EP4684222A1 - Procédé de détection de la présence d'un arc électrique et dispositif associé - Google Patents

Procédé de détection de la présence d'un arc électrique et dispositif associé

Info

Publication number
EP4684222A1
EP4684222A1 EP24719600.9A EP24719600A EP4684222A1 EP 4684222 A1 EP4684222 A1 EP 4684222A1 EP 24719600 A EP24719600 A EP 24719600A EP 4684222 A1 EP4684222 A1 EP 4684222A1
Authority
EP
European Patent Office
Prior art keywords
arc
measurement
current
learning
voltage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP24719600.9A
Other languages
German (de)
English (en)
Inventor
Raul CARREIRA RUFATO
Emmanuel BUSSY
Thierry Michel André LEBEYF
Yacine Oussar
Thierry Ditchi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Centre National de la Recherche Scientifique CNRS
Ecole Superieure de Physique et Chimie Industrielles de Ville de Paris ESPCI
Safran SA
Sorbonne Universite
Original Assignee
Centre National de la Recherche Scientifique CNRS
Ecole Superieure de Physique et Chimie Industrielles de Ville de Paris ESPCI
Safran SA
Sorbonne Universite
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from FR2302544A external-priority patent/FR3147005A1/fr
Priority claimed from FR2302545A external-priority patent/FR3147006A1/fr
Application filed by Centre National de la Recherche Scientifique CNRS, Ecole Superieure de Physique et Chimie Industrielles de Ville de Paris ESPCI, Safran SA, Sorbonne Universite filed Critical Centre National de la Recherche Scientifique CNRS
Publication of EP4684222A1 publication Critical patent/EP4684222A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Definitions

