réseau changent, et les paramètres à
reconstruire deviennent les longueurs des différentes branches du réseau. Pour chaque type de
défaut, nous avons commencé tout d‟abord par des lignes simples, afin de mettre en évidence
l‟efficacité de la méthodologie proposée. Ensuite des structures de plus en plus complexes ont
été considérées. Cette méthode a donné de très bons résultats dans l‟analyse d‟un réseau en Y,
qui est le réseau filaire le plus simple que l‟on puisse rencontrer.
Afin de s‟approcher du contexte réel de câblage au sein d‟un véhicule automobile, les lignes
multifilaires sont également étudiées. Dans les premières configurations nous avons considéré
une paire torsadée simple qui nous a permis de valider notre modèle, ensuite le nombre de
conducteurs a été progressivement augmenté et diverses discrétisations ont été proposées pour
reproduire la complexité du torsadage.
La procédure d‟inversion utilisant l‟AG associée à la méthode FDTD est coûteuse en temps
de calcul surtout pour des configurations de câblage complexes. Pour les réseaux de neurones,
l‟opération d‟inversion s‟effectue en deux temps. Une étape d‟apprentissage des données à
Conclusions et perspectives
144
partir d‟un ensemble d‟une base de données s‟effectue au préalable (« offline »). Cette étape
peut demander un temps relativement important, en fonction du type de ligne (simple, Y ou
complexe), de la nature du défaut (franc ou non franc) et du nombre de paramètres utilisés
pour réaliser l‟apprentissage (nombre d’exemple, nombre de neurones) mais elle n‟a besoin
d‟être effectuée qu‟une seule fois. La deuxième étape d‟inversion ne fait pas appel à des
itérations successives, elle est rapide. Le modèle neuronal peut par conséquent être utilisé en
temps qu‟estimateur « temps réel ».
Les perspectives portent notamment sur l‟application de la procédure développée à des
situations plus complexes et réalistes, par exemple sur un réseau d‟automobile. Comme par
exemple son extension à des lignes multifilaires de configuration plus complexe.
Pour la partie problème inverse, nous devrons améliorer la procédure d‟inversion utilisant les
RN. Au lieu d‟exploiter le réflectogramme du réseau affecté comme entrée de l‟algorithme
d‟inversion, il est possible d‟utiliser directement les paramètres des défauts à estimer. Une
autre solution possible, est de prendre en compte les points significatifs de la réponse
temporelle du réseau sous test. Des méthodes ont déjà été développées pour la compression
des données afin d‟extraire l‟information utile à partir d‟une base de données. Nous citons à
titre d‟exemple l‟analyse en composantes principales.
Pour que la méthode proposée puisse fonctionner de façon autonome, il est nécessaire de
développer un algorithme qui permettra d‟analyser et interpréter les réflectogrammes pour
connaître l‟état du réseau filaire. L‟étude menée durant ces trois années de thèse a abouti à
une méthodologie de diagnostic filaire. Par la suite, il sera nécessaire de mener des travaux de
recherche sur l‟intégration de la méthode dans des cartes type FPGA afin de répondre à la
problématique du diagnostic embarqué. Un autre axe de recherche à approfondir est de
réfléchir à des solutions pour résoudre le problème d‟ambiguïtés dans l‟identification des
défauts.
ANNEXES
145
ANNEXES
ANNEXES
146
ANNEXES
Solutions analytiques des équations de propagation
Les équations de propagation ou dites des « Télégraphistes » sont des équations
différentielles décrivant l‟évolution de la tension et du courant instantanés le long de la ligne
de transmission multiconducteurs.
[ ( , )] -[ ][ ( , )]-[ ] [ ( , )]V z t R I z t L I z tz t
(1)
[ ( , )] -[ ][ ( , )]-[ ] [ ( , )]I z t G V z t C V z tz t
(2)
1. Solution fréquentielle
La théorie des lignes, pour un régime harmonique de pulsation ω, permet d‟écrire les relations
entre [V(z)] et [I(z)] :
[ ( )][ ][ ( )]
V zZ I z
z
(3)
[ ( )][ ][ ( )]
I zY V z
z
(4)
La matrice [Z] est la matrice d‟impédance linéique
(5)
La matrice d‟impédance linéique fait intervenir les résistances des conducteurs, les
inductances internes, liées à l‟énergie magnétique stockée dans chaque conducteur et les
inductances externes liées aux champs magnétiques extérieurs aux conducteurs.
La matrice [Y] est la matrice d‟admittance linéique
(6)
11 1 1 11 11 1 1 1 1
1 1 1
1 1 1
... ... ... ...
. . . . .
... ...[ ]
. . . . .