  • TITLE Method for detecting the presence of an electric arc and associated device
  • the technical field of the invention is that of detecting the presence of an electric arc using an artificial learning method.
  • the present invention relates to a method and a device for detecting the presence of an electric arc using a learning method and in particular a method in which a learning model and a knowledge model are used jointly.
  • the present invention results from the ongoing work to reduce the climate impact of civil aviation by using methods and operating virtuous development and manufacturing processes that minimize greenhouse gas emissions to the minimum possible in order to reduce the environmental footprint of its activity.
  • this sustained research and development work relates in particular to the development of the use of electrical technologies to provide propulsion. In this context, it is particularly important to be able to detect the formation of electric arcs.
  • an electric arc is a self-sustaining discharge with high current.
  • Fault arcs can be of two types depending on their position on the electrical circuit: parallel arcs and series arcs.
  • Series arcs generally occur at the terminals of an intermediate interface (connection terminal block, connector) following a connection problem during maintenance/installation, or a degradation linked to natural aging or anticipated by chemical, electrical or mechanical interactions.
  • One of the ways to mitigate the series arc fault is then to identify it (detect it) in order to isolate the faulty line, if necessary.
  • a first requirement is reliability, i.e. the power of a system to systematically detect dangerous electrical phenomena in all circumstances. This is its ability to achieve a true positive rate as close as possible to 100%.
  • the second requirement is robustness, i.e. the ability of a system to be immune to any event other than the one for which it was programmed. In other words, it is its ability to achieve a false positive rate as close as possible to 0%.
  • the system must therefore be robust against the different aircraft load signatures (having behaviors that resemble the signature of arcs) as well as all the environmental parameters associated with the flight and life cycles of aircraft.
  • the most applied branch to the detection of electrical ars faults in the state of the art is that of supervised learning.
  • This type of learning is a group of methods whose purpose is to generate a function capable of linking a set of inputs to an output using a base of examples and sophisticated mathematical methods.
  • the model deduces this function from labeled data consisting of a set of training examples. Detection methods using a model obtained by supervised learning are divided into regression and classification methods.
  • the objective of a classification is to predict a discrete value that allows any data to be assigned a category called a class.
  • the decision function obtained by a classification method therefore separates the existing classes.
  • the objective of a regression is to predict a continuous quantity.
  • the decision function obtained by a regression will therefore be able to represent the behavior of the system studied by continuously representing the quantity of interest (and not discretely as classification does).
  • the detection of electric arcs is generally done from electrical measurements using supervised artificial learning, but in the state of the art, the labeling method used is not specified, or the labeling method is specified but does not identify all phenomena correctly.
  • a measurement of the arc voltage can be used to complete the labeling.
  • the paper entitled “AC Series Arc-Fault Detection With A Transformer Neural Network, A Chabert et al., June 2022” proposes a detection of series arcs in AC voltage with a supervised learning method. A fully automatic labeling algorithm is proposed using the arc voltage.
  • document EP3695476 A1 proposes detection by artificial learning using a recurrent neural network. This is a detection method using only the mathematical information proposed by artificial learning tools. In particular, in the proposed method, the learning phase does not use physical equations of arcs.
  • the document "Physics-Informed Learning for High Impedance Faults Detection, Wenting Li, Deepjyoti Deka, 2021 IEEE Madrid PowerTech” proposes a so-called physically informed detection method for high impedance faults in microgrids (it is therefore not the same type of discharge as that produced by an electric arc).
  • the detection is based on a method derived from artificial learning as well as knowledge from the physics of the phenomenon to be detected.
  • the physical information does not come from a complete model of knowledge of the behavior of the discharge.
  • the physical information concerning the discharge is in fact derived from a measurement of the difference between a voltage-current phase diagram in a network, without fault and with fault.
  • the invention offers a solution to the problems mentioned above, by proposing a detection method based on an approach which consists of taking advantage of both experimental data and physical knowledge for the design by learning of a semi-physical arc detection model.
  • a first aspect of the invention relates to a computer-implemented method for detecting the presence of an electric arc on a power line using an artificial learning method, the learning being carried out using: a plurality of measurements relating to the formation of an electric arc, each measurement of the plurality of measurements comprising a time-correlated measurement of the arc voltage V arc , the current / and the SOUrCe voltage ⁇ source > of a knowledge model linking the arc voltage V arc and the current / to constants depending on the knowledge model.
  • the method according to a first aspect of the invention comprises a detection phase comprising:
  • a step of continuously measuring the source current / and voltage V source on the power line, so as to acquire input data relating to the source current / and voltage V source over a measurement window V source (t m ) ⁇ l 1 where M is the number of measurement points in the measurement window, /(t m ) is the current at time t m and Source ( f m) is the source voltage at time
  • a step of continuously determining the presence of an arc using a decision function allowing, as a function of the last M input data relating to the current / and the source voltage V source measured on the power line during the measurement step, to detect the presence of an arc, the decision function being a function of the second cost sub-function.
  • the method according to a first aspect of the invention may have one or more complementary characteristics among the following, considered individually or according to all technically possible combinations.
  • the decision function is defined by the following expression: [0030]
  • the knowledge model is the Mayr model and the second cost subfunction L 2 takes the following form:
  • T is the arc constant and P o is the cooling power.
  • the knowledge model is the Cassie model and the second cost subfunction L 2 takes the following form:
  • T is the arc constant
  • 7 0 is a constant corresponding to a minimum arc voltage (i.e. a minimum voltage value on the power line where the arc appears).
  • the knowledge model is the Shavemaker model and the second cost subfunction L 2 takes the following form:
  • T is the arc constant
  • P Q is the cooling power
  • 7 0 is a constant corresponding to a minimum arc voltage (i.e. a minimum voltage value on the power line where the arc appears).
  • the electrical line is equipped with a cut-off device for cutting the current in said line, the method comprising, when an electric arc is detected during the detection step, a step of sending, to the cut-off device, an instruction to cut the current on the line in question.
  • the learning model is performed using a formal neural network. [0043] In one embodiment, the learning model is performed using a support vector machine.
  • the method may provide a solution to the problems discussed above, by ensuring that data from electrical measurements of fault arcs are correctly labeled and by enabling:
  • Another objective of the method may be to optimize the time spent on labeling data during the model training phase, with a view to detecting electric arcs, and to reduce the resources required for labeling.
  • the method comprises: a design phase by artificial learning of a decision function using the plurality of measurements, the design phase comprising:
  • the labeling step comprises, for each measurement of the plurality of measurements and for each time interval t of the measurement considered:
  • the labeling logic combines arc physics, an automated procedure and, in some cases, human expertise.
  • the automated procedure it becomes possible to correctly label the vast majority, or even all, arc or nominal signals, to carry out this labeling efficiently thanks to the automated procedure, to correct the algorithmic inaccuracies undermined by the variability of arc signatures (when human expertise is required), to label the windows as precisely as possible (to the nearest sample), and to create a database thus labeled and adapted to the design of an artificial learning classifier for the detection of electric arcs.
  • This embodiment of the method may form a fully-fledged detection method, the method being implemented by computer and using an artificial learning method, the learning being carried out using a plurality of measurements relating to the formation of electric arcs, each measurement of the plurality of measurements comprising a time-correlated measurement of the arc voltage and the arc current, the method comprising the steps of this embodiment as described above.
  • the method comprises, before the learning phase, a step of acquiring signals necessary for the learning so as to obtain a plurality of measurements, each measurement comprising a time-correlated measurement of the arc voltage and the arc current.
  • the design phase comprises, before the labeling step, a step of manual pre-identification by expertise, in each measurement of the plurality of measurements, of all the electric arcs satisfying predetermined criteria so as to define a position of each arc within each measurement of the plurality of measurements.
  • the design phase comprises, at the end of the labeling step, a step of manual verification of the outputs of the labeling step by expertise so as to verify that the labeled measurements include all of the regions envisaged for learning.
  • the descriptors used during the step of determining the decision function comprise the spectral entropy and/or the autocorrelation of the arc current.
  • the design phase comprises, between the step of extracting descriptors from the labeled measurements and the step of determining the decision function, a step of classifying and selecting the descriptors so as to retain the most relevant subset of descriptors.
  • the classification may be carried out using a Gram-Schmidt method and the selection may be carried out using an incremental method.
  • other methods may be used for the classification or selection.
  • the step of determining the decision function comprises a plurality of iterations of the following two sub-steps: a sub-step of designing, by learning, a classifier; and a sub-step of validating the classifier from the labeled data; these sub-steps being repeated until an optimal classifier is obtained, the decision function being determined from this optimal classifier.
  • a second aspect of the invention relates to a device for detecting the presence of an arc in a current line comprising a measuring means configured to measure the current flowing in the current line and means configured to implement the method according to the first aspect of the invention.
  • a third aspect of the invention relates to a computer program comprising instructions which, when executed by a computer, cause the device according to the second aspect of the invention to execute the method according to the first aspect of the invention.
  • a fourth aspect of the invention relates to a computer-readable medium, on which the computer program according to the third aspect of the invention is recorded.
  • a fifth aspect of the invention relates to an aircraft comprising the device for detecting the presence of an arc as defined above.
  • FIG. 1 shows a first flowchart of the method according to an exemplary embodiment of the invention.
  • FIG. 2 shows a second flowchart of a method according to an example of the invention.
  • FIG. 3 shows a schematic representation of a time-correlated arc voltage measurement and arc current measurement.
  • FIG. 4 shows a schematic representation of a time-correlated arc voltage measurement and arc current measurement after pre-identification.
  • FIG. 5 shows a flowchart of a labeling step according to an example of the invention.
  • FIG. 6 shows a schematic representation of the labeling principle according to the invention from a time-correlated arc voltage measurement and an arc current measurement.
  • FIG. 7 shows a schematic representation of arc voltage as a function of arc length.
  • FIG. 8 shows a schematic representation of a device according to an exemplary embodiment of the invention.
  • a first aspect of the invention illustrated in [Fig. 1] relates to a computer-implemented method 100 for detecting the presence of an electric arc on a power line using an artificial learning method. More particularly, in the method according to the invention, the learning is carried out using a plurality of measurements relating to the formation of an electric arc, each measurement of the plurality of measurements comprising a time-correlated measurement of the arc voltage V arc , the current / and the source voltage V source .
  • the method according to the invention is notably original in that, in addition to a learning model, its design is also based on the use of a knowledge model making it possible to link the arc voltage V arc and the current / to constants which depend on the choice of the knowledge model. More particularly, the principle of the present invention is based on the implementation of a learning phase PA which uses two techniques: modeling by artificial learning and knowledge modeling. This makes it possible to take advantage of the capacity of modeling by artificial learning and the expertise provided by the method resulting from the physics of the fault arc mechanism. [0075] As a reminder, learning modeling uses a mathematical regression tool derived from machine learning methods. For example, this tool can take the form of a formal neural network. This type of approach, sometimes called "black box" modeling, where only measurements are used, however has certain limitations, in particular because the database used during learning is not exhaustive and does not have all the types of arcs to be detected.
  • the approach of the present invention proposes a method 100 which makes it possible to correct the limitations of each of these methods by combining them. More particularly, in the method according to the invention, the knowledge model derived from arc physics makes it possible to define a framework for the behavior of the defect to be detected. Thus, in the case of a scarcity of data for adjusting the model by learning, the knowledge model makes it possible to guide the decision and not to deviate from the known operation of the mechanism studied, here the defect arc.
  • an imprecision of the knowledge model can be adjusted thanks to the data that contain all the information on the variation of the quantities of interest. More precisely, the learning of the learning model is done by the recognition of arc signatures within the experimental data. At the same time, it is a question of guiding this learning phase by an expertise coming from one (or more) physical law(s) resulting from the knowledge of the physics of arcs.
  • arc detection is designed and adjusted using tools derived from artificial learning and knowledge from the physics of the system. Phase of
  • the method according to the invention firstly comprises a learning phase.
  • the purpose of this phase is to adjust the black box model using the knowledge model and thus obtain a decision function which, from measurements carried out on the power line, gives a Boolean (or any other equivalent representation) representative of the presence or absence of a fault arc on the power line.
  • each measurement of the plurality of measurements comprising a time-correlated measurement of the current I, the source voltage V source and the arc voltage V arc .
  • time-correlated is meant that a measurement of current I, a measurement of the source voltage V source and a measurement of arc voltage V arc having the same abscissa t have been measured at the same time t.
  • the learning phase PA comprises a step of acquiring a plurality of measurements, each measurement comprising a time-correlated measurement of the current I, the source voltage V source and the arc voltage V arc .
  • this step is generally implemented in a laboratory where tests are carried out in order to generate a database comprising the plurality of raw measurements.
  • t m is the discretized time
  • /(t m ) is the current as a function of t m
  • V arc (t m is the arc voltage as a function of t m
  • Vsource tm) is the source voltage as a function of t m
  • M is the total number of points available in the measurement considered.
  • the learning phase PA also comprises, using the measurements of the plurality of measurements, a step E1 of adjusting a learning model taking as input the current / and the source voltage V source and providing as output the arc voltage V arc and the constants associated with the chosen knowledge model (for example example, the arc constant T and the cooling power P o when the knowledge model is the Mayr model).
  • a cost function is a parameterized function defining an error. The closer the result of the cost function is to 0, the smaller the error.
  • the term is defined as the comparison of the output values calculated by the learning model with the measured values, this error being calculated only for the arc voltage V arc .
  • Li represents the difference between the arc voltage V ⁇ r r c edlt predicted by the learning model and the arc voltage V arc measured and given by the following relation:
  • L 2 represents the difference between the prediction of the knowledge model and the measured values. Its expression therefore depends on the knowledge model used. In any case, the knowledge model used must be able to provide, as output, the arc voltage V arc .
  • the knowledge model used is the Mayr model.
  • the model adjusted by learning is carried out using a formal neural network.
  • the knowledge model is a Cassie model.
  • the model fitted by learning may be realized using a support vector machine.
  • the knowledge model is a Shavemaker model.
  • the model fitted by learning may be realized using a support vector machine.
  • the Mayr model will be used.
  • the Mayr model is derived from the energy balance between the amount of energy lost due to cooling and that provided by the circuit.
  • the Mayr model proposes the following dynamic equation:
  • the learning stage then aims in particular to adjust a mathematical model which will determine a function:
  • the learning algorithm uses the measurement values to determine the output variables (y arc (t m )
  • the output variables y arc (t m )
  • V arc (t m ) is available in the measurements of the plurality of measurements.
  • the determination of the torque (T, P 0 ) (in the case of the Mayr model), which must satisfy the equation will be carried out using the chosen knowledge model(s).
  • the model obtained which best minimizes L is then capable of correctly predicting the outputs (y arc (tm )>T, P 0 ) from the inputs (l(t m ,V source (t m )) coming from the arc signals.
  • the adjustment of the threshold value E will depend on the availability of so-called nominal data. This threshold value may be more or less sensitive depending on the field of application. It may be defined empirically (possibly by calibration), depending on the desired performance of the detection model. Performance measures can for example be evaluated as the rate of false negatives and false positives.
  • the detection phase PD also comprises a step E3 of continuously determining the presence of an arc using a decision function making it possible, as a function of the last M input data relating to the current / and the source voltage V source measured on the power line during the measurement step, to detect the presence of an arc.
  • the decision function is, according to one example, defined by the following expression: r
  • the power line is equipped with a power cut-off device for cutting off the current in the line on which the detection is carried out
  • the method 100 according to the invention comprises, when an electric arc is detected during the step E3 of determining the presence of an arc, a step of sending, to the cut-off device, an instruction to cut off the current on the line in question.
  • the method 100 takes place in at least two phases, here called PC, PD: a design PC phase making it possible to determine a decision function, i.e. a function which takes as input a plurality of descriptors from a current measurement and which gives as output a Boolean (or any equivalent representation) representative of the presence or absence of an electric arc in the measurement considered; a detection PD phase, during which the current on an electric line is measured so as to extract from this measurement descriptors identified during the design PC phase and detect the presence or absence of an electric arc using the decision function determined during the design PC phase.
  • a design PC phase making it possible to determine a decision function, i.e. a function which takes as input a plurality of descriptors from a current measurement and which gives as output a Boolean (or any equivalent representation) representative of the presence or absence of an electric arc in the measurement considered
  • a detection PD phase during which the current on an electric line is measured so as to extract from this measurement descriptors identified during
  • the method may also comprise an acquisition phase aimed at obtaining said plurality of measurements.
  • the method 100 comprises, before the design PC phase, an acquisition phase comprising a step of acquiring a plurality of measurements, each measurement comprising a time-correlated measurement of the arc voltage and the arc current.
  • an acquisition phase comprising a step of acquiring a plurality of measurements, each measurement comprising a time-correlated measurement of the arc voltage and the arc current.
  • Such a measurement is illustrated in [Fig. 3] showing, at the top, the measurement of the arc current, and at the bottom, the measurement of the corresponding arc voltage, the two measurements being time-correlated (i.e. an arc current measurement and an arc voltage measurement having the same abscissa t were measured at the same time t).
  • the power line is for example an aircraft network power line.
  • This phase is generally implemented in a laboratory where tests are carried out in order to generate a database comprising the plurality of raw measurements.
  • the raw measurements are also accompanied by information relating to the measurement and in particular:
  • the sampling frequency when measuring for example 1 MHz
  • the description of the measured signals including:
  • the size of the database the number of trials (and therefore the number of nominal regions and arc regions - preferably large enough, e.g. several hundred or thousands of windows).
  • the phase acquisition of the method according to the invention comprises a step of pre-processing the acquired measurements. This pre-processing step makes it possible in particular to standardize the acquisitions, and to eliminate offsets and defects in the measurement chain.
  • the method 100 comprises a PC phase of designing a decision function using the plurality of measurements (possibly preprocessed as described above), this phase being intended to determine a decision function as described above, that is to say a function which takes as input a plurality of descriptors extracted from an arc current measurement and which gives as output a Boolean (or any equivalent representation) representative of the presence or absence of an electric arc.
  • the PC design phase first comprises a pre-identification step by expertise comprising a crude identification (without precision to the nearest sample) of all the electric arcs which satisfy predetermined criteria.
  • the expert roughly identifies a first time all the arcs on all the tests of all the measurements. The identification is not precise to the nearest sample. It is simply a matter of defining the position of each arc within the acquisition data. An illustration of this data after pre-identification is given in [Fig. 4] in which two arcs (Arc1 and Arc2) are identified by dotted circles.
  • this pre-identification is done on the basis of specification criteria such as minimum arc duration, minimum arc voltage, etc.
  • the measurements of the plurality of measurements are stored in one or more files, and the time position and the number of arcs per measurement file are stored in a summary file.
  • the learning phase comprises a labeling step E11.
  • the labeling step E11 is original in that it implements a logic based on arc physics: for each measurement, it uses the arc voltage measurement (only available in the laboratory) as a reference to label the arc current measurement (or line current - available in the laboratory and which will be available later during the PD detection phase) in an automated manner.
  • an algorithm which will be described below scans all the measurements of the plurality of measurements so as to precisely identify the arc start and end information in each arc voltage measurement, and thus select the relevant part (in other words, the labeled part corresponding to a measurement window) in each corresponding arc current measurement.
  • the relevant part thus selected in each arc current measurement of the plurality of measurements will then be used for learning.
  • the windows thus labeled are labeled and saved. It is thus possible to label the data on the basis of criteria chosen upstream (e.g., a threshold voltage U s - see the detailed description of the labeling step below).
  • the PC design phase comprises, at the end of the labeling step, a step of manual verification of the labeling by expertise.
  • a step of manual verification of the labeling by expertise one or more experts come to check all of the windows thus saved.
  • unlabeled windows but nevertheless corresponding to the occurrence of an electric arc, can thus be manually labeled.
  • windows labeled incorrectly because the phenomenon has atypical characteristics
  • the labeled windows are saved while the other measurements are anonymized and removed from the backup.
  • this step makes it possible to verify that the labeled measurements include all of the regions envisaged for learning, that is to say a window comprising a part of the measurement prior to the formation of the arc, the measurement corresponding to the formation of the arc, as well as a part of the measurement after the formation of the arc.
  • this step can be useful because it is possible that some arcs are not correctly identified during the labeling step E11. This optional step can therefore contribute to improving the decision function obtained at the end of the PC design phase.
  • the PC design phase comprises, at the end of the labeling step, a step of manually identifying the remainders, i.e. the missing arcs.
  • a step of manually identifying the remainders i.e. the missing arcs.
  • a check of the differences between the number and position of the arcs identified during the pre-identification step (when the latter is implemented) and during the labeling verification step (when the latter is implemented) is carried out. All the arcs identified during the pre-identification step and not marked at the end of the labeling verification step are then marked manually, the objective being to label all of the arcs present in the measurements of the plurality of measurements.
  • this step can therefore contribute to improving the decision function obtained at the end of the PC design phase.
  • the PC design phase also comprises, for each measurement of the plurality of measurements, a step E12 of extracting the descriptors of each window of the arc current measurement labeled during the labeling step E11. Indeed, to adjust a model by learning, it is necessary to extract descriptors from a data window relating to each measurement representative of the phenomenon to be detected, this window having been identified during the labeling step E11. These descriptors are informative characteristics on the measurement window analyzed and therefore on the phenomenon to be detected, here, the formation of an electric arc.
  • the extraction step E12 can be done in at least two different ways:
  • ⁇ Frequency content for example after a Fourier or wavelet transform
  • the descriptors are extracted using prior physical knowledge and include the spectral entropy and/or the autocorrelation of the arc current measured on the selected window.
  • the method comprises, at the end of the step of extracting the descriptors, a step of normalizing the measurements of the plurality of measurements.
  • the PC design phase also includes a step of classifying and selecting descriptors.
  • the extracted descriptors necessarily have characteristics that can result in the good segregation of the two existing window classes (arcs and nominal).
  • the analysis of the importance and the level of correlation of the descriptors with the window label can be useful and improve the performance of the decision function.
  • a bad descriptor can possibly disrupt the prediction, decreasing (sometimes drastically) the final performance of the decision function.
  • the selection of descriptors can generally lead to better learning performance, such as greater efficiency, a lower computational cost and a more efficient automatic arc detection model.
  • this embodiment is particularly advantageous when the number of descriptors is high.
  • the goal of the descriptor selection step is to maximize the relevance and minimize the redundancy of the information.
  • this step is performed by a supervised filtering method.
  • the classification may be carried out using a Gram-Schmidt method and the selection may be carried out using an incremental method. Of course, other methods may be used for the classification or selection.
  • this step can therefore contribute to improving the decision function obtained at the end of the PC design phase.
  • the PC design phase also includes a step E13 for determining the decision function, denoted f(X) in the following (where X represents the descriptors extracted from the arc current measurement and provided as input to the decision function).
  • these sub-steps are repeated until the most efficient classifier is obtained, i.e. for example the classifier minimizing below a certain threshold the classification error made on a non-learned database (so as to ensure a generalization capacity of said classifier).
  • the decision function f(X) is determined from this classifier.
  • the determination of a classifier makes it possible, by learning (corresponding to the plurality of iterations of the sub-steps described previously), to obtain a high-performance classifier so as to make an effective decision.
  • the classification method used during this step is a support vector machine method. This method being well known to the person skilled in the art, it will not be described further here.
  • the classification method is selected from one of the following methods:
  • T max is the maximum window duration
  • T min is the minimum window duration
  • P g is the left step; its value is normalized for the duration of the window under study and is between [0,1];
  • U arc is the arc voltage
  • l arc is the arc current
  • U s is the minimum voltage threshold from which the existence of an electric arc is considered true; this voltage threshold (or threshold voltage) is a function of knowledge of the physics of arcs.
  • the labeling step E11 is subsequent to the signal acquisition step or even to the preprocessing step of said signals.
  • the only information making it possible to guarantee the presence of an electric arc is the measurement of the voltage at its terminals (the arc voltage), since this value will be zero in the absence of discharge and greater than a certain value only in the presence of an arc.
  • the information on this arc voltage is not measured (because it is not available) during the PD detection phase. It is only accessible and used during the PC design phase. It is therefore from this information that the labeling strategy according to the invention is defined. In other words, the measurement of the arc voltage is used exclusively to label the current measurement (for the learning and validation data which are acquired in the laboratory) and this use is limited to the PC design phase.
  • the characteristics of the phenomenon to be detected must be well defined. They represent the specificity of the defect that we are seeking to detect.
  • the characteristics of the arcs to be detected are as follows: an arc duration > 1 ms; an increase in the arc voltage from 0 to 10V minimum.
  • the characteristics of the windows labeled as arcs are as follows: a window duration between 1 and 10 ms; presence of a negative time shift of a duration proportional to the length of the window; absence of end-of-arc signature (correlated with a drop in arc voltage towards 0V).
  • the measured arc voltage is compared with the threshold arc voltage. If the measured arc voltage is higher than the threshold arc voltage, the previous values of the arc voltage are checked. If none of said previous values were above this threshold value, this means that the arc voltage passes for the first time above the threshold value, signaling the start of the arc. Otherwise, nothing is done. Similarly, if the measured arc voltage value is below the threshold value and the threshold value was above that same threshold value, then this signals that the arc voltage is falling below the threshold value again, signaling the end of the arc.
  • the labeling is associated with a measurement window on which the learning is performed, said window being given by the interval: [P g x min (t e - t d ,T max , P d x min (t e - t d ,T max )]. It is from the data of this interval that the descriptors will be extracted.
  • a measurement window is illustrated in [Fig. 6] which represents, at the top, the arc current as a function of time and, at the bottom, the arc voltage as a function of time.
  • the appearance of the arc is represented on the voltage curve by an increase in voltage of a few Volts or a few tens of Volts. On the current curve, this is represented by the appearance of a drop current occurring at the same instant.
  • the labeling step seeks to retain a small portion of the signal to the left of the drop (nominal region) and an even larger portion of the signal to the right of the drop (established arc) in order to store a significant frequency content of the phenomenon.
  • the start of an arc at time t d , is first identified as the moment when the measured arc voltage U arc exceeds a determined threshold value U s , chosen in relation to the physics of arcs.
  • the value of U s is given by the sum of the anodic and cathodic drop, for example a value of 20V for the sum of the two voltage drops in air.
  • the threshold voltage is determined from the change in the voltage measured at the terminals of an electric arc as a function of the arc length, this change being shown in [Fig. 7]. It is possible to identify three zones in this figure. In the zones located at the start and end of the arc, the arc voltage changes in a non-linear manner. These are the anodic and cathodic zones within which the arc voltage drop represents a non-negligible, inevitable value that is systematically greater than 0 V.
  • V c + V a are between 10 and 25 V in the environmental conditions encountered in the field of aeronautics.
  • the third zone is the central zone, the arc voltage of which progresses linearly as a function of the distance traveled by the arc and is of no particular interest in implementing the method according to the invention.
  • the appearance of an electric arc will be systematically accompanied by the production of an arc voltage whose value will be defined by a minimum threshold explained by the voltage drops at the terminals of the electrodes.
  • the method comprises a PD detection phase subsequent to the PC design phase and during which the decision function obtained during the PC design phase will be used to determine the presence or absence of an electric arc in a current measurement.
  • the arc voltage is an available measurement
  • the arc current measurement can be available in real conditions (outside the laboratory), i.e. during the PD detection phase. It is therefore preferably from this measurement alone that the detection will be carried out.
  • the detection phase PD firstly comprises a step E14 of measuring the current flowing on the power line.
  • This step E14 is carried out continuously and in real time so as to allow rapid detection of the presence of an arc.
  • the detection phase PD also comprises a step E15 of extracting the descriptors of the current measurement.
  • the descriptors extracted during this step E15 are identical to those selected during the design phase PC and serving as input data for the decision function. They are also extracted continuously, as the current measurements are acquired.
  • the detection phase PD also comprises a step E16 for detecting the presence of an arc in the measurement of the current flowing on the electrical line L1. This step uses the descriptors extracted from the current measurement and the decision function determined during the design phase PC.
  • the method 100 comprises, when an electric arc is detected during the detection step E16, a step of sending, to the cut-off device MMC, an instruction to cut off the current on the line L1 considered. This makes it possible to avoid or, at the very least, limit the damage associated with the formation of an electric arc on the current line L1 considered.
  • the quality of the detection depends on the quality of the learning which itself depends on the quality of the data and their labeling.
  • One of the contributions of the method according to the invention is to automate this labeling by using a plurality of measurements (generally carried out in the laboratory), each measurement comprising a time-correlated measurement of the arc voltage and the arc current.
  • a second aspect of the invention illustrated in [Fig. 8] relates to a DI device comprising the means configured to implement a method 100 according to the invention. More particularly, the device comprises a calculation means MC (for example a processor or an ASIC card) associated with a memory MM (for example a RAM memory and/or a hard disk), said memory MM being configured to store the data and the instructions necessary for implementing the method 100 according to the invention.
  • the DI device according to the invention also comprises a CPT measurement means configured to measure, in real time, the current flowing through a current line L1 when the latter is connected to such a current line L1 and to communicate the measurement to the calculation means MC of the DI device according to the invention.
  • the device is an RCCB (for “remote controller circuit breaker” in English) or even an SSPC (for “solid state power controller” in English).
  • the current flowing through the current line Ll can be cut off by a controllable MCC current cut-off device. distance, and the DI device according to the invention is configured to, when the presence of an arc is detected on the current line Ll, send an instruction to the current cutting device MCC so as to cut the current in the current line.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