... ... ... ...
i n i i n n
i ii in i i ii ii in in
n ni nn n n ni ni nn nn
Z Z Z R jL R jL R jL
Z Z Z R jL R jL R jLZ
Z Z Z R jL R jL R jL
11 1 1 11 11 1 1 1 1
1 1 1
1 1 1
... ... ... ...
. . . . .
... ...[ ]
. . . . .
... ... ... ...
i n i i n n
i ii in i i ii ii in in
n ni nn n n ni ni nn nn
Y Y Y G jC G jC G jC
Y Y Y G jC G jC G jCY
Y Y Y G jC G jC G jC
ANNEXES
147
La matrice d‟admittance linéique fait intervenir les conductances liées à la circulation de
courant dans le diélectrique, et les capacités, liées aux champs électriques à l‟extérieur des
conducteurs.
L‟équation vérifiée par le vecteur des tensions peut s‟écrire :
(7)
En posant [ ] [ ][ ]Z Y , la solution de l‟équation précédente s‟écrit
(8)
En dérivant cette équation par rapport à z, nous pouvons exprimer [I(z)]
(9)
Les vecteurs [V+] et [V
-] peuvent alors être calculés en fonction des conditions imposées en z
= 0 et en z = L, avec L est la longueur totale de la ligne.
2. Solution temporelle
Les équations (1) et (2) sont un ensemble d‟équations aux dérivées partielles, qu‟on peut
écrire :
(10)
Cette forme du premier ordre peut être particulièrement utile en vue de la résolution. Si les
conducteurs sont parfaits R = 0, et le diélectrique est sans pertes, G = 0, l‟équation devient
alors :
(11)
En différentiant les deux équations (1) et (2) et en les combinant, on obtient l‟équation des
télégraphistes en tension ou en courant.
2
2
[ ( )][ ][ ][ ( )] 0
V zZ Y V z
z
[ ( )] exp( [ ] )[ ] exp([ ] )[ ]V z z V z V
1 1[ ( )] [ ] [ ]exp( [ ] )[ ] [ ] [ ]exp([ ] )[ ]I z Z z V Z z V
( , ) 0 ( , ) 0 ( , )
( , ) 0 ( , ) 0 ( , )
V z t R V z t L V z t
I z t G I z t C I z tz t
( , ) 0 ( , )
( , ) 0 ( , )
V z t L V z t
I z t C I z tz t
ANNEXES
148
2 2
2[ ( , )] [ ] [ ( , )] [ ] [ ( , )]V z t R I z t L I z t
z z tz
(12)
2 2
2[ ( , )] [ ] [ ( , )] [ ] [ ( , )]I z t G V z t C V z t
z t t t
(13)
En remplaçant (12) et (2) dans (13)
(14)
(15)
La combinaison des équations matricielles définies précédemment nous fournit les équations
écrites ci-dessus, représentant l'équation différentielle du second ordre en tension ou en
courant.
2.1. Formalisme des variables d'état
Les équations des télégraphistes présentées en (1) et (2) sont un ensemble d'équations
différentielles couplées du 1er ordre, et faisant apparaître un terme source supplémentaire par
rapport aux équations des lignes homogènes habituelles.
La généralisation du système (Télégraphiste) au cas d'une ligne composée de N conducteurs
conduit à la formulation des équations des lignes :
[ ( )] [ ][ ( )] [ ( )]
[ ( )] [ ][ ( )] [ ( )]
s
s
V z Z I z V zz
I z Y V z I zz
(16)
Où :
1
n
ij ijj
Z R Lt
et
1
n
ij ijj
Y G Ct
La représentation matricielle du système (19) est :
( )( ) 0 ( )
( ) 0 ( ) ( )
s
s
V zV z Z V z
I z Y I z I zz
(17)
X(z) A X(z)
2 2
2 2[ ( , )] ([ ][ ]) ( , ) ([ ][ ] [ ][ ]) [ ( , )] [ ][ ] [ ( , )]V z t R G V z t R C L G V z t L C V z t
tz t
2 2
2 2[ ( , )] ([ ][ ])[ ( , )] ([ ][ ] [ ][ ]) [ ( , )] [ ][ ] [( ( , )]I z t G R I z t G L C R I z t C L I z t
tz t
ANNEXES
149
L'intérêt d'écrire les équations des lignes définies en (1) et (2) sous cette forme matricielle
réside dans le fait que la solution du système (17) peut être obtenue directement par analogie
avec le formalisme des variables d'état, dont la démonstration est effectuée dans [PAUL 96].
En effet, il y est montré que la solution de l'équation (18) est donnée par la relation (19).