L'invention concerne un procédé mis en œuvre par ordinateur de détection de la présence d'un arc électrique sur une ligne électrique (Ll) à l'aide d'un algorithme d'apprentissage machine, effectué à l'aide d'une mesure corrélée dans le temps de la t ension d'arc Varc, du courant I et de la tension de source Vsource ainsi que d'un modèle de connaissance permettant de relier la tension d'arc Varc et le courant I à des constantes dépendant du modèle de connaissance, mis en œuvre après une phase d'apprentissage au cours de laquelle on ajuste un modèle d'apprentissage prenant en entrée le courant I et la tension de source Vsource et fournissant en sortie la tension Varc et les constantes du modèle de connaissance; le procédé comprenant une détection en continu de la présence d'un arc à l'aide d'une fonction de décision dépendant d'une fonction de coût utilisée lors de la phase d'apprentissage.

Description

DESCRIPTION
TITRE : Procédé de détection de la présence d’un arc électrique et dispositif associé
DOMAINE TECHNIQUE DE L’INVENTION
[0001 ] Le domaine technique de l’invention est celui de la détection de la présence d’un arc électrique à l’aide d’une méthode par apprentissage artificiel.
[0002] La présente invention concerne un procédé et un dispositif de détection de la présence d’un arc électrique à l’aide d’une méthode par apprentissage et en particulier une méthode dans laquelle un modèle par apprentissage et un modèle de connaissance sont utilisés conjointement.
ARRIERE-PLAN TECHNOLOGIQUE DE L’INVENTION
[0003] L’aviation civile se mobilise depuis maintenant plusieurs années pour apporter une contribution à la lutte contre le changement climatique.
[0004] Les efforts de recherche technologique ont déjà permis d’améliorer de manière très significative les performances environnementales des avions. La présente demande résulte de la prise en considération des facteurs impactants dans toutes les phases de conception et de développement pour obtenir des composants et des produits aéronautiques moins énergivores, plus respectueux de l’environnement et dont l’intégration et l’utilisation dans l’aviation civile ont des impacts environnementaux modérés dans un but d’amélioration de l'efficacité énergétique des avions.
[0005] Autrement dit, la présente invention résulte du travail permanent à la réduction de l'impact climatique de l’aviation civile par l’emploi de méthodes et l’exploitation de procédés de développement et de fabrication vertueux et minimisant les émissions de gaz à effet de serre au minimum possible pour réduire l'empreinte environnementale de son activité. Comme le montre la présente invention, ces travaux de recherche et de développement soutenus portent notamment sur le développement de l’emploi des technologies électriques pour assurer la propulsion. Dans ce cadre, il est en particulier important de pouvoir détecter la formation d’arcs électriques.
[0006] Pour mémoire, un arc électrique est une décharge autoentretenue à fort courant. Il existe deux principaux types d'arcs électriques qui se produisent en environnement aéronautique : les arcs de coupure, présents dans les contacteurs au moment de l’ouverture ou de la fermeture d’un circuit et les arcs de défaut pouvant apparaître inopinément sur l’ensemble des composants de la chaîne électrique. Ces derniers peuvent être à l’origine de dégâts sévères sur les équipements, les systèmes et même la structure de l’aéronef. Il s’agit donc d’un point de vigilance particulier.
[0007] Les arcs de défaut peuvent être de deux types en fonction de leur position sur le circuit électrique : les arcs parallèles et les arcs séries. Les arcs séries interviennent en général aux bornes d’une interface intermédiaire (bornier de raccordement, connecteur) à la suite d’un problème de connexion en maintenance/installation, ou une dégradation liée au vieillissement naturel ou anticipé par des interactions chimiques, électriques ou mécaniques.
[0008] Sur un réseau de distribution électrique, les arcs séries sont toujours plus complexes à détecter comparativement aux arcs parallèles. En effet, du point de vue de la signature électrique, les arcs parallèles génèrent un fort appel de courant, ce qui permet aux systèmes de diagnostic temps réel de les identifier efficacement et rapidement afin de donner un ordre de commande de mise en protection de la ligne par le système de coupure. En revanche, dans le cas d’un arc série, le courant n’est que faiblement impacté. Cela s’explique par le fait qu’un arc électrique est un défaut faible impédance. En conséquence, lorsqu’un arc est présent en série sur le système électrique, le courant ne souffrira que d’une légère fluctuation et plus précisément d’une réduction d’un faible pourcentage de sa valeur nominale. C’est pour cette raison principale que des arcs séries sont plus complexes à détecter par des moyens de contrôle standard, comparativement aux arcs parallèles. De plus, la forme d’onde du signal électrique du réseau est aussi un facteur pouvant complexifier la détection. Concernant les réseaux en tension alternative, dans la demi-période, le passage par une tension de 0 V est le moment où l’arc électrique ne peut plus perdurer. Lorsqu’un arc série apparaît sur un tel type de réseau, ce moment peut se traduire alors par un bref circuit ouvert laissant le courant de ligne à 0 A durant un petit instant (ce phénomène donne lieu à des épaulements de courant), ce qui peut être favorablement utilisé pour diagnostiquer un défaut d’arc série. Au contraire, lorsque la forme d’onde est continue (réseau DC), ce phénomène n’existe plus et l’arc perdure sans circuit ouvert supprimant ainsi l’une des possibilités de diagnostiquer le défaut.
[0009] Sur les réseaux actuels, du fait de la puissance distribuée relativement modérée, l’apparition des arcs électriques est mitigée car les niveaux de tension distribuée dans l’aéronautique sont au maximum de 230/400V. En outre, la distribution se fait sous forme d’onde alternative (AC) pour ces niveaux de tension (230/400V maximum), permettant de favoriser l’auto-extinction de l’arc à chaque demi-période lorsque la tension passe par 0 V. De plus, la distribution d’une forme d’onde continue (DC) est limitée majoritairement à 28 V. L’impact des arcs électriques est également limité par l’utilisation de protections passives (choix de matériaux “arc résistants”, définition de distances de ségrégation) en vue de limiter les conséquences des arcs de défauts sur l’environnement, ainsi que par l’utilisation de protections actives (détection et ouverture de ligne) en cas de défaut de surintensité observée par des capteurs de courant. Cela permet avantageusement de détecter la plupart des arcs parallèles, mais pas les arcs séries dont aucune protection active n’est jusque-là déployée.
[0010] Les travaux actuels autour de l’électrification/hybridation des aéronefs envisagent la distribution de formes d’ondes continue (DC) à des niveaux de tension pouvant atteindre le kilovolt. Ce paradigme remet en cause la stratégie de passivation des défauts d’arcs qui vient d’être évoquée. L’arc électrique série doit alors être pris en compte au même titre que l’arc parallèle car les dégâts associés à la génération de défauts à plus fortes puissance et soumis à une tension continue risquent d’endommager l’aéronef et atteindre à la sécurité des passagers et de l’équipage.
[0011] Un des moyens de mitiger le défaut d’arc série est alors de l’identifier (le détecter) en vue d’isoler la ligne en défaut, le cas échéant.
[0012] Le problème majeur soulevé par la détection des arcs électriques en aéronautique repose sur une attente importante des niveaux de performance. Plus particulièrement, une première exigence est la fiabilité, c’est à dire le pouvoir d’un système à détecter systématiquement et en toutes circonstances les phénomènes électriques dangereux. Il s’agit de sa capacité à atteindre un taux de vrais positifs le plus proche de 100%. La deuxième exigence est la robustesse, c’est-à-dire la capacité d’un système à être immunisé contre tout autre évènement que celui pour lequel il a été programmé. En d’autres termes, c’est sa capacité à atteindre un taux de faux positifs le plus proche de 0%. Le système devra donc être robuste face aux différentes signatures de charges avion (ayant des comportements qui ressemblent à la signature des arcs) ainsi qu’à l’ensemble des paramètres environnementaux associés aux cycles de vol et de vie des aéronefs. [0013] Jusqu’à présent, les solutions existantes pour détecter les arcs électriques de défaut ont systématiquement montré leurs faiblesses, soit en termes de fiabilité, soit en termes de robustesse. Les raisons sont multiples, mais il est intéressant de citer l’imprécision des modèles d’arcs de défauts utilisés pour calibrer les systèmes, la méconnaissance (ou la simplification) de l’architecture électrique ciblée, ou encore les contraintes environnementales rencontrées qui sont autant de raisons qui diminuent les performances des technologies proposées.
[0014] Afin de tenter de satisfaire ces fortes exigences, de nouvelles méthodes sont recherchées. Parmi elles, les méthodes par apprentissage artificiel commencent à être de plus en plus utilisées. Elles offrent de nouvelles solutions alternatives. Ces méthodes sont divisées notamment en apprentissage non-supervisé, en apprentissage semi-supervisé, en apprentissage supervisé ou bien encore en apprentissage par renforcement.
[0015] La branche la plus appliquée à la détection de défauts d’ars électriques dans l’état de la technique est celle de l’apprentissage supervisé. Ce type d’apprentissage est un groupe de méthodes ayant pour finalité de générer une fonction capable de relier un ensemble d’entrées à une sortie en utilisant une base d'exemples et des méthodes mathématiques sophistiquées. Le modèle déduit cette fonction à partir de données étiquetées consistant en un ensemble d'exemples d'apprentissage. Les méthodes de détection à l’aide d’un modèle obtenu par apprentissage supervisé se divisent en méthodes de régression et de classification.
[0016] L’objectif d’une classification est de prédire une valeur discrète permettant d’attribuer à toute donnée une catégorie appelée classe. La fonction de décision obtenue par une méthode de classification sépare donc les classes existantes. L’objectif d’une régression est de prédire une quantité continue. La fonction de décision obtenue par une régression sera donc capable de représenter le comportement du système étudié en représentant de manière continue la grandeur d’intérêt (et non de manière discrète tel que le fait la classification).
[0017] Dans l’état de la technique, la détection d’arcs électriques (y compris en environnement aéronautique) est en général faite à partir de mesures électriques en utilisant de l’apprentissage artificiel supervisé, mais dans l’état de la technique, la méthode d’étiquetage utilisée n’est pas précisée, ou la méthode d’étiquetage est précisée mais n’identifie pas tous les phénomènes correctement. Par exemple, dans l’état de la technique, une mesure de la tension d'arc peut être utilisée pour compléter l’étiquetage. Le document intitulé « AC Series Arc-Fault Detection With A Transformer Neural Network, A Chabert et al., Juin 2022 » propose une détection d’arcs série en tension alternative avec une méthode par apprentissage supervisé. Un algorithme d’étiquetage totalement automatique est proposé en utilisant la tension d’arc.
[0018] Cependant, les solutions connues utilisant les outils d’apprentissage artificiel ayant pour objectif de détecter les arcs de défaut manquent parfois de représentativité. Généralement leurs méthodes d’étiquetage (essentielles pour cette approche) ne sont pas décrites et/ou ne sont pas assez précises face au caractère erratique de l’arc électrique. Or, si l’étape d’étiquetage n’est pas faite correctement, en incluant tous les phénomènes envisagés pour la phase de détection, l’étape d’apprentissage sera biaisée et produira un outil de détection présentant des performances médiocres en environnement réel.
[0019] Afin de détecter la formation d’arc de défaut, le document EP3695476 A1 propose une détection par apprentissage artificiel en utilisant un réseau de neurones récurrents. Il s’agit d’une méthode de détection utilisant uniquement l’information mathématique proposée par les outils d’apprentissage artificiel. En particulier, dans la méthode proposée, la phase d’apprentissage n’utilise pas d’équations physiques des arcs. Le document « Physics-Informed Learning for High Impedance Faults Detection, Wenting Li, Deepjyoti Deka, 2021 IEEE Madrid PowerTech » propose une méthode de détection dite physiquement informée des défauts à haute impédance dans les micro-réseaux (il ne s’agit donc pas du même type de décharge que celle produite par un arc électrique). Plus particulièrement, la détection repose sur une méthode issue de l’apprentissage artificiel ainsi que des connaissances issues de la physique du phénomène à détecter. Cependant, dans ce document, l’information physique ne vient pas d’un modèle complet de connaissance du comportement de la décharge. L’information physique concernant la décharge est en effet issue d’une mesure d’écart entre un diagramme de phase tension - courant dans un réseau, sans défaut et avec défaut.
[0020] Ainsi, les méthodes de l’état de la technique ne permettent pas, en général, d’obtenir la fiabilité et la robustesse requise pour une utilisation en aéronautique. Aussi, il existe un besoin pour une méthode de détection d’arcs électriques permettant d’améliorer de manière significative la capacité de détection des méthodes existantes, notamment pour des arcs électriques de type arc série.
RESUME DE L’INVENTION
[0021] L’invention offre une solution aux problèmes évoqués précédemment, en proposant un procédé de détection reposant sur une approche qui consiste à tirer parti aussi bien des données expérimentales que des connaissances physiques pour la conception par apprentissage d’un modèle semi-physique de détection d’arcs.
[0022] Pour cela, un premier aspect de l’invention concerne un procédé mis en œuvre par ordinateur de détection de la présence d’un arc électrique sur une ligne électrique à l’aide d’une méthode par apprentissage artificiel, l’apprentissage étant effectué à l’aide : d’une pluralité de mesures relatives à la formation d’un arc électrique, chaque mesure de la pluralité de mesures comprenant une mesure corrélée dans le temps de la tension d’arc Varc, du courant / et de la tension de SOUrCe ^source > d’un modèle de connaissance reliant la tension d’arc Varc et le courant / à des constantes dépendant du modèle de connaissance.
[0023] Le procédé selon un premier aspect de l’invention est mis en œuvre à l’aide d’un modèle d’apprentissage issu d’une phase d’apprentissage au cours de laquelle, à l’aide des mesures de la pluralité de mesures et du modèle de connaissance, une étape d’ajustement du modèle d’apprentissage est mise en œuvre, le modèle d’apprentissage prenant en entrée le courant / et la tension de source Vsource et fournissant en sortie la tension d’arc Varc et les constantes du modèle de connaissance, l’apprentissage étant effectué à l’aide d’une fonction de coût L donnée par la relation suivante L = L + L2 où est une première sous-fonction de coût mesurant un premier écart entre la tension d’arc V^c edlt prédite par le modèle d’apprentissage et la tension d’arc Varc mesurée :
[0025] et où L2 est une deuxième sous-fonction de coût mesurant un deuxième écart entre la prédiction du modèle de connaissance et les valeurs mesurées. [0026] Le procédé selon un premier aspect de l’invention comprend une phase de détection comportant :
Une étape de mesure en continu du courant / et de la tension de source Vsource sur la ligne électrique, de sorte à acquérir des données d’entrée relatives au courant / et à la tension de source Vsource sur une fenêtre de mesure Vsource (tm)}^l=1 où M est le nombre de points de mesure dans la fenêtre de mesure, /(tm) est le courant au temps tm et Source (fm) est la tension de source au temps
Une étape de détermination en continu de la présence d’un arc, à l’aide d’une fonction de décision permettant, en fonction des M dernières données d’entrée relatives au courant / et à la tension de source Vsource mesurées sur la ligne électrique lors de l’étape de mesure, de détecter la présence d’un arc, la fonction de décision étant une fonction de la deuxième sous- fonction de coût.
[0027] Grâce à l’invention, il est possible d’utiliser la physique des arcs (sur la base de modèles de connaissance d’arcs électriques) afin de prédire une partie du comportement d’un arc de défaut et ainsi contribuer à l’apprentissage du modèle. Cela permet de prendre une décision plus efficace que les solutions proposées par l’état de la technique, et de diminuer la quantité de données brutes nécessaires à l’apprentissage (par exemple, en limitant la quantité de signaux de charges issues de l’architecture avion), en comparaison d’un modèle d’apprentissage selon l’état de la technique. Ce résultat est notamment obtenu par l’association des informations expérimentales avec une loi physique. De plus, la variation de la longueur d’arc n’a pas besoin d’être connue a priori, car elle apparaît de manière implicite dans les variables du modèle de connaissance.