(18)
(19)
où la matrice de transition d'état est
2 1
( )
2 1( )
A t tt t e
(20)
Ainsi, la solution du système matriciel (17) devient :
(21)
Avec ( )
( )( )
V zX z
I z
, matrice des tensions et courants en tout point z de la ligne.
La matrice des paramètres chaînes est :
(22)
L'équation (21) traduit l'expression des courants et tensions en tout point z de la ligne en
fonction de leur valeur à l'origine z0, c'est le formalisme des variables d'état [ROBL 07].
Dans le cas étudié ici, nous nous intéressons aux valeurs des tensions et courants aux
extrémités de la ligne. Ainsi, l'équation (21) correspondant à une ligne commençant en z0 = 0
et appliquée à l'extrémité z = L de celle-ci devient :
(23)
Les N x N sous matrices de la matrice chaîne (22) appliquée en x = L sont données par :
( ) ( ) ( )X t AX t BW tz
0
0 0( ) ( ) ( ) ( ) ( )
t
t
X t t t X t t BW t d
0
0 0
( )( ) ( ) ( ) ( )
( )
zs
sz
VX z z z X z z d
I
11 12
21 22
( ) ( )( )
( ) ( )
Azz z
z ez z
0
( )( ) ( ) (0) ( )
( )
Ls
s
VX L L X L d
I
ANNEXES
150
1 1
11
1( ) ( )
2
L LL Y T e e T Y
1 1
12
1( ) ( )
2
L LL Y T e e T (24)
1 1
21
1( ) ( )
2
L LL T e e T Y
1
22
1( ) ( )
2
L LL T e e T
où T est une matrice de taille N x N définie telle que diagonalisant la matrice [Y. Z], c'est-à
dire vérifiant la relation 1 2[ ] [ . ][ ] [ ]T Y Z T , où [γ] représente la matrice diagonale des constantes
de propagation au carré.
Le développement de l'équation (23) permet de faire apparaître les termes V(0), I(0), V(L) et
I(L) :
(25)
Après réarrangement des termes, nous obtenons une formulation plus connue de ce système :
(26)
Nous obtenons donc avec (26) un système de 2 N équations à 4 N inconnues : V(0), I(0), V(L)
et I(L).
2.2. Prise en compte des conditions aux limites
L'obtention des 2 N équations manquantes, et nécessaires à la résolution du système,
s'effectue en incorporant les conditions aux limites sous forme de schémas électriques
équivalents de Thévenin tels que :
(0) (0)s s
V V Z I (27)
( ) ( )L L
V L V Z I L
Vs et VL sont les vecteurs colonnes de taille N des générateurs de tensions équivalents de
Thévenin aux extrémités de la ligne, en z = 0 et z = L.
11 12
21 22 0
( )( ) ( )( ) (0)( )
( ) ( ) ( ) (0) ( )
Ls
s
VL LV L VL d
I L L L I I
22 21 11 12
21 11 21 220
( )( ) 1 ( ) 0 ( ) ( )(0) (0)
( ) 0 ( ) ( ) 1 ( ) ( ) ( ) ( )
Ls
s
VL L L LI Vd
L I L L V L L L I
ANNEXES
151
Zs et ZL sont les matrices (de taille N x N) impédances de charges caractérisant les
terminaisons des lignes.
Le système (27) nous fournit ainsi 2 N équations supplémentaires.
2.3. Solution générale
En combinant les 2 N équations du système (26) et les 2 N équations (27) relatives aux
conditions aux limites (N côté proche, N côté distant), la solution générale de l'ensemble des
courants et tensions aux extrémités de la ligne multifilaire est donnée par un système matriciel
sous la forme :
(28)
où les inconnues V(0), I(0), V(L) et I(L) sont rassemblées sous la variable globale X.
A contient les éléments relatifs à la transmission sur la ligne multifilaire d'une part et aux
conditions aux limites d'autre part.
B contient toutes les informations relatives aux charges relié à la ligne d'une part et aux
générateurs localisés sur la ligne multifilaire d'autre part.
[ ][ ] [ ]A X B
[A] [X] [B]
Caractéristiques
de la ligne
Conditions aux
limites
V(0), I(0)
V(L), I(L)
0
0 Générateurs
Charges 0
0
=
Références bibliographiques
152
Références bibliographiques
Références bibliographiques
153
Références bibliographiques
[AHME 94] A. Ahmad, M. Kane and Ph Auriol, “High frequency equivalent models for
multiconductor transmission lines,” In the proceeding of the International Symposium on
Electromagnétic Compatibility, Rome, Italy, September 13-16, 1994.
[BARR 94] J. S. Barret and M. S. Green, “Statistical method for evaluation electrical
failures,” IEEE Transaction Power Del., vol. 9, no. 3, pp. 1524–1530, Jul. 1994.
[BERE 05] J. Beretta, “Les Systèmes Électroniques Embarqués un enjeu majeur pour
l‟automobile”, PSA Peugeot Citroën, 2005.
[BHAT 97] S. K. Bhatia, “Modeling electromagnetic properties of bridge cables for non-
destructive evaluation”, A Ph.D Thesis presented to the Faculty of The Electrical Engineering
of the University of Delaware, 1997.
[BLEM 01] K. Blemel and C. Furse, “Applications of Microsystems and Signal processing
for Wiring Integrity Monitoring”, IEEE Aerospace Symposium, Big Sky, Montana, March
2001.
[BOUR] P. Boursin, “L‟automobile, l‟électricité, le multiplexage ”,
http://pboursin.club.fr/pdgmpx.htm.
[CAST 02] C. Castanie, “Modèle de lignes de transmission non uniformes pour étude de
couplage électromagnétiques sur réseau de câblage, ” Thèse de doctorat de l‟Université Paul
Sabatier, octobre 2002.
[CHIP 68] R. A. Chipman, “Theory and problems of Transmission Lines”, John Wiley &
Sons, Inc, New York, 1968.
[CHUN 05] Y. C. Chung, C. Furse and J. Pruitt, “ Application of phase detection frequency
domain reflectometry for locating fault in an F-18 flight control harness”, IEEE Transactions
on Electromagnetic Compatibility, Vol. 47, No. 2, pp. 327 – 334, May 2005.
[CHUN 09] Y. C. Chung, N. N. Amarnath, and C. Furse, “Capacitance and Inductance
Sensor Circuits for Detecting the Lengths of Open- and Short-Circuited Wires”, IEEE
Transactions on Instrumentation and Measurement, Vol. 58, No. 8, pp. 2495 – 2502, August
2009.
[CLO 05] C. Lo and C. Furse, “Noise domain reflectometry for locating wiring faults”, IEEE
Transactions on Electromagnetic Compatibility, Vol. 47, No. 1, pp. 97 – 104, February 2005.
Références bibliographiques
154
[COMA 08] F. V. Commandini, M. Mirrahimi, and M. Sorine, “On the inverse scattering of
star-shape LC-networks,” IEEE Control Decision Conference, (Cancun, Mexico), pp. 2057-
2080, Decembre, 9-11, 2008.
[CONN 00] K. M. O‟Connor and H. C. Dowding, “Real Time Monitoring of Infrastructure
Using TDR Technology: Principles”, FHWA Conference on Applications of Geophysical
Technologies to Planning, Design, Construction and Maintenance of Transportation Facilities,
St. Louis, December 2000.
[COST 96] P. Costa, “Contribution à l‟utilisation des réseaux de neurones à couche en
traitement du signal”, Thèse de doctorat de l‟école Normale Supérieur de Cachan, 1996.
[CRIT 01] L. Crittenden and G. Slenski “Managing Electrical Connections Systems and Wire
Integrity on Legacy Aerospace Vehicles”, FAA PI/Engineer Workshop 2001.
[DAVA 93] E. Davalo, P. Naim. “Des réseaux de neurones”, Editions Eyrolles, 1993.
[DREY 93] G. Dreyfus, J-M. Martinez, M. Samuelides, M.B. Gordon, F. Bradran, S. Thiria,
L. Hérault, “Réseau de neurones, méthodologie et applications”, Editions Eyrolles, 2002.
[FURS 01] C. Furse and R. Haupt, “Down to the Wire: The Hidden Hazard of Aging Aircraft
Wiring”, IEEE Spectrum, Vol. 38, No. 2, pp. 35 – 39, February 2001.
[FURS 03] C. Furse, Y. C. Chung, R. Dangol, M. Nielsen, G. Mabey and R. Woodward, “
Frequency-domain reflectometry for on board testing of aging aircraft wiring”, IEEE
Transactions on Electromagnetic Compatibility, Vol. 45, No. 2, pp. 306 – 315, May 2003.
[FURS 05] C. Furse, P. Smith, M. Safavi and C. Lo, “Feasibility of spread spectrum sensors
for location of arcs on live wires”, IEEE Sensors Journal, Vol. 5, No. 6, pp. 1445 – 1450,
December 2005.
[FURS 06] C. Furse, Y. C. Chung, C. Lo and P. Pendalaya, “A critical comparaison of
reflectometry methods for location of wiring faults”, Smart Structures and Systems, Vol. 2,
No. 1, pp. 25 – 46, 2006.
[GOLD 89] D. E. Goldberg “Genetic Algorithms in Search, Optimization and Machine
Learning”. Reading MA Addison Wesley, 1989.