[0028] Outre les caractéristiques qui viennent d’être évoquées dans le paragraphe précédent, le procédé selon un premier aspect de l’invention peut présenter une ou plusieurs caractéristiques complémentaires parmi les suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles.
[0029] Dans un mode de réalisation, la fonction de décision est définie par l’expression suivante : [0030]
[0031] Où Xm = {I tm), Vsource(tm')}, e est une valeur de seuil de détection, et L2 (Xm') est la valeur de la deuxième sous-fonction de coût L2 déterminée à l’aide du modèle d’apprentissage et calculée au point Xm.
[0032] Dans un mode de réalisation, le modèle de connaissance est le modèle de Mayr et la deuxième sous-fonction de coût L2 prend la forme suivante :
[0034] où T est la constante d’arc et Po est la puissance de refroidissement.
[0035] Dans un mode de réalisation, le modèle de connaissance est le modèle de Cassie et la deuxième sous-fonction de coût L2 prend la forme suivante :
[0037] où T est la constante d’arc, et 70 est une constante correspondant à une tension minimale d’arc (c’est-à-dire à une valeur minimale de tension sur la ligne électrique où apparaît l’arc).
[0038] Dans un mode de réalisation, le modèle de connaissance est le modèle de Shavemaker et la deuxième sous-fonction de coût L2 prend la forme suivante :
[0040] où T est la constante d’arc, PQ est la puissance de refroidissement et 70 est une constante correspondant à une tension minimale d’arc (c’est-à-dire à une valeur minimale de tension sur la ligne électrique où apparaît l’arc).
[0041] Dans un mode de réalisation, la ligne électrique est équipée d’un dispositif de coupure permettant de couper le courant dans ladite ligne, le procédé comprenant, lorsqu’un arc électrique est détecté lors de l’étape de détection, une étape d’envoi, au dispositif de coupure, d’une instruction de coupure du courant sur la ligne considérée.
[0042] Dans un mode de réalisation, le modèle d’apprentissage est réalisé à l’aide d’un réseau de neurones formels. [0043] Dans un mode de réalisation, le modèle d’apprentissage est réalisé à l’aide d’une machine à vecteurs support.
[0044] Il existe donc un besoin d’une méthode d’étiquetage des données qui permette d’obtenir des données représentatives du phénomène de formation d’un arc de défaut, notamment des données représentatives d’un arc électrique de type arc série en tension continue. Il existe également un besoin d’un procédé de détection faisant usage, lors de la phase d’apprentissage, de données étiquetées avec la méthode en question.
[0045] Dans un mode de réalisation, le procédé peut offrir une solution aux problèmes évoqués précédemment, en garantissant que les données issues de mesures électriques d’arcs de défaut soient correctement étiquetées et en permettant :
D’associer cet étiquetage binaire (arc ou non arc) à une méthode d’apprentissage artificiel supervisé de classification ;
De garantir qu’un arc soit détecté de manière robuste et fiable ;
De faire une détection d’arc automatisée.
[0046] Un autre objectif du procédé peut être d’optimiser le temps consacré à l’étiquetage des données lors de la phase d’apprentissage du modèle, en vue de la détection d’arcs électriques, et de diminuer les ressources nécessaires à l’étiquetage.
[0047] Pour cela, dans un mode de réalisation, le procédé comprend : une phase de conception par apprentissage artificiel d’une fonction de décision à l’aide de la pluralité de mesures, la phase de conception comprenant :
■ Pour chaque mesure de la pluralité de mesures, une étape d’étiquetage de la mesure du courant d’arc à l’aide de la mesure de tension d’arc qui lui est associée ;
■ Une étape d’extraction de descripteurs à partir des mesures étiquetées ;
■ Une étape d’apprentissage pour la détermination de la fonction de décision à partir d’au moins une partie des descripteurs extraits lors de l’étape d’extraction ; la phase de détection comprenant :
■ Une étape de mesure du courant circulant sur la ligne ;
■ Une étape d’extraction des descripteurs de la mesure de courant obtenue lors de l’étape précédente de mesure de courant ;
■ A partir des descripteurs extraits de la mesure de courant et à l’aide de la fonction de décision déterminée lors de la phase de conception, une étape de détection de la présence d’arcs.
[0048] En outre, dans le procédé selon ce mode de réalisation, l’étape d’étiquetage comprend, pour chaque mesure de la pluralité de mesures et pour chaque intervalle de temps t de la mesure considérée :
Lorsque la tension d'arc mesurée Uarc dépasse pour la première fois une valeur seuil Us prédéterminée, une étape d’enregistrement de l’intervalle considéré comme point de départ td de l’arc électrique ;
Lorsque la tension d'arc mesurée Uarc repasse en-dessous pour la première fois de la valeur seuil Us prédéterminée, une étape d’enregistrement de l’intervalle précédant l’intervalle considéré comme point de fin te de l’arc électrique.
[0049] Grâce au procédé, la logique d’étiquetage associe la physique des arcs, une procédure automatisée et, dans certains cas, l’expertise humaine. Ainsi, il devient possible d’étiqueter correctement la grande majorité, voire tous, les signaux d’arcs ou nominaux, de réaliser cet étiquetage de manière efficace grâce à la procédure automatisée, de corriger les imprécisions algorithmiques mises à mal par la variabilité des signatures d’arcs (lorsque l’expertise humaine est sollicitée), d’étiqueter les fenêtres le plus précisément possible (à l’échantillon près), et de créer une base de données ainsi étiquetée et adaptée à la conception d’un classifieur par apprentissage artificiel pour la détection d’arcs électriques.
[0050] Ce mode de réalisation du procédé peut former un procédé de détection à part entière, le procédé étant mis en œuvre par ordinateur et à l’aide d’une méthode par apprentissage artificiel, l’apprentissage étant effectué à l’aide d’une pluralité de mesures relatives à la formation d’arcs électriques, chaque mesure de la pluralité de mesures comprenant une mesure corrélée dans le temps de la tension d’arc et du courant d’arc, le procédé comprenant les étapes de ce mode de réalisation telles que décrites précédemment.
[0051 ] Dans un mode de réalisation, pour chaque mesure, l’étiquetage est associé à une fenêtre de mesure sur laquelle est réalisé l’apprentissage, ladite fenêtre étant donnée par l’intervalle Pg x min((te - td ), Tmaxy, Pd x min((te - td ), Tmax) où Tmax est une durée de fenêtre maximale prédéfinie, Pg est un pas à gauche du point td ayant une valeur normalisée pour la durée de la fenêtre à l’étude et Pd est un pas à droite du point td ayant une valeur normalisée pour la durée de la fenêtre d’étude donnée par la relation Pd = 1 - Pa .
[0052] Dans un mode de réalisation, le procédé comprend, avant la phase d’apprentissage, une étape d’acquisition de signaux nécessaires à l’apprentissage de sorte à obtenir une pluralité de mesures, chaque mesure comprenant une mesure corrélée dans le temps de la tension d’arc et du courant d’arc.
[0053] Dans un mode de réalisation, la phase de conception comprend, avant l’étape d’étiquetage, une étape de pré-identification manuelle par expertise, dans chaque mesure de la pluralité de mesures, de tous les arcs électriques satisfaisant des critères prédéterminés de sorte à définir une position de chaque arc au sein de chaque mesure de la pluralité de mesures.
[0054] Dans un mode de réalisation, la phase de conception comprend, à l’issue de l’étape d’étiquetage, une étape de vérification manuelle des sorties de l’étape d’étiquetage par expertise de sorte à vérifier que les mesures étiquetées comprennent l’ensemble des régions envisagées pour l’apprentissage.
[0055] Dans un mode de réalisation, les descripteurs utilisés lors de l’étape de détermination de la fonction de décision comprennent l’entropie spectrale et/ou l’autocorrélation du courant d’arc.
[0056] Dans un mode de réalisation, la phase de conception comprend, entre l’étape d’extraction de descripteurs à partir des mesures étiquetées et l’étape de détermination de la fonction de décision, une étape de classement et de sélection des descripteurs de sorte à retenir le sous-ensemble de descripteurs les plus pertinents. Par exemple, le classement pourra être réalisé à l’aide d’une méthode de Gram- Schmidt et la sélection pourra être réalisée à l’aide d’une méthode incrémentale. Bien entendu, d’autres méthodes peuvent être utilisées pour le classement ou la sélection. [0057] Dans un mode de réalisation, l’étape de détermination de la fonction de décision comprend une pluralité d’itérations des deux sous-étapes suivantes : une sous-étape de conception, par apprentissage, d’un classifieur ; et une sous-étape de validation du classifieur à partir des données étiquetées ; ces sous-étapes étant répétées jusqu’à l’obtention d’un classifieur optimal, la fonction de décision étant déterminée à partir de ce classifieur optimal.
[0058] Un deuxième aspect de l’invention concerne un dispositif de détection de la présence d’un arc dans une ligne de courant comprenant un moyen de mesure configuré pour mesurer le courant circulant dans la ligne de courant et des moyens configurés pour mettre en œuvre le procédé selon le premier aspect de l’invention.
[0059] Un troisième aspect de l’invention concerne un programme d'ordinateur comprenant des instructions qui, lorsqu’elles sont exécutées par un ordinateur, conduisent le dispositif selon le deuxième aspect de l’invention à exécuter le procédé selon le premier aspect de l’invention.
[0060] Un quatrième aspect de l’invention concerne un support lisible par ordinateur, sur lequel est enregistré le programme d'ordinateur selon le troisième aspect de l’invention.
[0061] Un cinquième aspect de l’invention concerne un aéronef comprenant le dispositif de détection de présence d’un arc tel que défini ci-avant.
[0062] L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent.
BREVE DESCRIPTION DES FIGURES
[0063] Les figures sont présentées à titre indicatif et nullement limitatif de l’invention.
[0064] La [Fig. 1] présente un premier ordinogramme du procédé selon un exemple de réalisation de l’invention.
[0065] La [Fig. 2] montre un deuxième ordinogramme d’un procédé selon un exemple de l’invention.
[0066] La [Fig. 3] montre une représentation schématique d’une mesure de tension d’arc et d’une mesure de courant d’arc corrélées en temps. [0067] La [Fig. 4] montre une représentation schématique d’une mesure de tension d’arc et d’une mesure de courant d’arc corrélées en temps après pré-identification.
[0068] La [Fig. 5] montre un logigramme d’une étape d’étiquetage selon un exemple de l’invention.
[0069] La [Fig. 6] montre une représentation schématique du principe d’étiquetage selon l’invention à partir d’une mesure de tension d’arc et d’une mesure de courant d’arc corrélées en temps.
[0070] La [Fig. 7] montre une représentation schématique de la tension d’arc en fonction de la longueur d’arc.
[0071] La [Fig. 8] montre une représentation schématique d’un dispositif selon un exemple de réalisation de l’invention.
DESCRIPTION DETAILLEE
[0072] Les figures sont présentées à titre indicatif et nullement limitatif de l’invention.
Procédé de détection de la présence d’un arc électrique sur une liqne
[0073] Un premier aspect de l’invention illustré à la [Fig. 1] concerne un procédé 100 mis en œuvre par ordinateur de détection de la présence d’un arc électrique sur une ligne électrique à l’aide d’une méthode par apprentissage artificiel. Plus particulièrement, dans le procédé selon l’invention, l’apprentissage est effectué à l’aide d’une pluralité de mesures relatives à la formation d’un arc électrique, chaque mesure de la pluralité de mesures comprenant une mesure corrélée en temps de la tension d’arc Varc, du courant / et de la tension de source Vsource.
[0074] Le procédé selon l’invention est notamment original en ce que, en plus d’un modèle par apprentissage, sa conception repose également sur l’utilisation d’un modèle de connaissance permettant de relier la tension d’arc Varc et le courant / à des constantes qui dépendent du choix du modèle de connaissance. Plus particulièrement, le principe de la présente invention repose sur la mise en œuvre d’une phase PA d’apprentissage qui utilise deux techniques : la modélisation par apprentissage artificiel et la modélisation de connaissance. Ceci permet de tirer parti de la capacité de la modélisation par apprentissage artificiel et de l’expertise apportée par la méthode issue de la physique du mécanisme d’arc de défaut. [0075] Pour mémoire, la modélisation par apprentissage utilise un outil mathématique de régression issu des méthodes de l’apprentissage artificiel (« machine learning » en anglais). Par exemple, cet outil peut prendre la forme d’un réseau de neurones formels. Ce type d’approche, appelée parfois modélisation « boîte noire », où seules les mesures sont utilisées, présente cependant certaines limitations, notamment du fait que la base de données utilisée lors de l’apprentissage n’est pas exhaustive et ne dispose pas de tous les types d’arcs à détecter.
[0076] Pour mémoire également, la modélisation de connaissance permet de décrire, au moins partiellement, le comportement physique de l’arc que l’on cherche à détecter. Cependant, cette modélisation présente également certaines limitations. En particulier, la généralisation de cette méthode peut être remise en cause : son domaine de validité et ses performances peuvent être par exemple diminués par la grande variabilité des paramètres de l’arc et de son environnement.
[0077] L’approche de la présente invention propose un procédé 100 qui permet de corriger les limitations de chacune de ces méthodes en les combinant. Plus particulièrement, dans le procédé selon l’invention, le modèle de connaissance issu de la physique de l’arc permet de définir un cadre au comportement du défaut à détecter. Ainsi, dans le cas d’une rareté des données pour l’ajustement du modèle par apprentissage, le modèle de connaissance permet de guider la décision et de ne pas s’écarter du fonctionnement connu du mécanisme étudié, ici l’arc de défaut.
[0078] D’autre part, une imprécision du modèle de connaissance peut être ajustée grâce aux données qui contiennent toute l’information sur la variation des grandeurs d’intérêt. Plus précisément, l’apprentissage du modèle d’apprentissage se fait par la reconnaissance des signatures d’arcs au sein des données expérimentales. Dans le même temps, il s’agit de guider cette phase d’apprentissage par une expertise provenant d’une (ou des) loi (s) physique(s) issue(s) de la connaissance de la physique des arcs.
[0079] En résumé, dans la présente invention, la détection d’arc est conçue et ajustée grâce à des outils issus de l’apprentissage artificiel et de connaissances issues de la physique du système. Phase d’
[0080] Le procédé selon l’invention comprend tout d’abord une phase d’apprentissage. Cette phase a pour but d’ajuster le modèle boîte noire à l’aide du modèle de connaissance et ainsi obtenir une fonction de décision qui, à partir de mesures réalisées sur la ligne électrique, donne un booléen (ou tout autre représentation équivalente) représentatif de la présence ou non d’un arc de défaut sur la ligne électrique.
[0081] Afin de pouvoir effectuer cet apprentissage, il est nécessaire de disposer d’une pluralité de mesures, chaque mesure de la pluralité de mesures comportant une mesure corrélée en temps du courant I, de la tension de source Vsource et de la tension d’arc Varc. On entend par « corrélée en temps » qu’une mesure de courant I, une mesure de la tension de source Vsource et une mesure de tension d’arc Varc ayant la même abscisse t ont été mesurées au même instant t.
[0082] Si ces mesures ne sont pas disponibles, il peut être nécessaire de recueillir ces dernières, par exemple lors de mesures en laboratoires. Pour cela, dans un mode de réalisation, la phase PA d’apprentissage comprend une étape d’acquisition d’une pluralité de mesures, chaque mesure comprenant une mesure corrélée en temps du courant I, de la tension de source Vsource et de la tension d’arc Varc. Comme déjà mentionné, cette étape est généralement mise en œuvre en laboratoire où des tests sont effectués afin de générer une base de données comprenant la pluralité de mesures brutes.
[0083] A l’issue de cette étape, une pluralité de mesure est obtenue, chaque mesure de cette pluralité de mesures pouvant être décrite à l’aide de la notation suivante :
[0085] où tm est le temps discrétisé, /(tm) est le courant en fonction de tm, Varc(tm est la tension d’arc en fonction de tm, Vsource tm) est la tension de source en fonction de tm et M est le nombre total des points disponibles dans la mesure considérée.
[0086] La phase PA d’apprentissage comprend également, à l’aide des mesures de la pluralité de mesures, un étape E1 d’ajustement d’un modèle d’apprentissage prenant en entrée le courant / et la tension de source Vsource et fournissant en sortie la tension d’arc Varc et les constantes associées au modèle de connaissance choisi (par exemple, la constante d’arc T et la puissance de refroidissement Po lorsque le modèle de connaissance est le modèle de Mayr). Lors de cette étape E1 , l’apprentissage est effectué à l’aide d’une fonction de coût L à minimiser et donnée par la relation suivante L = + L2. Pour mémoire, une fonction de coût est une fonction paramétrable définissant une erreur. Plus le résultat de la fonction de coût est proche de 0, plus l’erreur est faible.