[GOLD 91] D. E. Goldberg, “Algorithmes génétiques, Exploration, optimisation et
apprentissage automatique”, Vie artificielle, édition Addison-Wesley France, 1991
[GOUR 07] W. Gouret, “Contribution à l‟étude des communications courant porteur haut
débit pour l‟embarqué”, Thèse de doctorat de l‟Institut National des Sciences Appliquées de
Rennes, 2007.
Références bibliographiques
155
[GRIF 06] L. A. Griffiths, R. Parakh, C. Furse, and B. Baker, “The Invisible Fray: A Critical
Analysis of the Use of Reflectometry for Fray Location”, IEEE Sensors Journal, Vol. 6, No.
3, pp. 697 – 706, June 2006.
[GRIV 00] S. Grivet-Takocia, “Adaptive transient solution of nonuniform multiconductors
transmission lines using wavelets,” IEEE Transactions on Antennas and Propagation, Vol. 48,
No. 10 pp. 1563 – 1573, October 2000.
[HAUP 04] R. L. Haupt and S. E. Haupt, “Practical Genetic Algorithms”, John Wiley &
Sons, Inc, Second edition, New York, 2004.
[HAUP 07] L. R. Haupt, D. H. Werner, “Genetic Algorithms in Electromagnetic”, John Wiley
& Sons, Inc, New York, 2007.
[HOLL 75] J. H. Holland “Adaptation in Natural and Artificial Systems”, A Bradford Book,
The MIT Press, Cambridge, MA, 1975.
[HOLT 67] C. A. Holt, “Introduction to Electromagnetic fields and waves”, John Wiley &
Sons, Inc, New York, 1967.
[HOMI 89] K. Hornik, M. Stinchcombe and H. White, “Multilayer feedforward networks are
universal approximators”, Neural networks, Vol. 2, No. 5, pp. 359 – 366, 1989.
[IKUM 01] T. Ikuma, “Model-Based Identification of POTS Local Loops for DSL
Connectivity Prediction” A Ph.D Thesis presented to the Faculty of The Bradley Department
of Electrical and Computer Engineering Virginia Polytechnic Institute and State University,
July 2001.
[JIN 02] J. Jin, “The finite element method in electromagnetic”, John Wiley & Sons, Inc,
Second edition, New York, 2002.
[JOHN 99] J. M. Johnson and Y. Rahmat-Samii “Electromagnetics Optimization by Genetic
Algorithms”, Wiley series in microwave and optical engineering, John Wiley & Sons, 1999.
[KOBA 82] K. Kobayashi, Y. Nemto and R. Sato, “Equivalent representations of non uniform
transmission lines based on the extended Kuroda‟s identify,” IEEE Transaction on Microwave
Theory and Techniques, Vol. 30, No. 2 pp. 140 – 146, February 1982.
[LADK 00] P. B. Ladkin and W. Schepper, “EMI, TWA 800 and Swissair 111”, The resks
digist, Vol. 21 October 10, 2000.
[LAWR 97] S. Lawrence, C. L. Gilles and A. C. Tsoi, “Lessons in neural network training:
Overfiting may be harder than expected”, Proceedings of the Fourteenth National Conference
Références bibliographiques
156
on Artificial Intelligence, AAAI-97, AAAI Press, Menlo Park, California, pp. 540 – 545,
1997.
[LINZ 05] W. G. Linzey, E. B. Wiesenfeld and M. G. Traskos, “A Risk Analysis of a Wire
Failure Potential in the Aircraft Industry”, Proceedings of the 8th
Joint NASA/FAA/DOD
Conference on Aging Aircraft, Palm Springs, CA-USA, 31 January-3 February 2005.
[LUND 95] J. Lundwtedt, S. Strom, and S. He, “Time-domain signal restoration and
parameter reconstruction on LCRG transmission line,” in Proc. Int. Symp. Signals, Syst.,
Electron., San Francisco, CA, pp. 323–326, 1995
[MCCU 43] W. S. MCCulloch, W. Pitts, “A logical calculus of the ideas immanent in nervous
activity”, Bulletin of Mathematical Biophysics, Vol.5, pp. 115 – 133, 1943.
[NATI 00] National Transportation Safety Board, “Aircraft Accident Report” August 23,
2000
[NEFF 91] H. P. Neff, “Introductory Electromagnetics”, John Wiley & Sons, Inc, New York,
1991.
[NELD 65] J. A. Nelder and R. Mead, “A simplex method for function minimization,” The
Computer Journal, Vol.7, No. 4, pp. 308 – 313, 1965.
[OLIV 06] M. Olivas, “Communication sur le réseau d‟énergie électrique d‟un véhicule :
modélisation et analyse du canal de propagation”, Thèse de doctorat de l‟Université des
Sciences et Technologies de Lille, Juillet 2006.
[PARK 08] J. B. Park and Y. J. Shin, “Time-Frequency Domain Reflectometry Apparatus and
Method”, U.S. Patent 7337079, 2008.
[PAUL 79] C.R. Paul and J.W Mcknight, “Prediction of crosstalk involving twisted pairs of
wires Part II : A simplified low frequency prediction model,” IEEE Transaction on
Electromagnetic Compatibility, Vol. EMC -21, No. 2, pp. 105 – 114, 1979.
[PAUL 94] C. R. Paul, “Analysis of Multiconductor Transmission Lines”, John Wiley &
Sons, Inc, New York, 1994
[PAUL 96] C.R. Paul, “Decoupling the Multiconduntor Transmission Lines equations,” IEEE
Transaction on Microwave Theory and Techniques, Vol. 44, No. 8, pp. 1429 – 1440, 1996.
[PAYS 87] M. Pays, “Localisation de défauts dans les réseaux de câbles d‟énergie,”
Technique de l‟ingénieur, Doc 4 540, Juin 1987.
[PORT 03] B. Portwood, “Aircraft Wiring Service History”, NBAA Conference 2003.
Références bibliographiques
157
[POZA 98] D. M. Pozar, “Microwave Engineering”, John Wiley & Sons, Inc, Second edition,
New York, 1998.
[RAVO 07] N. Ravot, “Analyse et diagnostic de réseau filaire complexes par réflectométrie,”
Thèse de doctorat de l‟Université Paris Sud 11, octobre 2007.
[REDD 03] B. S. B. Reddy, “Signal processing solutions to detection and location of cable
faults in aging aircraft wiring using reflectometry methods”, MS Thesis, Utah State
University, 2003.
[REEV 03] C. R. Reeves and J. E. Rowe, “Genetic Algorithms - Principles and Perspectives:
A Guide to GA Theory”, Kluwer Academic Publishers, 2003.
[RIBI 01] N. Ribière-Tharaud, M. Hélier, D. Lecointe, R. Chotard, S. Dop and J.-Ch.
Bolomey, “CDF and quantile : relevant observables related to the common-mode current of a
realistic cable bundle,” In the proceedings of the 14th international Zurich symposium on
electromagnetic compatibility, EMC Zurich – Suisse, 2001.
[ROBL 07] S. Roblot, “Caractérisation des couplages électromagnétiques dans les réseaux
filaires cuivre en vue d‟optimiser les transmissions à haut débit,” Thèse de doctorat de
l‟Université de Limoges, 2007.
[RYBA 04] T. Ryback and M. Steffka, “Automotive Electromagnetic Compatibility“, Kluwer
Academic Publishers, New York, 2004.
[SADI 01] M. N. O. Sadiku, “Numerical Techniques in Electromagnetics”, Boca Raton, FL:
CRC, Second edition, 2001.
[SALI 99] S. Salio, F. Canavero, J. Lefèbvre and W. Tabbarra, “Statistical description of
signal propagation on random bundles of wires,” In the proceedings of the 13th international
Zurich symposium on electromagnetic compatibility, EMC Zurich – Suisse, 1999.
[SANT 97] L. A. Pereira Dos Santos, “Développement d‟une nouvelle méthode de
détermination des profils de teneur en eau dans les sols par inversion d‟un signal TDR”,
Thèse doctorat de l‟Université Joseph Fourier, Grenoble I, Novembre 1997.
[SCHO 00] J. Schonfeld, O. Greulish, A. Patterson-Hine, L. Lee, J. Cockrell, and L. Hofland,
“Wire Integrity Research (WIRe) Research Study”, August 2000.
[SMIT 05] P. Smith, C. Furse, J. Gunther, “Analysis of spread spectrum time domain
reflectometry for wire fault location”, IEEE Sensors Journal, Vol. 5, No. 6, pp. 1469 – 1478,
December 2005.
Références bibliographiques
158
[SMIT 93] M. Smith. “Neural Networks for Statistical Modeling”. John Wiley & Sons, Inc,
New York, 1993.
[SOML 69] P. Somlo and D. Hollway, “Microwave Locationg reflectometer”, Electronics
Letters, Vol.5, No. 20, pp. 468 – 469, October 1969.
[SULL 00] D. M. Sullivan, “Electromagnetic simulation using the FDTD method”,
Piscatway: IEEE Press, New York, 2000.
[SULL 00] D. M. Sullivan, “Electromagnetics Simulation using the FDTD Method”,
Piscatway: IEEE Press, New York, 2000.