[0087] Dans la relation précédente, le terme est défini comme étant la comparaison des valeurs de sortie calculées par le modèle d’apprentissage avec les valeurs mesurées, cette erreur n’étant calculée que pour la tension d’arc Varc. Aussi, Li représente l’écart entre la tension d’arc V^r r c edlt prédit par le modèle d’apprentissage et la tension d’arc Varc mesurée et donnée par la relation suivante :
[0089] Le terme L2 représente quant à lui l’écart entre la prédiction du modèle de connaissance et les valeurs mesurées. Son expression dépend donc du modèle de connaissance utilisé. En tout état de cause, le modèle de connaissance utilisé doit pouvoir fournir, en sortie, la tension d’arc Varc.
[0090] Dans un mode de réalisation qui servira d’illustration dans la suite de la description, le modèle de connaissance utilisé est le modèle de Mayr. Dans ce mode de réalisation, le modèle ajusté par apprentissage est réalisé à l’aide d’un réseau de neurones formels.
[0091] Dans un mode de réalisation alternatif, le modèle de connaissance est un modèle de Cassie. Dans ce mode de réalisation, le modèle ajusté par apprentissage peut être réalisé à l’aide d’une machine à vecteurs support.
[0092] Dans un mode de réalisation alternatif, le modèle de connaissance est un modèle de Shavemaker. Dans ce mode de réalisation, le modèle ajusté par apprentissage peut être réalisé à l’aide d’une machine à vecteurs support.
[0093] Dans la suite, et à des fins d’illustration, le modèle de Mayr sera utilisé. Pour mémoire, le modèle de Mayr est issu du bilan d’énergie entre la quantité d’énergie perdue à cause du refroidissement et celle fournie par le circuit. En particulier, le modèle de Mayr propose l’équation dynamique suivante :
[0095] où Garc = — = — est la conductance de la colonne d’arc (en négligeant are arc l’effet des pieds d’arcs). Cette équation peut se mettre sous la forme :
[0097] où T est la constante de temps d’arc avec T = T(T, P, Z) et Po est la puissance de refroidissement avec Po = P0(T,P, Z), T étant la température ambiante, P étant la pression ambiante et Z étant la longueur d'arc.
[0098] La fonction de coût L2 peut alors s’écrire de la manière suivante :
[00100] L’étape d’apprentissage vise alors notamment à ajuster un modèle mathématique qui déterminera une fonction :
[00102] Plus particulièrement, l’algorithme d’apprentissage utilise les valeurs de mesure de sorte à déterminer les variables de sortie (yarc(tm Cependant, seule la tension d’arc Varc(tm ) est disponible dans les mesures de la pluralité de mesures. Aussi, la détermination du couple (T, P0) (dans le cas du modèle Mayr), qui doit satisfaire l’équation sera effectuée en utilisant le ou les modèles de connaissance choisis.
[00103] Ainsi, à l’issue de cette étape E1 , la fonction f introduite précédemment est déterminée (et n’évolue plus lors de la phase de détection présentée dans la suite).
Phase PD de détection
[00104] Une fois la phase d’apprentissage achevée, le modèle obtenu qui minimise au mieux L, est alors capable de prévoir correctement les sorties (yarc(tm )>T, P0) à partir des entrées (l(tm ,Vsource(tm )) provenant des signaux d’arcs.
[00105] Au cours de la phase PD de détection, le modèle va ainsi recevoir une quantité M d’entrées qui représentent une fenêtre de signal acquise à partir de capteurs (typiquement le courant de ligne / et la tension côté source Vsource, mais d’autres grandeurs peuvent être envisagées en fonction du modèle de connaissance comme la température, la pression, etc.). Ensuite, le modèle d’apprentissage au travers de la fonction introduite précédemment effectue une prédiction de M sorties {Varc tm), T, Po}"=1, qui dépendent du modèle de connaissance choisi. Les sorties calculées par le modèle permettent d’évaluer la fonction d’erreur L2 et ainsi déterminer si le signal correspondant est un arc (si la prédiction est bonne, c’est à dire que la valeur de la fonction d’erreur est faible) ou non (si la prédiction est mauvaise, c’est à dire que la valeur de la fonction d’erreur n’est pas faible).
[00106] Le principe énoncé dans le paragraphe précédent peut être formulé de manière simple à l’aide de la fonction d’erreur L2 introduite précédemment à l’aide de l’expression suivante :
[00108] L’ajustement de la valeur du seuil E va dépendre de la disponibilité de données dites nominales. Cette valeur de seuil pourra être plus ou moins sensible selon le domaine d’application. Elle pourra être définie empiriquement (éventuellement par calibration), en fonction des performances souhaitées du modèle de détection. Les mesures de performances peuvent par exemple être évaluées comme le taux de faux négatifs et de faux positifs.
[00109] Aussi, la phase PD de détection du procédé selon l’invention comprend une étape E2 de mesure en continu du courant / et de la tension de source Vsource sur la ligne électrique. C’est à partir de ces mesures en continu qu’il est ensuite possible de constituer une fenêtre de M mesures notée {l(tm~), Vsource (tm')}^l=1 (précédemment introduite). Bien entendu, il s’agit d’une fenêtre glissante qui évolue au fil des mesures acquises lors de l’étape E2 de mesure.
[00110] C’est à partir de cette fenêtre glissante qu’il est possible de détecter en continu la présence d’un arc de défaut.
[00111] La phase PD de détection comprend également une étape E3 de détermination en continu de la présence d’un arc à l’aide d’une fonction de décision permettant, en fonction des M dernières données d’entrée relative au courant / et à la tension de source Vsource mesurée sur la ligne électrique lors de l’étape de mesure, de détecter la présente d’un arc. La fonction de décision est, selon un exemple, définie par l’expression suivante : r
Loo 1121 J
[00113] Où Xm = {/(tm), source(tm)} .
[00114] Dans un mode de réalisation, la ligne électrique est équipée d’un dispositif de coupure de courant permettant de couper le courant dans la ligne sur laquelle est opérée la détection, et le procédé 100 selon l’invention comprend, lorsqu’un arc électrique est détecté lors de l’étape E3 de détermination de la présence d’un arc, une étape d’envoi, au dispositif de coupure, d’une instruction de coupure du courant sur la ligne considérée. Cela permet d’éviter ou, à tout le moins, limiter les dégâts associés à la formation d’un arc électrique sur la ligne de courant considérée.
Conception d’une fonction de décision par apprentissaqe
[00115] Dans un mode de réalisation, le procédé 100 selon l’invention se déroule en au moins deux phases, dites ici PC, PD : une phase PC de conception permettant de déterminer une fonction de décision, c’est-à-dire une fonction qui prend en entrée une pluralité de descripteurs issus d’une mesure de courant et qui donne en sortie un booléen (ou toute représentation équivalente) représentatif de la présence ou non d’un arc électrique dans la mesure considérée ; une phase PD de détection, lors de laquelle le courant sur une ligne électrique est mesuré de sorte à extraire de cette mesure des descripteurs identifiés lors de la phase PC de conception et détecter la présence ou non d’un arc électrique à l’aide de la fonction de décision déterminée lors de la phase PC de conception.
[00116] De manière optionnelle, lorsque la pluralité de mesures nécessaires à la phase de conception n‘est pas disponible, le procédé peut également comprendre une phase d’acquisition visant à obtenir ladite pluralité de mesures.
[00117] Comme déjà mentionné, il peut être nécessaire de recueillir des mesures si ces dernières ne sont pas disponibles. Pour cela, dans un mode de réalisation, le procédé 100 comprend, avant la phase PC de conception, une phase d’acquisition comprenant une étape d’acquisition d’une pluralité de mesures, chaque mesure comprenant une mesure corrélée dans le temps de la tension d’arc et du courant d’arc. Une telle mesure est illustrée à la [Fig. 3] présentant, en haut, la mesure du courant d’arc, et en bas, la mesure de la tension d’arc correspondante, les deux mesures étant corrélées en temps (c’est-à-dire qu’une mesure de courant d’arc et une mesure de tension d’arc ayant la même abscisse t ont été mesurées au même instant t). La ligne électrique est par exemple une ligne électrique de réseau d’aéronef.
[00118] Cette phase est généralement mise en œuvre en laboratoire où des tests sont effectués afin de générer une base de données comprenant la pluralité de mesures brutes. Les mesures brutes sont également accompagnées d’informations relatives à la mesure et notamment :
La fréquence d’échantillonnage lors de la mesure, par exemple 1 MHz ;
La description des signaux mesurés comportant :
■ La mesure du courant d’arc (ou courant de ligne) ;
■ La mesure de la tension d’arc ;
La dimension de la base de données : le nombre d’essais (et donc le nombre de régions nominales et régions d’arcs - de préférence suffisamment important, par exemple plusieurs centaines ou milliers de fenêtres).
[00119] En outre, dans chaque mesure, la mesure de tension d’arc et de courant sont corrélées en temps.
[00120] Pour apprendre des informations aboutissant à un taux de vrais positifs élevé (aspect fiabilité) et un taux de faux positifs faible (aspect robustesse), deux catégories de signaux sont nécessaires : les signatures d’arcs électriques et les régions nominales. Les régions nominales sont toutes les signatures sur lesquelles un arc électrique n’est pas présent. Cela correspond donc à des régimes nominaux mais aussi anormaux (« inrush », reconfiguration de charges, etc...) de charges électriques connectées au réseau et alimentées par les câbles sous surveillance. La base de données doit donc contenir la plus grande distribution possible de ces signaux (charges avions, essais en environnement représentatif sévère).
[00121] A l’issue de leur acquisition, il peut être avantageux de prétraiter les mesures afin d’en faciliter l’analyse. Aussi, dans un mode de réalisation, la phase d’acquisition du procédé selon l’invention comprend une étape de pré-traitement des mesures acquises. Cette étape de pré-traitement permet notamment de standardiser les acquisitions, et de supprimer les décalages et les défauts de la chaîne de mesure.
Phase de conception de la fonction de décision
[00122] Dans un mode de mise en œuvre, le procédé 100 comprend une phase PC de conception d’une fonction de décision à l’aide de la pluralité de mesures (éventuellement prétraitées comme décrit précédemment), cette phase étant destinée à déterminer une fonction de décision telle que décrite précédemment, c’est-à-dire une fonction qui prend en entrée une pluralité de descripteurs extraits d’une mesure de courant d’arc et qui donne en sortie un booléen (ou toute représentation équivalente) représentatif de la présence ou non d’un arc électrique.
Etape de pré-identification
[00123] De préférence, la phase PC de conception comprend tout d’abord une étape de pré-identification par expertise comportant une identification brute (sans précision à l’échantillon près) de tous les arcs électriques qui satisfont des critères prédéterminés. Pour cette première étape, l’expert identifie grossièrement une première fois l’ensemble des arcs sur l’ensemble des essais de l’ensemble des mesures. L’identification n’est pas précise à l’échantillon près. Il s’agit simplement de définir la position de chaque arc au sein des données d’acquisition. Une illustration de ces données après pré-identification est donnée à la [Fig. 4] dans laquelle deux arcs (Arc1 et Arc2) sont identifiés par des cercles en pointillé.
[00124] Dans un mode de réalisation, cette pré-identification se fait sur la base des critères de spécification tels que durée d’arc minimale, tension d’arc minimale, etc. Dans un mode de réalisation, les mesures de la pluralité de mesures sont stockées dans un ou plusieurs fichiers, et la position temporelle et le nombre d’arcs par fichier de mesures sont stockés dans un fichier de synthèse.
[00125] Bien que facultative, cette étape permet d’améliorer les performances de la fonction de décision obtenue à l’issue de la phase PC de conception. [00126] La phase d’apprentissage comprend une étape E11 d’étiquetage. Dans la présente invention, l’étape E11 d’étiquetage est originale en ce qu’elle met en application une logique fondée sur la physique des arcs : pour chaque mesure, elle utilise la mesure de la tension d’arc (uniquement disponible en laboratoire) comme référence pour étiqueter la mesure du courant d’arc (ou de ligne - disponible en laboratoire et qui sera disponible plus tard lors de la phase PD de détection) de manière automatisée. Lors de cette étape E11 , un algorithme qui sera décrit dans la suite parcourt l’ensemble des mesures de la pluralité de mesures de sorte à identifier précisément les informations de début et de fin d’arc dans chaque mesure de tension d’arc, et ainsi sélectionner la partie pertinente (autrement dit, la partie étiquetée correspondant à une fenêtre de mesure) dans chaque mesure du courant d’arc correspondante. La partie pertinente ainsi sélectionnée dans chaque mesure de courant d’arc de la pluralité de mesures sera ensuite utilisée pour l’apprentissage. Les fenêtres ainsi étiquetées sont labellisées et sauvegardées. Il est ainsi possible d’étiqueter les données sur la base de critères choisis en amont (par ex., une tension seuil Us - cf. la description détaillée de l’étape d’étiquetage dans la suite).
Étape de vérification
[00127] De préférence, la phase PC de conception comprend, à l’issue de l’étape d’étiquetage, une étape de vérification manuelle de l’étiquetage par expertise. Lors de cette étape un ou plusieurs experts viennent contrôler l’ensemble des fenêtres ainsi sauvegardées. Lors de cette étape, des fenêtres non-étiquetées, mais correspondant néanmoins à la survenue d’un arc électrique, peuvent ainsi être étiquetées manuellement. De la même manière, des fenêtres étiquetées de manière erronée (parce que le phénomène présente des caractéristiques atypiques) peuvent être réétiquetées. En règle générale, les fenêtres étiquetées sont sauvegardées tandis que les autres mesures sont anonymisées et sorties de la sauvegarde. Autrement dit, cette étape permet de vérifier que les mesures étiquetées comprennent l’ensemble des régions envisagées pour l’apprentissage, c’est-à-dire une fenêtre comprenant une partie de la mesure antérieure à la formation de l’arc, la mesure correspondant à la formation de l’arc, ainsi qu’une partie de la mesure après la formation de l’arc. [00128] Bien que facultative, cette étape peut être utile car il est possible que certains arcs ne soient pas correctement identifiés lors de l’étape E11 d’étiquetage. Cette étape facultative peut donc contribuer à l’amélioration de la fonction de décision obtenue à l’issue de la phase PC de conception.
Étape d’identification manuelle
[00129] De préférence, la phase PC de conception comprend, à l’issue de l’étape d’étiquetage, une étape d’identification manuelle des reliquats, c’est-à-dire des arcs manquants. Lors de cette étape, un contrôle des écarts entre le nombre et la position des arcs identifiés lors de l’étape de pré-identification (lorsque cette dernière est mise en œuvre) et lors de l’étape de vérification de l’étiquetage (lorsque cette dernière est mise en œuvre) est effectué. Tous les arcs identifiés lors de l’étape de pré-identification et non marqués à l’issue de l’étape de vérification de l’étiquetage sont alors marqués manuellement, l’objectif étant d’étiqueter la totalité des arcs présents dans les mesures de la pluralité de mesures.
[00130] Bien que facultative, cette étape peut donc contribuer à l’amélioration de la fonction de décision obtenue à l’issue de la phase PC de conception.
Étape d’extraction de descripteurs
[00131] La phase PC de conception comprend également, pour chaque mesure de la pluralité de mesures, une étape E12 d’extraction des descripteurs de chaque fenêtre de la mesure du courant d’arc étiquetée lors de l’étape E11 d’étiquetage. En effet, pour ajuster un modèle par apprentissage, il est nécessaire d’extraire des descripteurs à partir d’une fenêtre de données relative à chaque mesure représentative du phénomène à détecter, cette fenêtre ayant été identifiée lors de l’étape E11 d’étiquetage. Ces descripteurs sont des caractéristiques informatives sur la fenêtre de mesure analysée et donc sur le phénomène à détecter, ici, la formation d’un arc électrique.
[00132] L’étape E12 d'extraction peut se faire d’au moins deux manières différentes :
En utilisant une méthode par apprentissage non supervisé telles que les auto-encodeurs ; dans ce cas, les descripteurs n'ont pas d'interprétation physique ; En utilisant des connaissances physiques préalables pouvant être contenues dans la mesure, telles que :
■ Le contenu fréquentiel, par exemple après une transformation de Fourier ou en ondelettes ;
■ Les moments statistiques, comme la moyenne, l’écart type, le « kurtosis >> et la « skewness >> ;
■ Les analyses temporelles.
[00133] De préférence, dans le procédé 100 selon l’invention, les descripteurs sont extraits en utilisant des connaissances physiques préalables et comprennent l’entropie spectrale et/ou l’autocorrélation du courant d’arc mesurée sur la fenêtre sélectionnée.