[TAFL 00] A. Taflove and S.C. Hagness, “Computational Electrodynamics – The finite
difference time-domain method”, Artech House, 2000.
[TOUZ 92] C. Touzet, “Les Réseaux de neurones artificiels : introduction au
connexionnisme”, EC2 édition, Paris, 1992.
[TSAI 05] P. Tsai, Y. C. Chung and C. Furse, “Mixed-signal reflectometer for location of
faults on aging wiring” , IEEE Sensors Journal, Vol. 15, No. 6, pp. 1479 – 1482, December
2005.
[ULAB 99] F. T. Ulaby “Fundamentals of Applied Electromagnetics” Prentice Hall, 1999.
[WHEE 07] K. R. Wheeler, D. A. Timucin, I. X. Twombly, K. F. Goebel and P. F. Wysocki
“Aging Aircraft Wiring Fault Detection Survey”, Report Prepared for the Aviation Safety
Program Aircraft Aging & Durability Project, 2007.
[WOOD 00] R. J. Woodward, “Using frequency domain reflectometry for water level
measurement”, MS. Thesis, Utah State University, 2000.
[YEE 66] K. S. Yee, “Numerical solution of initial boundary value problems involving
Maxwell”, IEEE Transaction on Microwave Theory and Techniques, Vol. 14, No. 3, pp. 302
– 307, May 1966.
[ZHAN 11] Q. Zhang, M. Sorine, and M. Admane, “Inverse Scattering for Soft Fault
Diagnosis in Electric Transmission Lines,” IEEE Transaction on Antennas and Propagation,
Vol. 59, No.1 pp. 141 – 148, January 2011.
Liste des publications
159
Liste des publications
Liste des publications
160
Liste des publications
Publications dans des revues internationales à comité de lecture
[1] B. Essakhi, J. Bénel, M.K. Smail, G. Akoun and L. Pichon, “Circuit Models for
Interconnects Using 3D Computational Techniques”, ACES: The Applied Computational
Electromagnetics Society Journal, Vol. 23, No.1, pp. 39-45, March 2008.
[2] M.K. Smail, L. Pichon, F. Auzaneau, M. Olivas and M. Lambert, “Detection of Defects in
Wiring Networks using Time Domain Reflectometry”, IEEE Transaction on Magnetics,
Vol. 46, No. 8, pp. 2998-3001, August 2010.
[3] M.K. Smail, L. Pichon, F. Auzaneau, M. Olivas and M. Lambert, “Recent progress in
EMC and reliability for automotive application”, COMPEL: The International Journal for
Computation and Mathematics in Electrical and Electronic Engineering, Vol. 30, No. 4,
2011.
[4] M.K. Smail, L. Pichon, F. Auzaneau, M. Olivas and M. Lambert, “Reconstruction of
faulty wiring networks using reflectometry response and genetic algorithm”, IJAEM:
International Journal of Applied Electromagnetic and Mechanics, Vol. 35, No. 1, pp. 39-
55, January 2011.
[5] M.K. Smail, T. Hacib, L. Pichon and F. Loete, “Detection and Location of Defects in
wiring Networks using Time Domain Reflectometry and Neural Networks” IEEE
Transaction on Magnetics, Vol. 47, No. 5, May 2011.
Conférences internationales avec comité de lecture et actes
[6] M.K. Smail, L. Pichon, “Modélisation dédiée aux problèmes de réflectométrie pour la
localisation et la caractérisation de défauts du câblage”, in Proceedings of 6th
European
Conference on Numerical Methods in Electromagnetic, (NUMELEC), Liege, Belgium, 8-
10 December 2008.
[7] M.K. Smail, L. Pichon, F. Auzaneau, M. Olivas and M. Lambert, “Localization and
characterization of defects in wiring networks”, in Proceedings of 15th
International
Symposium on Theoretical Electrical Engineering, (ISTET) Lübeck, Germany, 22-24 June
2009. (Invited).
[8] M.K. Smail, L. Pichon, F. Auzaneau, M. Olivas and M. Lambert, “Detection of Defects in
Wiring Networks using Time Domain Reflectometry”, in Proceedings of 17th
IEEE
International Conference on the Computation of Electromagnetic Fields (COMPUMAG),
Florianopolis, Brazil, 22-26 November 2009.
[9] M.K. Smail, T. Hacib, L. Pichon and F. Loete, “Detection and Location of Defects in
wiring Networks using Time Domain Reflectometry and Neural Networks”, in Proceedings
Liste des publications
161
of 14th
Biennial IEEE Conference on Electromagnetic Field Computation (CEFC),
Chicago, IL. USA, 9-12 May 2010.
Présentation et séminaires
[10] M.K. Smail, L. Pichon, “Modélisation dédiée à la réflectométrie pour le diagnostic de
câblage”, in Proceedings of “Groupe De Recherche Ondes”, GT1-GT3, “Réflectométrie
(s)”, IHP Paris, May 2009.
[11] M.K. Smail, L. Pichon, “Détection de défauts dans des réseaux filaires par
réflectométrie”, in Proceedings of “Groupe De Recherche Ondes”, “Interférence
d‟ondes,” CNAM Paris, 2-4 November 2009.
[12] M.K. Smail, L. Pichon, “Modélisation dédiée aux problèmes de réflectométrie pour la
localisation et la caractérisation de défaut de câblage”, 1ére
Forum Digitéo, Supélec,
November 2008.
[13] M.K. Smail, L. Pichon, “Détection, localisation et la caractérisation de défaut de
câblage en utilisant la réflectométrie ”, 2ére
Forum Digitéo, Polytechnique, November
2009.
[14] M.K. Smail, L. Pichon, F, Loete, “Détection et localisation de defaults dans les réseaux
filaires en utilisant la réflectométrie dans le domaine temporel” Séminaire de diagnostic
filaire, CEA, March 2010.
Développement d’une méthodologie dédiée à la réflectométrie en vue du
diagnostic filaire
Résumé :
La part de l‟électronique embarquée dans l‟automobile, avions, trains et d‟autres moyens de transport
ne cesse de croître. Cette augmentation est accompagnée d'une augmentation du nombre de systèmes
électroniques (dédiés à la sécurité et à la navigation), du couplage entre les fonctions et de
l'augmentation de la longueur des câbles. Ces câbles électriques subissent souvent des contraintes
externes (mécaniques, température, humidité …) qui sont souvent la cause d‟une détérioration
prématurée du réseau, et peuvent parfois être lourdes de conséquences (incendie, crash aérien, panne
d‟un véhicule …). La localisation du défaut est un atout important, car elle permet de cibler la
réparation afin d‟en réduire le coût. La fiabilité de ce câblage devient donc prépondérante et la mise au
point de systèmes et de procédures de diagnostic de câblages, apparaît urgente. Nous avons développé
une nouvelle approche pour le diagnostic de l‟état de câblage afin de détecter et de localiser (voire de
caractériser) des défauts. Cette méthodologie de modélisation se base sur deux ingrédients : un modèle
de propagation filaire et un outil de résolution de problèmes inverses. Le modèle de propagation décrit
le problème (direct) de la propagation d‟une onde électromagnétique le long d‟une ligne de
transmission (simple ou de type multiconducteurs) dans le domaine temporel. Il est basé sur une
représentation en cellule RLCG et sur la méthode FDTD. La résolution du problème inverse consiste à
partir d‟un réflectogramme à remonter vers des informations sur les valeurs des paramètres électriques
R,L,C et G exploités dans les modèles de propagation filaire et qui peuvent être représentatifs de
défauts caractéristiques (câble sectionné, corrosion, coupure , etc.). Deux outils ont été étudiés dans
cette perspective : les algorithmes génétiques et les réseaux de neurones. La méthode proposée a
donné de très bons résultats dans l‟analyse des différentes configurations de câblages (simple ou
réseau) et type de défauts (franc et non franc).
Development of a methodology dedicated to reflectometry response for wire
diagnosis
Abstract:
The embedded electronics in cars, aircraft, trains, and other transportation mean continues to grow. This
increase is accompanied by an increase in the number of electronic systems (dedicated to safety and
navigation), the coupling between the functions and the increase of the length of cables. These cables
are often exposed to external stress (mechanical, temperature, humidity ...) which is often the cause of
deterioration of the wiring network. Many problems currently appear referring to failures related to the
cables and can sometimes have heavy consequences (fire, aircraft crash, breakdown of a vehicle…).
Fault location is an important asset, because it allows to focus the reparation in order to reduce the
cost. The reliability of wire becomes dominant and the development of systems and procedures of
wiring diagnosis appears urgent. We have developed a new approach allows diagnosing the health of
a wiring network in order to detect, localize and characterize the defects. This methodology is based
on two steps: a wire propagation model and a tool to solve the inverse problem. The propagation
model describes the forward problem for wave propagation which along the transmission lines (simple
or multiconductors) in time domain. The resolution of the inverse problem consists to deduce some
knowledge about the defects from the reflectometry response. Two tools have been studied in this
perspective: the genetic algorithms and the neural networks. The proposed method has given very
good results in the analysis of different wiring configurations (simple lines and complex network) and
faults type (soft and hard).