[00134] Dans un mode de réalisation, le procédé comprend, à l’issue de l’étape d’extraction des descripteurs, une étape de normalisation des mesures de la pluralité de mesures.
[00135] Dans un mode de réalisation, la phase PC de conception comprend également une étape de classement et de sélection des descripteurs. En effet, tous les descripteurs extraits n’ont pas nécessairement des caractéristiques pouvant aboutir à la bonne ségrégation des deux classes de fenêtres existantes (arcs et nominales). Ainsi, l’analyse de l’importance et du niveau de corrélation des descripteurs avec l’étiquette de la fenêtre peut être utile et améliorer les performances de la fonction de décision. En effet, un mauvais descripteur peut éventuellement perturber la prédiction, diminuant (parfois drastiquement) les performances finales de la fonction de décision. Aussi, la sélection de descripteurs peut généralement conduire à de meilleures performances en apprentissage, telles qu’une plus grande efficacité, un coût de calcul inférieur et un modèle de détection automatique d’arcs plus performant. Aussi, ce mode de réalisation est particulièrement avantageux lorsque le nombre de descripteurs est élevé.
[00136] Ainsi, le but de l’étape de sélection de descripteurs est de maximiser la pertinence et de minimiser la redondance de l’information. Dans un exemple de réalisation, cette étape est effectuée par une méthode supervisée de filtrage. [00137] Dans un exemple de réalisation, le classement pourra être réalisé à l’aide d’une méthode de Gram-Schmidt et la sélection pourra être réalisée à l’aide d’une méthode incrémentale. Bien entendu, d’autres méthodes peuvent être utilisées pour le classement ou la sélection.
[00138] Bien que facultative, cette étape peut donc contribuer à l’amélioration de la fonction de décision obtenue à l’issue de la phase PC de conception.
Étape de détermination de la fonction de décision
[00139] La phase PC de conception comprend également une étape E13 de détermination de la fonction de décision, notée f(X) dans la suite (où X représente les descripteurs extraits de la mesure du courant d’arc et fournis en entrée de la fonction de décision).
[00140] Dans un mode de réalisation, cette étape E13 comprend une pluralité d’itérations des deux sous-étapes suivantes : une sous-étape de conception, par apprentissage, d’un classifieur ; et une sous-étape de validation du classifieur à partir des données étiquetées.
[00141 ] En outre, ces sous-étapes sont répétées jusqu’à l’obtention du classifieur le plus performant, c’est-à-dire par exemple le classifieur minimisant en-dessous d’un certain seuil l’erreur de classification réalisée sur une base de données non apprises (de sorte à assurer une capacité de généralisation dudit classifieur). La fonction de décision f(X) est déterminée à partir de ce classifieur.
[00142] Ainsi, la détermination d’un classifieur permet, par apprentissage (correspondant à la pluralité d’itérations des sous-étapes décrites précédemment), d’obtenir un classifieur performant de sorte à réaliser une décision efficace.
[00143] Afin de mettre en œuvre cette étape E13, plusieurs méthodes de classification supervisée peuvent être utilisées. Le choix de la méthode peut notamment être influencé par le temps de détection souhaité : certaines méthodes peuvent avoir une complexité de calcul plus élevée, mais de meilleures performances. De préférence, la méthode de classification utilisée lors de cette étape est une méthode par machines à vecteur support. Cette méthode étant bien connue de la personne du métier, elle ne sera pas davantage décrite ici. [00144] Dans un mode de réalisation alternatif, la méthode de classification est choisie parmi l’une des méthodes suivantes :
Réseaux de neurones formels (simples, convolutionnels, récurrents) ;
Modèles de Markov cachés ;
Méthode des K-plus proches voisins ;
Arbre de décision ;
Apprentissage ensembliste (jumelage de deux méthodes parmi les méthodes précédemment listées).
[00145] Toutes les étapes E11 -E13 décrites jusqu’ici sont mises en œuvre préalablement à la phase PD de détection et, à l’issue de la phase PC de conception, la fonction de décision (et donc la stratégie de détection) est figée. Aussi, les descripteurs sélectionnés lors de la phase PC de conception sont les descripteurs qui seront utilisés lors de la phase PD de détection. Lors de la phase PD de détection, ces derniers seront donc extraits des signaux mesurés (par exemple via du traitement du signal) et utilisés comme entrées de la fonction de décision qui attribuera au signal soit la catégorie « arc », soit la catégorie « régime nominal » (c’est-à-dire absence d’arc électrique).
Description détaillée de l’étape d’étiquetaqe
[00146] Dans la suite, afin d’illustrer l’étape E11 d’étiquetage, la notation suivante est utilisée : t est l’instant considéré ; tend est la durée totale de l’essai en cours ;
Tmax est la durée de fenêtre maximale ;
Tmin est la durée de fenêtre minimale ;
Pg est le pas à gauche ; sa valeur est normalisée pour la durée de la fenêtre à l’étude et comprise entre [0,1] ;
Pd est le pas à droite ; Pd = 1 - Pg , il s’agit donc également d’une valeur normalisée pour la durée de la fenêtre à l’étude et comprise entre [0,1] ; td est l’instant de démarrage de l’arc ; te est l’instant d’extinction de l’arc ; tevaiuation est le temps d’évaluation du pourcentage de points qui sont au- dessus de Us avant le démarrage d’un arc ;
Uarc est la tension d’arc ; larc est le courant d’arc ;
Us est le seuil de tension minimal à partir duquel l’existence d’un arc électrique est considérée comme vrai ; ce seuil de tension (ou tension de seuil) est fonction de la connaissance de la physique des arcs.
[00147] Comme cela a été détaillé précédemment, l’étape E11 d’étiquetage selon l’invention est postérieure à l’étape d’acquisition des signaux ou bien encore à l’étape de prétraitement desdits signaux. Dans le cas des signatures électriques des arcs de défaut, la seule information permettant de garantir la présence d'un arc électrique est la mesure de la tension à ses bornes (la tension d’arc), puisque cette valeur sera nulle en absence de décharge et supérieure à une certaine valeur uniquement en présence d’un arc. Pour rappel, l’information de cette tension d'arc n’est pas mesurée (car non disponible) lors de la phase PD de détection. Elle n’est accessible et utilisée que lors de la phase PC de conception. C’est donc à partir de cette information que la stratégie d’étiquetage selon l’invention est définie. Autrement dit, la mesure de la tension d’arc est utilisée exclusivement pour étiqueter la mesure de courant (pour les données d’apprentissage et de validation qui sont acquises en laboratoire) et cette utilisation est limitée à la phase PC de conception.
[00148] Par ailleurs, lors de l’étape E11 d’étiquetage, les caractéristiques du phénomène à détecter doivent être bien définies. Elles représentent la spécificité du défaut que l’on cherche à détecter.
[00149] Dans un exemple de réalisation, les caractéristiques des arcs à détecter sont les suivantes : une durée d’arc > 1 ms ; une augmentation de la tension d’arc de 0 à 10V minimum.
[00150] Dans un exemple de réalisation, les caractéristiques des fenêtres étiquetées comme des arcs sont les suivantes : une durée de la fenêtre comprise entre 1 et 10 ms ; présence d’un décalage temporel négatif d’une durée proportionnelle à la longueur de la fenêtre ; absence de signature de fin d’arc (corrélée à une chute de tension d’arc vers 0V).
[00151] Ces valeurs sont fournies à titre d’exemple mais ne représentent pas une limitation de l’invention.
[00152] Dans l’état de la technique, l’étiquetage est une opération délicate et chronophage. Cependant, dans le procédé 100 selon l’invention, cette étape E11 est automatisée, permettant d’assurer le même résultat qu’une mise en œuvre manuelle, tout en optimisant le temps consacré.
[00153] Pour cela, l’étape E11 d’étiquetage comprend, pour chaque mesure et pour chaque intervalle de temps t de la mesure considérée, les sous-étapes suivantes : lorsque la tension d'arc mesurée Uarc dépasse pour la première fois une valeur seuil Us prédéterminée (c’est-à-dire à la première occurrence de la relation suivante : Uarc(t) > Us et Uarc(t - 1) < Us où t est l’intervalle considéré), une étape d’enregistrement de l’intervalle considéré comme point de départ de l’arc électrique (autrement dit td = t) ; lorsque la tension d'arc mesurée Uarc repasse pour la première fois en- dessous de ladite valeur seuil Us prédéterminée (c’est-à-dire à la première occurrence de la relation suivante : Uarc(t) < Us et Uarc(t - 1) > Us où t est l’intervalle considéré), une étape d’enregistrement de l’intervalle précédant l’intervalle considéré (c’est-à-dire t - 1) comme point de fin de l’arc électrique (autrement dit te = t - 1).
[00154] Ces deux sous-étapes sont illustrées sous la forme d’un ordinogramme à la [Fig. 5]. Sur cet ordinogramme, la tension d’arc mesurée est comparée à la tension d’arc seuil. Si la tension d’arc mesurée est supérieure à la tension d’arc seuil, les valeurs précédentes de la tension d’arc sont vérifiées. Si aucune desdites valeurs précédentes n’était au-dessus de cette valeur seuil, cela signifie que la tension d’arc passe pour la première fois au-dessus de la valeur seuil, signalant le début de l’arc. Dans le cas contraire, rien n’est fait. De même, si la valeur de tension d’arc mesurée est en-dessous de la valeur seuil et que la valeur seuil était au-dessus de cette même valeur seuil, alors cela signale que la tension d’arc repasse en dessous de la valeur seuil, signalant la fin de l’arc.
[00155] Dans un mode de réalisation, pour chaque mesure, l’étiquetage est associé à une fenêtre de mesure sur laquelle est réalisé l’apprentissage, ladite fenêtre étant donnée par l’intervalle : [Pg x min (te - td ,Tmax , Pd x min (te - td ,Tmax)]. C’est à partir des données de cet intervalle que seront extraits les descripteurs. Une telle fenêtre de mesure est illustrée à la [Fig. 6] qui représente, en haut, le courant d’arc en fonction du temps et, en bas, la tension d’arc en fonction du temps. Il s’agit d’une représentation simplifiée de profils électriques apparaissant en cas d’arc série en tension continue sur un système électrique alimentant une charge résistive. Sur l’exemple de la [Fig. 6], l’apparition de l’arc est représentée sur la courbe de tension par une augmentation de tension de quelques Volts ou quelques dizaines de Volts. Sur la courbe de courant, cela est représenté par l’apparition d’une chute de courant survenant au même instant. En plus de ces chutes, l’étape d’étiquetage cherche à conserver une petite partie du signal à gauche de la chute (région nominale) et une partie encore plus grande du signal à droite de la chute (arc établi) afin de stocker un contenu fréquentiel important du phénomène. Comme déjà mentionné, le début d'un arc, au temps td, est d'abord identifié comme le moment où la tension d'arc mesurée Uarc dépasse une valeur seuil Us déterminée, choisie en relation avec la physique des arcs. Dans un mode de réalisation, la valeur de Us est donnée par la somme de la chute anodique et cathodique, par exemple une valeur de 20V pour la somme des deux chutes de tension dans l’air.
[00156] Une fois le début de l’arc identifié, sa fin (te) est déterminée de la même manière, mais représentant le moment où la tension revient à une valeur inférieure au seuil établi. Avec cela, il est possible d'identifier la durée de l'arc électrique analysé (d = te - td). Si cette durée est supérieure à la valeur maximale de fenêtrage souhaitée dans la détection (Tmax), cette valeur maximale prédéfinie est prise comme référence. Dans le cas contraire, où la durée d'arc est inférieure à celle du fenêtrage établi et supérieure à la durée minimale (Tmin) acceptable pour l'arc, la durée d'arc est prise comme fenêtre de référence. Les régions à droite et gauche de td sont alors additionnées selon un pourcentage (Pd + Pg = 1) de cette durée de référence. Tous les arcs sont alors étiquetés de cette façon. [00157] Dans un mode de réalisation, la tension de seuil est déterminée à partir de l’évolution de la tension mesurée aux bornes d’un arc électrique en fonction de la longueur d’arc, cette évolution étant présentée à la [Fig. 7]. Il est possible d’identifier trois zones sur cette figure. Dans les zones situées en début et en fin d’arc, la tension d’arc évolue de manière non linéaire. Ce sont les zones anodiques et cathodiques au sein desquelles la chute de tension d’arc représente une valeur non négligeable, inéluctable et systématiquement supérieure à 0 V. De manière générale, les valeurs de Vc + Va sont comprises entre 10 et 25V dans les conditions environnementales rencontrées dans le domaine de l’aéronautique. La troisième zone est la zone centrale dont la tension d’arc progresse linéairement en fonction de la distance parcourue par l’arc et ne présente pas d’intérêt particulier dans la mise en œuvre du procédé selon l’invention. En d’autres termes, l’apparition d’un arc électrique sera accompagnée systématiquement par la production d’une tension d’arc dont la valeur sera définie par un seuil minimal expliqué par les chutes de tensions aux bornes des électrodes.
Phase de détection
[00158] Afin de pouvoir détecter la présence d’un arc électrique sur une ligne électrique, le procédé comprend une phase PD de détection postérieure à la phase PC de conception et durant laquelle la fonction de décision obtenue durant la phase PC de conception va être utilisée afin de déterminer la présence ou non d’un arc électrique dans une mesure de courant. Contrairement à la phase PC de conception où la tension d’arc est une mesure disponible, en condition réelle (hors laboratoire), c’est-à-dire lors de la phase PD de détection, seule la mesure de courant d’arc peut être disponible. C’est donc de préférence à partir de cette seule mesure que va s’opérer la détection.
[00159] Plus particulièrement, la phase PD de détection comprend tout d’abord une étape E14 de mesure du courant circulant sur la ligne électrique. Cette étape E14 est réalisée en continu et en temps réel de sorte à permettre une détection rapide de la présence d’un arc.
[00160] La phase PD de détection comprend également une étape E15 d’extraction des descripteurs de la mesure de courant. Comme déjà mentionné, les descripteurs extraits lors de cette étape E15 sont identiques à ceux sélectionnés lors de la phase PC de conception et servant de données d’entrée à la fonction de décision. Ils sont par ailleurs extraits en continu, au fur et à mesure que les mesures de courant sont acquises. [00161 ] La phase PD de détection comprend également une étape E16 de détection de la présence d’un arc dans la mesure du courant circulant sur la ligne Ll électrique. Cette étape utilise les descripteurs extraits de la mesure de courant et la fonction de décision déterminée lors de la phase PC de conception.
[00162] Dans un mode de réalisation, il est possible de couper le courant dans la ligne électrique Ll sur laquelle est opérée la détection à l’aide d’un dispositif de coupure du courant, et le procédé 100 selon l’invention comprend, lorsqu’un arc électrique est détecté lors de l’étape E16 de détection, une étape d’envoi, au dispositif de coupure MMC, d’une instruction de coupure du courant sur la ligne Ll considérée. Cela permet d’éviter ou, à tout le moins, limiter les dégâts associés à la formation d’un arc électrique sur la ligne Ll de courant considérée.
[00163] La qualité de la détection dépend de la qualité de l’apprentissage qui dépend elle-même de la qualité des données et de leur étiquetage. L’un des apports du procédé selon l’invention est d’automatiser cet étiquetage en utilisant une pluralité de mesures (en général effectuées en laboratoire), chaque mesure comprenant une mesure corrélée en temps de la tension d’arc et du courant d’arc.
Dispositif de détection de la présence d’un arc électrique
[00164] Un deuxième aspect de l’invention illustré à la [Fig. 8] concerne un dispositif DI de comprenant les moyens configurés pour mettre en œuvre un procédé 100 selon l’invention. Plus particulièrement, le dispositif comprend un moyen de calcul MC (par exemple un processeur ou une carte ASIC) associé à une mémoire MM (par exemple une mémoire RAM et/ou un disque dur), ladite mémoire MM étant configurée pour stocker les données et les instructions nécessaire à la mise en œuvre du procédé 100 selon l’invention. Le dispositif DI selon l’invention comprend également un moyen de mesure CPT configuré pour mesurer, en temps réel, le courant traversant une ligne de courant Ll lorsque ce dernier est connecté à une telle ligne de courant Ll et communiquer la mesure au moyen de calcul MC du dispositif DI selon l’invention. Dans un exemple de réalisation, le dispositif est un RCCB (pour « remote controller circuit breaker » en anglais) ou bien encore un SSPC (pour « solid state power controller » en anglais).
[00165] Dans un mode de réalisation, le courant traversant la ligne de courant Ll peut être coupé par un dispositif de coupure de courant MCC commandable à distance, et le dispositif DI selon l’invention est configuré pour, lorsque la présence d’un arc est détectée sur la ligne de courant Ll, envoyer une instruction au dispositif de coupure de courant MCC de sorte à couper le courant dans la ligne de courant.

Claims

REVENDICATIONS
[Revendication 1 ] Procédé (100) mis en œuvre par ordinateur de détection de la présence d’un arc électrique sur une ligne électrique (Ll) à l’aide d’une méthode par apprentissage artificiel, l’apprentissage étant effectué à l’aide :
- d’une pluralité de mesures relatives à la formation d’un arc électrique, chaque mesure de la pluralité de mesures comprenant une mesure corrélée dans le temps de la tension d’arc Varc, du courant / et de la tension de source Vsource ;
- d’un modèle de connaissance reliant la tension d’arc Varc et le courant / à des constantes dépendant du modèle de connaissance ; le procédé (100) étant mis en œuvre à l’aide d’un modèle d’apprentissage issu d’une phase (PA) d’apprentissage au cours de laquelle, à l’aide des mesures de la pluralité de mesures et du modèle de connaissance, une étape (E1) d’ajustement du modèle d’apprentissage est mise en œuvre, le modèle d’apprentissage prenant en entrée le courant / et la tension de source Vsource et fournissant en sortie la tension d’arc Varc et les constantes du modèle de connaissance, l’apprentissage étant effectué à l’aide d’une fonction de coût L donnée par la relation suivante L = L + L2 où est une première sous- fonction de coût mesurant un premier écart entre la tension d’arc V^c edlt prédite par le modèle d’apprentissage et la tension d’arc Varc mesurée : et où L2 est une deuxième sous-fonction de coût mesurant un deuxième écart entre la prédiction du modèle de connaissance et les valeurs mesurées ; le procédé comprenant une phase (PD) de détection comportant :
- Une étape (E2) de mesure en continu du courant / et de la tension de source Vsource sur la ligne électrique (Ll), de sorte à acquérir des données d’entrée relatives au courant / et à la tension de source Vsource sur une fenêtre de mesure où M est le nombre de points de mesure dans la fenêtre de mesure, /(tm) est le courant au temps tm et Vsource (t^ est la tension de source au temps - Une étape (E3) de détermination en continu de la présence d’un arc, à l’aide d’une fonction de décision permettant, en fonction des M dernières données d’entrée relatives au courant / et à la tension de source Vsource mesurées sur la ligne électrique (Ll) lors de l’étape de mesure, de détecter la présence d’un arc, la fonction de décision étant une fonction de la deuxième sous-fonction de coût.
[Revendication 2] Procédé selon la revendication précédente dans lequel la fonction de décision est définie par l’expression suivante :
Où Xm = {I (tm),Vsource(tm)}, £ est une valeur de seuil de détection, et L2(Xm) est la valeur de la deuxième sous-fonction de coût L2 déterminée à l’aide du modèle d’apprentissage calculée au point Xm.
[Revendication 3] Procédé selon la revendication précédente dans lequel le modèle de connaissance est le modèle de Mayr et la deuxième sous-fonction de coût L2 prend la forme suivante : où T est la constante d’arc et Po est la puissance de refroidissement.
[Revendication 4] Procédé selon la revendication 1 dans lequel le modèle de connaissance est le modèle de Cassie et la deuxième sous-fonction de coût L2 prend la forme suivante : où T est la constante d’arc et 70 est la tension minimale d’arc.
[Revendication 5] Procédé selon la revendication 1 dans lequel le modèle de connaissance est le modèle de Shavemaker et la deuxième sous-fonction de coût L2 prend la forme suivante : où T est la constante d’arc, Po est la puissance de refroidissement et 70 est la tension minimale d’arc.
[Revendication 6] Procédé (100) selon l’une des revendications précédentes, dans lequel la ligne électrique (Ll) est équipée d’un dispositif de coupure (MCC) permettant de couper le courant dans ladite ligne, le procédé (100) comprenant, lorsqu’un arc électrique est détecté lors de l’étape (E3) de détection, une étape d’envoi, au dispositif de coupure (MCC), d’une instruction de coupure du courant sur la ligne (Ll) considérée.
[Revendication 7] Procédé (100) selon la revendication 1 , dans lequel le procédé comprend en outre :
- une phase (PC) de conception d’une fonction de décision par apprentissage artificiel, à l’aide de la pluralité de mesures, la phase (PC) de conception comprenant :
■ Pour chaque mesure de la pluralité de mesures, une étape (E11 ) d’étiquetage de la mesure du courant d’arc à l’aide de la mesure de tension d’arc qui lui est associée ;
■ Une étape (E12) d’extraction de descripteurs à partir des mesures étiquetées issues de l’étape d’étiquetage ;
■ Une étape (E13) de détermination de la fonction de décision, par apprentissage artificiel, à partir d’au moins une partie des descripteurs extraits lors de l’étape (E12) d’extraction ; dans laquelle la phase (PD) de détection de la présence d’arcs électriques comprend :
■ Une étape (E14) de mesure du courant circulant sur la ligne (Ll) ;
■ Une étape (E15) d’extraction des descripteurs de la mesure de courant obtenue lors de l’étape (E14) précédente de mesure du courant ;
■ A partir d’une partie des descripteurs extraits lors de l’étape précédente et à l’aide de la fonction de décision déterminée lors de la phase (PC) de conception, une étape (E16) de détection de la présence d’arcs dans la mesure du courant ; l’étape d’étiquetage (E11 ) comprenant, pour chaque mesure de la pluralité de mesures et pour chaque intervalle de temps t de la mesure considérée :
- Lorsque la tension d'arc mesurée Uarc dépasse pour la première fois une valeur seuil Us prédéterminée, une étape d’enregistrement d’un intervalle considéré comme point de départ td de l’arc électrique ;
- Lorsque la tension d'arc mesurée Uarc repasse en-dessous de la valeur seuil Us prédéterminée pour la première fois, une étape d’enregistrement de l’intervalle précédant un intervalle considéré comme point de fin te de l’arc électrique.
[Revendication 8] Procédé selon la revendication 7 dans lequel, pour chaque mesure, l'étiquetage est associé à une fenêtre de mesure sur laquelle est réalisé l’apprentissage, ladite fenêtre étant donnée par l’intervalle [Pg x 7îii7î((te td , Tmax), Pd x min (te td Tmax) où Tmax est une durée de fenêtre maximale prédéfinie, Pg est un pas à gauche de td ayant une valeur normalisée pour la durée de la fenêtre à l’étude, et Pd est un pas à droite de td ayant une valeur normalisée pour la durée de la fenêtre d’étude donnée par la relation Pd = 1 - Pa .
[Revendication 9] Procédé selon l’une des revendications 7 ou 8, comprenant, avant la phase de conception, une étape d’acquisition de signaux nécessaire à l’apprentissage de sorte à obtenir une pluralité de mesures, chaque mesure comprenant une mesure corrélée dans le temps de la tension d’arc et du courant d’arc.
[Revendication 10] Procédé selon l’une des revendications 7 à 9, dans lequel la phase de conception comprend, avant l’étape d’étiquetage, une étape de préidentification manuelle par expertise, dans chaque mesure de la pluralité de mesures, de tous les arcs électriques satisfaisant des critères prédéterminés de sorte à définir une position de chaque arc au sein de chaque mesure de la pluralité de mesures. [Revendication 11] Procédé selon l’une des revendications 7 à 10, dans lequel la phase de conception comprend, à l’issue de l’étape d’étiquetage
(E11 ), une étape de vérification manuelle des sorties de l’étape d’étiquetage par expertise de sorte à vérifier que les mesures étiquetées comprennent l’ensemble des régions envisagées pour l’apprentissage.
[Revendication 12] Procédé selon l’une des revendications 7 à 11 , dans lequel les descripteurs utilisés lors de l’étape de détermination (E13) de la fonction de décision comprennent l’entropie spectrale et/ou l’autocorrélation du courant d’arc.
[Revendication 13] Dispositif (DI) de détection de la présence d’un arc dans une ligne (Ll) de courant, le dispositif comprenant un moyen de mesure (CPT) configuré pour mesurer le courant circulant dans la ligne de courant et des moyens configurés pour mettre en œuvre un procédé (100) selon l’une des revendications 1 à 5.
[Revendication 14] Programme d'ordinateur comprenant des instructions qui, lorsqu’elles sont exécutées par un ordinateur, conduisent le dispositif selon la revendication 13 à exécuter le procédé selon l’une des revendications 1 à 12.
[Revendication 15] Support lisible par ordinateur, sur lequel est enregistré le programme d'ordinateur selon la revendication 14.
[Revendication 16] Aéronef comprenant un dispositif de détection conforme à la revendication 13.
EP24719600.9A 2023-03-20 2024-03-20 Procédé de détection de la présence d'un arc électrique et dispositif associé Pending EP4684222A1 (fr)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR2302544A FR3147005A1 (fr) 2023-03-20 2023-03-20 Procédé de détection de la présence d’arcs électriques et dispositif associé
FR2302545A FR3147006A1 (fr) 2023-03-20 2023-03-20 Procédé de détection de la présence d’un arc électrique et dispositif associé
PCT/FR2024/050334 WO2024194570A1 (fr) 2023-03-20 2024-03-20 Procédé de détection de la présence d'un arc électrique et dispositif associé

Publications (1)

Publication Number Publication Date
EP4684222A1 true EP4684222A1 (fr) 2026-01-28

Family

ID=90735097

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24719600.9A Pending EP4684222A1 (fr) 2023-03-20 2024-03-20 Procédé de détection de la présence d'un arc électrique et dispositif associé

Country Status (3)

Country Link
EP (1) EP4684222A1 (fr)
CN (1) CN121866474A (fr)
WO (1) WO2024194570A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119598169B (zh) * 2024-11-28 2025-05-06 国网内蒙古东部电力有限公司通辽供电公司 一种基于小波神经网络的故障电弧识别方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10804688B2 (en) 2017-10-11 2020-10-13 Littelfuse, Inc. Arc detection based on variance of current flow
CN109492339B (zh) * 2018-12-21 2023-06-20 云南电网有限责任公司电力科学研究院 一种电弧模型构建方法及系统
CN111123048A (zh) * 2019-12-23 2020-05-08 温州大学 一种基于卷积神经网络的串联故障电弧检测装置及方法
US20230059561A1 (en) * 2021-08-23 2023-02-23 Lawrence Livermore National Security, Llc Identification of arcing hazards in power distribution systems
CN115598475A (zh) * 2022-09-22 2023-01-13 国网山东省电力公司日照供电公司（Cn） 一种低压交流串联电弧故障的检测方法

Also Published As

Publication number Publication date
WO2024194570A1 (fr) 2024-09-26
CN121866474A (zh) 2026-04-14

Similar Documents

Publication Publication Date Title
EP2368161B1 (fr) Detection d&#39;anomalie dans un moteur d&#39;aeronef
EP2446370B1 (fr) Détection de défaut dans un dispositif électrochimique
EP2966526B1 (fr) Procédé et système de fusion d&#39;indicateurs de surveillance d&#39;un dispositif
EP3846087A1 (fr) Procede et systeme de selection d&#39;un modele d&#39;apprentissage au sein d&#39;une pluralite de modeles d&#39;apprentissage
EP2376989A1 (fr) Identification de defaillances dans un moteur d&#39;aeronef
WO2014172838A1 (fr) Procédé et appareil de pré-avertissement de panne de dispositif de puissance
EP4199348B1 (fr) Procédé et dispositif de diagnostic de fonctionnement d&#39;une chaîne de modules photovoltaïques comprenant au moins un module photovoltaïque
EP1815260B1 (fr) Procédé et dispositif de détection d&#39;un phénomène d&#39;arc électrique sur au moins un câble électrique
WO2016075409A1 (fr) Procédé de surveillance d&#39;un moteur d&#39;aéronef en fonctionnement dans un environnement donné
WO2023247127A1 (fr) Methode de validation des predictions d&#39;un modele supervise d&#39;analyse quantitative multivariee de donnees spectrales
FR3035232A1 (fr) Systeme de surveillance de l&#39;etat de sante d&#39;un moteur et procede de configuration associe
CN118425812A (zh) 电池多故障融合预警方法、装置、车辆和存储介质
WO2024194570A1 (fr) Procédé de détection de la présence d&#39;un arc électrique et dispositif associé
EP4253973A1 (fr) Procédé de tri d&#39;un ensemble de batteries basé sur un modèle de classification automatique
EP4531278A1 (fr) Méthode de détection de défauts dans une installation photovoltaïque
EP3489831A1 (fr) Procédé et dispositif de surveillance d&#39;un processus générateur de données d&#39;une métrique pour la prédiction d&#39;anomalies
WO2018220115A1 (fr) Procede et systeme pour diagnostiquer en temps reel l&#39;etat de fonctionnement d&#39;un systeme electrochimique, et systeme electrochimique integrant ce systeme de diagnostic
FR2999722A1 (fr) Localisation d&#39;un ou plusieurs defauts dans un ensemble electrochimique.
EP4400929A1 (fr) Diagnostic d&#39;un système physique par prediction d&#39;indicateurs de faute par apprentissage machine
FR3147005A1 (fr) Procédé de détection de la présence d’arcs électriques et dispositif associé
CN119695900A (zh) 一种煤矿供电网络的智能故障诊断与恢复方法及系统
FR3147006A1 (fr) Procédé de détection de la présence d’un arc électrique et dispositif associé
EP3559688B1 (fr) Caractérisation perfectionnée d&#39;un dispositif électrochimique en opération pour un pronostic de fonctionnement futur du dispositif
WO2021069824A1 (fr) Dispositif, procédé et programme d&#39;ordinateur de suivi de moteur d&#39;aéronef
FR3049713A1 (fr) Systeme actif de mise a la terre d&#39;un arbre avec analyse diagnostic d&#39;une forme d&#39;onde

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20251014

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR