DEDICACES A ma famille iii REMERCIEMENTS Nous reconnaissons que plusieurs personnes de près ou de loin, nous soutenu pour l’achèvement de ce mémoire et tout au long de notre formation. Sur ce nous tenons à manifester notre profonde gratitude. De ce fait, nous tenons à remercier : ✓ Les membres du jury, pour avoir bien voulu évaluer notre travail malgré leur multiples sollicitations académiques ✓ Pr NNEME NNEME Léandre, Directeur de l’ENSET de Douala ; Chef du département de Génie Informatique et directeur de ce mémoire pour les efforts consentis afin de nous offrir la meilleure formation dans notre domaine et la supervision de ce travail. ✓ M HYOUBISSE Giresse, pour son encadrement, sa délicatesse, ses orientations et conseils pour la réalisation de ce mémoire. ✓ M MBIHI DJOUMESSI Markov pour son soutien, sa rigueur et ses multiples conseils qui nous ont valablement aidés lors notre rédaction de ce travail. ✓ Tous les enseignants de l’ENSET de Douala, en particulier ceux du Génie Informatique pour tout le savoir qu’ils nous ont transmis durant notre formation dans un cadre chaleureux et agréable. ✓ Tous les camarades de promotion pour les échanges d’idées, le partage de documentation et l’ambiance fraternelle qui a régnée entre nous durant nos années de formation. Tous ceux qui n’ont pas pu être cités, mais qui de près ou de loin ont contribué à la réalisation de notre travail. iv AVANT-PROPOS Créée le 10 août 1979 par décret présidentiel NO 260/CAB/PR, l’Ecole Normale Supérieure d’Enseignement Technique (ENSET) de douala est un établissement d’enseignement supérieur de l’Université de Douala. Elle a pour mission la formation des enseignants destinés aux collèges et lycées d’enseignement technique du Cameroun. Cependant durant la formation, l’étudiant de troisième ou cinquième année est tenu de concevoir, réaliser, rédiger et soutenir un projet ou un mémoire de fin d’étude. Ainsi, son thème d’étude devra favoriser une initiation à la méthodologie de la recherche et la production des œuvres de l’esprit. A cet effet, le programme académique prévoit, conformément à l’arrêté ministériel N0 03/BI du 26 novembre 1990 que tout élève professeur présente à la fin du cycle : ▪ Un projet de mémoire pour la fin des études du 1er cycle, sanctionné par l’obtention du Diplôme de Professeur d’Enseignement Technique de Premier Grade (DIPET I) ; ▪ Un mémoire de fin d’étude du 2nd cycle, sanctionné par l’obtention du Diplôme de Professeur d’Enseignement Technique de Deuxième Grade (DIPET II). C’est dans cette optique que pour l’obtention du Diplôme de Professeur d’Enseignant Technique de Deuxième Grade nous avons réaliser un mémoire de fin de formation sur le thème : « Modélisation et Simulation d’un système intelligent de détection de la qualité de l’eau par logique floue assisté par smartphone ». Le choix de ce thème émane tout simplement de la motivation de se confronter au domaine de l’intelligence artificielle et de l’automatique pour pouvoir créer des systèmes utiles à l’être humain surtout afin de faire éviter aux populations les maladies dues à l’eau de mauvaise qualité. v RESUME Les recherches menées dans ce mémoire portent sur la mise en place d’un système intelligent de détection de la qualité de l’eau grâce à la logique floue et assisté d’un smartphone, ceci afin de pallier aux méthodes traditionnelles de surveillance de la qualité de l’eau. Pour ce faire, nous avons utilisé le diagramme SADT et flux de donner pour modéliser l’ensemble du système, ensuite une analyse structurelle pour présenter l’agencement et la communication entre les différents éléments intervenant dans notre système, et enfin pour la prise de décision nous avons utilisé une technique de l’intelligence artificielle qui est la logique floue pour la conception de notre contrôleur ; plus précisément un contrôleur flou de type mamdani avec pour méthode de défuzzification celle des centre de gravité. Ainsi nous avons conçu notre contrôleur flou grâce à la toolbox fuzzy logic, ainsi que tout le système sous l’environnement Matlab/Simulink 2018 ; pour le prototypage, nous avons utilisé Proteus VSM 8 et une application a été mise en œuvre pour assurer le monitoring du système avec l’outil GUIDE de Matlab 2018. Après simulation, nous obtenons un fonctionnement partiel du système car en virtuelle le système respecte les conditions du cahier de charge, mais à cause du manque des composants plus précisément des différents capteurs nous n’avons pas réalisé une simulation physique. Mots clés : qualité de l’eau, logique floue, intelligence artificielle, système intelligent. vi ABSTRACT The research carried out in this thesis focuses on the implementation of an intelligent system for detecting water quality using fuzzy logic and assisted by a smartphone, in order to overcome the traditional methods of monitoring quality. To do this, we used the SADT and give flow diagram to model the entire system, then a structural analysis to present the layout and communication between the different elements involved in our system, and finally for decision making. we used an artificial intelligence technique which is fuzzy logic for the design of our controller; more precisely a mamdani type fuzzy controller with the center of gravity defuzzification method. So we designed our fuzzy controller using the fuzzy logic toolbox, as well as the entire system under the Matlab / Simulink 2018 environment; for the prototyping, we used Proteus VSM 8 and an application was implemented to ensure the monitoring of the system with the GUIDE tool of Matlab 2018. After simulation, we obtain a partial functioning of the system because in virtual the system respects the conditions of the specifications, but because of the lack of components more precisely of the various sensors we did not carry out a physical simulation. Keywords: water quality, fuzzy logic, artificial intelligence, intelligent system. vii LISTE DES TABLEAUX Tableau I.1 : Principales utilisation industrielles de l’eau et sources d’eau possibles ............... 5 Tableau I.2 : Classification des eaux d’après leur PH [6] ........................................................ 11 Tableau I.3 : Classes de turbidité usuelles (NTU, nephelometric turbidity unit) [6] ............... 11 Tableau I.4 : Echelle de valeurs de DBO5 [6] .......................................................................... 12 Tableau I.5 : Qualité microbiologique de l’eau ........................................................................ 14 Tableau I.6 : Grille d’interprétation de l’analyse d’eau en surface destinée à la consommation humaine .................................................................................................................................... 86 Tableau I.7 : Indicateurs chimiques de la qualité des eaux de surface ..................................... 87 Tableau I.8 : Quelques domaines d’applications des systèmes experts ................................... 19 Tableau I.9 : Récapitulatifs de quelques systèmes existants de surveillance de la qualité de l’eau .................................................................................................................................................. 25 Tableau II.1 : Avantages et inconvénients de quelques techniques en intelligence artificiel .. 31 Tableau II.2 : Tableau récapitulatif des propriétés ................................................................... 37 Tableau II. 3 : Exemple de matrice d’inférence ....................................................................... 39 Tableau II.4 : Description des différentes fonctions ................................................................ 46 Tableau IV. 1 : Différents cas de simulation ............................................................................ 72 Tableau IV. 2 : Résultats simulation de la décision de la qualité de l’eau ............................... 75 viii LISTE DES FIGURES Figure I.1 : Composition d’une eau usée domestique ................................................................ 6 Figure I.2 : Parcours de l’eau [2] ................................................................................................ 8 Figure I.3 : Champs d’application et méthodes de l’IA ........................................................... 16 Figure I.4 : Pôles principaux de système expert [18] ............................................................... 18 Figure I.5 : Structure générale d’un système expert ................................................................. 20 Figure I.6 : Principe de fonctionnement du moteur d’inférence d’un SE [26] ......................... 23 Figure II.1 : Principe de l’algorithme génétique [31]............................................................... 29 Figure II.2 : Réseaux de neurones multicouches [31] .............................................................. 30 Figure II. 3 : Comparaison d’un ensemble classique et d’un ensemble flou [36] .................... 33 Figure II. 4 : Différentes formes de fonctions d’appartenances [36] ....................................... 34 Figure II. 5 : Eléments caractéristiques d’un ensemble flou [39] ............................................ 35 Figure II. 6 : Intersection des sous-ensembles flous « petite » et « moyenne » pour la variable linguistique (vitesse). [36] ........................................................................................................ 36 Figure II. 7 : Union des sous-ensembles flous « petite » et « moyenne » pour la variable linguistique (vitesse) [36] ......................................................................................................... 36 Figure II. 8 : Complément du sous-ensemble flou « petite ». [36] .......................................... 37 Figure II. 9 : Structure d’un système expert [45] ..................................................................... 40 Figure II. 10 : Défuzzification par la méthode du maximum [47] ........................................... 42 Figure II. 11 : Synoptique général du système de détection intelligent ................................... 44 Figure II. 12 : Diagramme bête à cornes du système ............................................................... 45 Figure II. 13 : Diagramme pieuvre du système ........................................................................ 46 Figure II. 14 : Diagramme A-0 du système de détection intelligent ........................................ 47 Figure II. 15 : Diagramme A0 de la fonction détecter l’eau .................................................... 48 Figure II. 16 : Diagramme A1 de la fonction prélever les paramètres ..................................... 48 Figure II. 17 : Diagramme A3 de la fonction contrôler............................................................ 49 Figure II. 18 : Diagramme Flux de données du système .......................................................... 50 Figure II. 19 : Structure d’un système automatisé [49] ............................................................ 50 Figure II. 21 : Chaine fonctionnelle du système de détection intelligent de la qualité de l’eau .................................................................................................................................................. 51 Figure III. 1 : Schéma architectural des éditions modernes de Matlab [51] ............................ 53 Figure III. 2 : Approche méthodologie pour la mise en œuvre du contrôleur flou .................. 54 Figure III. 3 : Fonction d’appartenance de la variable Ph ........................................................ 56 ix Figure III. 4 : : Fonction d’appartenance de la variable turbidité ............................................ 57 Figure III. 5 : Fonction d’appartenance de la variable oxygène_dissout ................................. 57 Figure III. 6 : Fonction d’appartenance de la variable CE ....................................................... 58 Figure III. 7: Fonction d’appartenance de la variable QE ........................................................ 59 Figure III. 8 : Fonction d’appartenance de la variable VAN_1 ............................................... 59 Figure III. 9 : Fonction d’appartenance de la variable VAN_2 ............................................... 60 Figure III. 10 : Contrôleur floue de la qualité de l’eau ............................................................ 62 Figure III. 11 : Modèle complet du système intelligent de détection sur Matlab/Simulink..... 63 Figure III. 12 : Schéma architectural du système de détection intelligent assisté parsmartphone .................................................................................................................................................. 64 Figure III. 13 : Schéma bloc d’ensemble du système .............................................................. 65 Figure III. 14 : Capteur pH SEN0161 ...................................................................................... 65 Figure III. 15 : Capteur oxygène dissous SEN0237 [52] ......................................................... 66 Figure III. 16 : Capteur de turbidité SEN0189 [52] ................................................................. 66 Figure III. 17 : Capteur de conductivité électrique K1DFR0300 [52] ..................................... 67 Figure III. 18 : Carte arduino UNO [53] .................................................................................. 67 Figure III. 19 : Module wifi ESP8266 [54] .............................................................................. 68 Figure III. 20 : Schéma électronique du système sur proteus ................................................. 68 Figure III. 21 : Interface de monitoring sur proteus ................................................................. 69 Figure IV. 1 : Ecran de démarrage de l’outil Matlab/GUIDE .................................................. 70 Figure IV. 2 : Fenêtre de travail de l’outil Matlab/GUIDE ...................................................... 71 Figure IV. 3 : Fenêtre de notre interface de monitoring ........................................................... 71 Figure IV. 4 : Surface de décision floue avec Ph, oxygène_dissout et QE .............................. 73 Figure IV. 5 : Surface de décision floue avec CE, turbidité et van2 ........................................ 73 Figure IV. 6 : Surface de décision floue avec pH, CE et van1 ................................................. 74 Figure IV. 7 : Réponse sur la qualité de l’eau .......................................................................... 75 Figure IV. 8 : Capture d’écran de l’interface au cas N01......................................................... 76 Figure IV. 9 : Capture d’écran de l’interface au cas N02......................................................... 76 Figure IV. 10 : Capture d’écran de l’interface au cas N04 ...................................................... 77 Figure IV. 11 : Réponses en boucle ouverte de la commande des électrovannes sans gain .... 77 Figure IV. 12 : Réponses en boucle ouverte de la commande des électrovannes avec gain K=1/100 .................................................................................................................................... 78 x LISTE DES SIGLES ET ABBREVIATIONS BDF : Base de Données des Faits BDR : Base de Données des Règles CAN : Convertisseur Analogique Numérique DBO : Demande Biochimique en Oxygène DCO : Demande Chimique en Oxygène ERI : Eaux Résiduaires Industrielle ERU : Eaux Résiduaire Urbains FC : Fonctions de Contrainte FP : Fonctions Principales GUIDE : Graphical User Interface Development IA: Intelligence Artificielle IOT: Internet Of Things IP: Intellectual Property MATLAB : Matrix Laboratory NTIC : Nouvelle Technologie de l’Information et de la Communication OMS : Organisation Mondiale de la Santé SADT: Structure Analysis and Design Technic SE : Système Expert SOC : System On Chip TSS : Total Suspended Solid xi TABLE DES MATIERES DEDICACES ........................................................................................................................... iii REMERCIEMENTS ............................................................................................................... iv AVANT-PROPOS .................................................................................................................... v RESUME .................................................................................................................................. vi ABSTRACT ............................................................................................................................ vii LISTE DES TABLEAUX ..................................................................................................... viii LISTE DES FIGURES............................................................................................................ ix LISTE DE SIGLES ET ABBREVIATIONS ........................................................................ xi TABLE DES MATIERES ..................................................................................................... xii INTRODUCTION GENERALE ............................................................................................ 1 CHAPITRE I : GENERALITE SUR LA QUALITE DE L’EAU, L’INTELLIGENCE ARTIFICIELLE ET LES SYTEMES EXPERTS ................................................................ 3 I-1- GENERALITES SUR LES EAUX .................................................................................. 3 I-1-1 Les eaux naturelles ........................................................................................................ 3 I-1-1-1 Les eaux souterraines.............................................................................................. 3 I-1-1-2 Eaux de surface ....................................................................................................... 4 I-1-1-3 Eaux des mers et océans. ........................................................................................ 4 I-1-2 Les eaux de consommation............................................................................................ 4 I-1-3 Les eaux industrielles. ................................................................................................... 5 I-1-4 Les eaux usées ............................................................................................................... 6 I-1-5 Parcours de l’eau : de la source au robinet. ................................................................... 7 I-2 NOTION SUR LA QUALITE DE L’EAU ....................................................................... 8 I-2-1 Objectifs de l’analyse et qualité de l’eau. ...................................................................... 8 I-2-2 Généralités et principe. .................................................................................................. 9 I-2-3 Paramètres indicateurs de la qualité d’eau. ................................................................. 10 I-2-3-1 Paramètres physico-chimiques ............................................................................. 10 xii I-2-3-2 Paramètres bactériologiques. ................................................................................ 14 I.2.4. Les indicateurs de qualité. ........................................................................................... 14 I-3 L’INTELLIGENCE ARTIFICIELLE (IA). .................................................................. 15 I-3-1 Définition de l’IA. ....................................................................................................... 15 I-3-2 Champs d’application de l’IA. ..................................................................................... 15 I-3-2-1 Le traitement automatique du langage naturel...................................................... 16 I-3-2-2 La traduction automatique .................................................................................... 16 I-3-2-3 La vision par ordinateur ........................................................................................ 17 I-3-2-4 Les systèmes experts (SE) .................................................................................... 17 I-4 LES SYSTEMES EXPERTS (SE). ................................................................................. 17 I-4-1 Caractéristiques des SE ............................................................................................... 18 I-4-2 Quelques domaines d'applications ............................................................................... 19 I-4-3 Architecture d’un système expert. ............................................................................... 20 I-4-3-1 Les acteurs du système expert .............................................................................. 20 I-4-3-2 La base de connaissances ..................................................................................... 21 I-4-3-3 Le moteur d’inférence........................................................................................... 22 I-4-3-4 Le module d’aide à l’acquisition des connaissances ............................................ 24 I-4-3-5 Le module d’interaction avec l’utilisateur ............................................................ 25 I-5 LES SYSTEMES EXISTANTS DE SURVEILLANCE DE LA QUALITE D’EAU. 25 CHAPITRE II : LOGIQUE FLOUE ET MODELISATION DU SYSTEME ................. 28 II-1 TYPOLOGIE DES TECHNIQUES DE l’INTELLIGENCE ARTIFICIELLE ....... 28 II-1-1 L’algorithme génétique .............................................................................................. 28 II-1-2 Réseaux de neurones .................................................................................................. 29 II-1-3 Logique floue ............................................................................................................. 30 II-1-4 Comparaison des techniques en intelligence artificiel ............................................... 30 II-2 SYTEME EXPERT FLOU ............................................................................................ 32 II-2-1 La logique floue ......................................................................................................... 32 xiii II-2-1-1 Définition et historique ........................................................................................ 32 II-2-1-2 Sous-ensemble flou et fonction d’appartenance .................................................. 33 II-2-1-3 Variables floues ................................................................................................... 34 II-2-1-4 Propriétés des ensembles flous. ........................................................................... 34 II-2-1-5 Opérations sur les ensembles flous ..................................................................... 35 II-2-1-6 Raisonnement flou............................................................................................... 37 II-2-2 Structure générale d’un système flou ......................................................................... 40 II-2-2-1 Fuzzification ........................................................................................................ 40 II-2-2-2 Moteur d’inférence floue ..................................................................................... 41 II-2-2-3 Base de connaissance floue ................................................................................. 41 II-2-2-3 Défuzzification .................................................................................................... 41 II-2 MODELISATION DU SYSTEME DE DETECTION INTELLIGENT ................... 43 II-2-1 Définition du système................................................................................................. 43 II-2-2 Analyse fonctionnelle du système de détection intelligent. ....................................... 44 II-2-2-1- Analyse fonctionnelle des besoins ou externe du système ................................ 44 II-2-2-2 Analyse fonctionnelle interne du système. .......................................................... 47 II-2-2-3 diagramme de Flux de données du système. ....................................................... 49 3II-2-2-4 Analyse structurelle du système. ....................................................................... 50 CHAPITRE III : METHODES ET OUTILS DE CONCEPTION.................................... 53 III-1 Mise en œuvre de notre contrôleur flou sous Matlab/Simulink ................................ 53 III-1-1 Présentation de l’outil de conception Matlab ............................................................ 53 III-1-1-1 Que signifie Matlab ? ......................................................................................... 53 III-1-1-2 Simulink ............................................................................................................. 54 III-1-2 Mise en œuvre du contrôleur flou ............................................................................. 54 III-1-2-1 Etude systématique du système ......................................................................... 55 III-1-2-2 Fuzzifier ............................................................................................................. 55 III-1-2-3 Formaliser l’expertise. ....................................................................................... 60 xiv III-1-2-4 Choix de la méthode d’inférence. ...................................................................... 61 III-1-2-5 Défuzzifier ......................................................................................................... 62 III-1-2-6 Tester et valider le modèle. ................................................................................ 62 III-1-3 Mise en œuvre du système globale sur Matlab/Simulink. ........................................ 62 III-2 Méthodes et outils de maquettage du système de détection ...................................... 64 III-2-1- Schéma architectural du système de détection intelligent assisté par smartphone .. 64 III-2-2 Caractéristiques des éléments constitutifs du système.............................................. 64 III-2-2-1 Dispositif d’acquisition. ..................................................................................... 65 III-2-2-2 Dispositif de traitement. ..................................................................................... 67 III-2-2-3 Dispositif d’action. ............................................................................................. 68 III-2-3 Schéma de câblage des dispositifs sur Proteus. ........................................................ 68 III-3 Conception de la plateforme de monitoring. .............................................................. 69 CHAPITRE IV : RESULTATS OBTENUS, DISCUSSIONS ........................................... 70 IV-1 Réalisation la plateforme de monitoring de la qualité de l’eau sous Matlab. .......... 70 IV-1-1 Interface de démarrage de Matlab/GUIDE ............................................................... 70 IV-1-2 Fenêtres et composants constitutifs de l’outil GUIDE. ............................................ 70 IV-1-3 Résultats de notre plateforme de monitoring de la qualité de l’eau. ........................ 71 IV-2 Hypothèses de validation des résultats de simulation. ............................................... 72 IV-3 Résultats de simulations sous Matlab/Simulink du contrôleur flou. ........................ 73 IV-3-1 Résultats de simulation ............................................................................................. 73 IV-3-2 Interprétations ........................................................................................................... 74 IV-4 Résultats de simulations sous Matlab / Simulink du système de détection intelligent. .................................................................................................................................................. 74 IV-4-1 Réponse sur la qualité de l’eau. ................................................................................ 74 IV-4-1-1 Résultats de simulation ...................................................................................... 74 IV-4-1-2 Interprétation ...................................................................................................... 75 IV-4-2 Réponses en boucle ouverte de la commande des électrovannes sans gain ............. 77 xv IV-4-2-1 Résultats ............................................................................................................. 77 IV-4-2-2 Interprétations .................................................................................................... 78 IV.4.3. Réponses en boucle ouverte de la commande des électrovannes avec ajout du gain .............................................................................................................................................. 78 IV.4.2.1. Résultats de simulation ...................................................................................... 78 IV-4-2-2 Interprétations .................................................................................................... 79 CONCLUSION GENERALE ET PERSPECTIVES .......................................................... 80 REFERENCES BIBLIOGRAPHIQUES ............................................................................. 81 ANNEXES ............................................................................................................................... 86 xvi INTRODUCTION GENERALE Un système intelligent est système qui intègre un micro-ordinateur connecté à internet qui peut collecter, analyser des données et communiquer avec d’autres systèmes. Ces systèmes sont également caractérisés par leur capacité à apprendre par expérience, par la sécurité et la connectivité, par la capacité à s’adapter aux données actuelles, par la supervision et la gestion à distance. Pour ce faire il existe des techniques intelligentes utilisées pour ce type de système plus spécifiquement la logique floue qui est une technique qui permet de formaliser le raisonnement humain en utilisant des règles qui sont énoncée en langage naturel. Or afin de garantir continuellement la consommation d’une eau de bonne qualité à la maison, l’on doit effectuer une détection en continu de cette dernière. Cette détection consiste à identifier le changement des paramètres microbien et des paramètres physico-chimique afin de savoir s’ils respectent les normes définis par l’OMS sur la qualité d’une eau potable. Les techniques traditionnelles de détection de la qualité d’eau sont effectuées manuellement et fait par de laboratoire donc ne sont pas entièrement fiable, continu, rapide et son très couteux, c’est pourquoi avec l’avènement des nouvelles technologies on a vu des systèmes complexe de surveillance de ces paramètres essentiellement industriel. Alors si pour un simple ménage qui possède un forage comment surveiller ces paramètres de façon économique ? Comment être renseigné sur les paramètres et la qualité de l’eau en temps réels ? Quelles méthodes utilisées pour mettre en place ce système ? Autant de questions qui ont suscité notre esprit de recherche. Dans le souhait d’apporter notre contribution à l’intégration de ces types de systèmes dédiés à la surveillance de la qualité l’eau, dans les ménages ou dans le secteur industriel ainsi que la commande automatique, nous avons porté notre choix sur « la modélisation et simulation d’un système intelligent de détection de la qualité de l’eau par logique floue assisté par smartphone » comme intitulé de thème pour notre mémoire de fin d’étude. A travers ce système il sera possible de connaitre la qualité de l’eau à partir de quelques paramètres physico chimiques à savoir le Ph, la turbidité, l’oxygène dissous et la conductivité électrique grâce à une interface utilisateur ; de commander deux électrovannes pour diriger l’eau selon son utilisation et sa qualité. Pour mener à bien notre étude, nous avons articuler notre travail de recherche sur 4 chapitres : 1 - Premièrement nous aurons une revue de littérature en chapitre 1 qui consistera à présenter de façon générale la notion de qualité de l’eau, d’intelligence artificielle et de système expert ; - Deuxièmement nous aurons une généralité sur les techniques d’intelligence artificielle et modélisation du système en chapitre 2 qui consistera à présenter les techniques utilisées en intelligence artificielle plus spécifiquement la logique floue et ensuite modéliser notre système à base d’une méthodologie bien définie ; - Troisièmement nous aurons les méthodes et outils de conception en chapitre 3 qui présentera la méthodologie et les outils que nous allons utilisée pour notre conception proprement dite ; - Quatrièmement nous aurons les résultats obtenus et discussions en chapitre 4, il sera question de présenter les résultats de simulation de notre système ainsi pour valider notre conception. La maitrise de cette thématique passera par la connaissance de plusieurs notions c’est pourquoi il est impératif de commencer par une revue de littérature. 2 CHAPITRE I : REVUE DE LITTERATURE SUR LA QUALITE DE L’EAU, L’INTELLIGENCE ARTIFICIELLE ET LES SYTEMES EXPERTS L’eau est indispensable à la vie et tous les hommes doivent disposer d’un approvisionnement satisfaisant en eau (suffisant, sûr et accessible). La qualité de l'eau est un paramètre important qui touche à tous les aspects du bien-être des écosystèmes et de l'homme tels que la santé d'une communauté, les denrées alimentaires à produire, les activités économiques, la santé des écosystèmes et la biodiversité. En conséquence, la qualité de l'eau a également une influence sur la détermination des niveaux de pauvreté, de richesse et d'éducation de l'homme.il est donc important dans ce chapitre de faire une brève présentation de l’eau et de ses qualités, aussi de présenter brièvement l’intelligence artificielle et les systèmes expert et enfin quelques systèmes de surveillance de la qualité de l’eau existants. I-1- GENERALITES SUR LES EAUX La classification des eaux diffère d’une référence à une autre, quelques-unes les classifient suivant l’origine. I-1-1 Les eaux naturelles Les réserves disponibles d’eaux naturelles sont constituées : I-1-1-1 Les eaux souterraines C’est l’eau qui remplit les espaces entre la roche et le sol, formant un aquifère. Du point de vue hydrogéologique, les couches aquifères se divisent en deux nappes : • Nappes phréatiques ou alluviales : Peu profondes et alimentées directement par les précipitations pluvieuses ou les écoulements d’eau en dessus, • Nappes captives : Plus profondes que les premières et séparées de la surface par une couche imperméable, l’alimentation de ces nappes est assurée par l’infiltration sur leurs bordures [1]. La nature du terrain sous lequel se trouvent ces eaux est un déterminant de leurs compositions chimiques, cependant elles sont appelées aussi les eaux propres car ils répondent `en général’ aux normes de potabilité. Pourtant, ces eaux sont moins sensibles aux pollutions accidentelles, elles perdent totalement leur pureté originale 3 dans le cas de contamination par des polluants. Quand une eau souterraine contient une concentration en certains minéraux dépassant les normes de potabilité, mais elle représente des propriétés thérapeutiques on la distribue en bouteilles avec parfois un traitement bien définit, ces eaux sont dites eaux minérales. I-1-1-2 Eaux de surface Ce type des eaux englobe toutes les eaux circulantes ou stockées à la surface des continents (rivières, lacs, étangs, barrages, …). La composition chimique des eaux de surface dépend de la nature des terrains traversés par ces eaux durant leurs parcours dans l’ensemble des bassins versants. Ces eaux sont le siège, dans la plupart des cas, d’un développement d’une vie microbienne à cause des déchets rejetés dedans et de l’importante surface de contact avec le milieu extérieur. C’est à cause de ça que ces eaux sont rarement potables sans aucun traitement [1]. I-1-1-3 Eaux des mers et océans. Les mers et les océans constituent des énormes réservoirs d’eau, elles représentent près de 97.4% du volume d’eau existant actuellement sur notre planète, le reste est la part des eaux continentales (eaux souterraines et superficielles). Les eaux de mers sont caractérisées par une grande salinité, elles sont dénommées aussi « eaux saumâtres », ce qui rend leur utilisation difficile, notamment leur coût très élevé pour leur traitement [1]. I-1-2 Les eaux de consommation. Ce sont les eaux destinées à la consommation domestique, elles ont connu une énorme croissance suite au développement démographique et à l’amélioration des conditions de vie des populations. Même si ce n’est qu’une petite quantité qui va être bu, jamais ces eaux ne sont distribuées qu’après traitement, trois facteurs déterminent le choix d’un traitement : • La quantité : La source doit couvrir la demande, en toute circonstance. • La qualité : La qualité de l’eau brute dont on dispose doit être compatible avec la législation en vigueur. • L’économie : Le coût d’investissement et de fonctionnement du procédé de traitement relatif à chacune des ressources disponibles est déterminant lors de la prise d’une décision [1]. 4 Il faut signaler que les établissements distributeurs des eaux de consommation sont responsables de la conformité de ces eaux aux normes jusqu’à leurs arrivées au consommateur. I-1-3 Les eaux industrielles. La qualité et la quantité des eaux utilisées dans l’industrie sont très variables, elles dépendent du type de l’entreprise productrice et de sa taille. Une eau qui va entrer dans un cycle de refroidissement d’une chaudière est moins exigeante que l’eau utilisée dans l’industrie électronique. Tableau I.1 : Principales utilisation industrielles de l’eau et sources d’eau possibles [1] Sources d’eau acceptables UTILISATION (souvent après un traitement adéquat) Eau de fabrications nobles - Agroalimentaire - Eau moyennement - Pharmacie - Papiers blancs - Eau potable - Textiles - Eaux de forage - Teintures - Eau de surface peu - Chimie - Pharmacie - Eaux de forage - Chaudières - Eaux de surface peu - Préparation de bains minéralisée polluées polluées divers Eau déminéralisée - Rinçages galvanoplastie - Eau ultra pure - Dessalement par osmose inverse Eau de refroidissement en circuit Semi-ouvert Réfrigération - atmosphérique Eaux de surface pauvre en Cl - Effluents après traitement tertiaire 5 Eau de refroidissement en Condenseurs et échangeurs circuit ouvert - Eaux de surface - Eaux de mer - Effluents après traitement tertiaire Eau de lavage de gaz ou de Lavage métallurgique produit de transport gaz - et Lavage charbon de tamisées incinération - Eaux surface et pré décantées - Effluents secondaires I-1-4 Les eaux usées L’utilisation des eaux engendre un nouveau produit appelé effluent ou eau usée. Les problèmes liés aux eaux usées sont aussi anciens que ces eaux elles même et ils s’aggravent suivant la croissance démographique, l’amélioration de la qualité de vie des populations et le développement des activités industrielles. Ils se divisent en deux grandes catégories : • Les eaux résiduaires urbaines (ERU) : regroupent les eaux ménagères, les eaux vannes et les eaux de ruissellement. La composition et les caractéristiques d’une eau résiduaire urbaine sont peu variables par rapport aux eaux usées industrielles (voir figure I). Figure I.1 : Composition d’une eau usée domestique [1] • Les eaux résiduaires industrielles (ERI) : elles dépendent à une multitude de paramètres type de l’industrie, production, nettoyage…, les différentes étapes du procédé industriel, l’état des appareils. Par ailleurs, il existe des caractéristiques communes entre les 6 effluents de la même industrie. Les principaux polluants transitant dans les eaux usées d’origine industrielle sont : - Les métaux toxiques ; - Les toxines organiques ; - Les matières colorées ; - Les huiles et graisses ; - Les sels ; - La pollution organique [1]. I-1-5 Parcours de l’eau : de la source au robinet. L’eau puisée a l’état naturel doit subir plusieurs traitements avant d’être acheminée dans les circuits de distribution pour arriver enfin jusqu’à aux robinets. Les traitements dépendent de la qualité de l’eau puisée. C’est pourquoi, elle est systématiquement contrôlée au moment de son captage de manière à lui appliquer le traitement de potabilisation adapté. Voici donc les différents parcours que suit l’eau : • Captage : l’eau est captée soit dans les nappes souterraines (66%), soit dans des eaux de surfaces c’est-à-dire des fleuves, les rivières et les lacs (34%) ; • Traitement : l’eau est acheminée dans une station de traitement afin de devenir potable. De nombreux contrôleurs sanitaires sont opérés par l’agence régionale de santé (ARS) et les entreprises de l’eau, afin que l’eau réponde à plus de 60 critères de qualité ; • Stockage : une fois purifiée, l’eau devenue potable est stockée dans des châteaux d’eau construit en hauteur ou dans des réservoirs enterrés, selon la topographie de la commune. L’eau est mise sous pression, permettant ainsi de desservir toutes les habitations ; • Consommation : l’eau est distribuée et consommée avant d’être expulsée sous forme d’eaux usées dans le circuit d’assainissement [2]. 7 Figure I.2 : Parcours de l’eau [2] I-2 NOTION SUR LA QUALITE DE L’EAU L’eau ne se trouve jamais à l’état pur (H2O). Elle contient toujours les éléments minéraux et organiques ou encore des micro-organismes. Et pendant qu’elle suit son cycle elle amasse naturellement beaucoup de chose sur son chemin. Ainsi la qualité de l’eau diffère naturellement selon le lieu, la saison, et les divers types de roches et sols dans lesquels elle se déplace. Cette même eau peut aussi être polluée par les activités humaines comme la défécation en plaine air, un traitement incorrect des eaux usées, les décharges sauvages, et les déversements de produits chimiques dans les sites industriels. Ainsi même si une eau semble être clair elle n’est pas forcement sure à consommer. Il est donc important d’évaluer la salubrité de l’eau à travers l’étude de l’analyse de sa qualité pour déterminer si cette eau est consommable, utilisables à des fins domestiques et industrielles sans danger pour la santé [3] [1]. I-2-1 Objectifs de l’analyse et qualité de l’eau. Une eau potable ou encore eau salubre est une eau que l’on peut consommer ou utiliser sans danger pour la santé car elle ne doit être ni toxique, ni infestée de bactéries, de parasites ou de virus nuisible pour l’homme. Actuellement dans le monde plus de 4 millions de personnes meurent encore chaque année à cause d’une eau non potable et 885 millions n’y ont pas accès. Ainsi les maladies contagieuses causées par les bactéries pathogènes, les virus, et les parasites sont très souvent liées à la consommation d’eau ne répondant pas à des critères minéraux de potabilité. Elles constituent pour la santé le risque le plus commun et le plus répandu. Il est donc important d’établir des normes et des indicateurs de potabilité et qualité et surtout de contrôler qu’elles sont respectées notamment sur les points d’accès à l’eau afin d’éviter autant de maladie et de réduire le taux de mortalité [4]. 8 I-2-2 Généralités et principe. L’eau est indispensable à la vie et tous les hommes doivent disposer d’un approvisionnement satisfaisant en eau (suffisant, sûr et accessible). Un meilleur accès à une eau saine peut se traduire par des bénéfices tangibles pour la santé. Tous les efforts doivent être consentis pour obtenir une eau aussi saine que possible. Selon la définition qui en est donnée par les Directives, une eau saine ne présente aucun risque notable pour la santé d’une personne qui la consommerait sur toute la durée de sa vie, compte tenu des variations de sensibilité éventuelles entre les différents stades de la vie. Les plus exposés au risque de maladie véhiculée par l’eau sont les nourrissons et les jeunes enfants, les personnes affaiblies ou vivant dans des mauvaises conditions d’hygiène et les personnes âgées. Une eau saine se prête à tous les usages domestiques habituels, et notamment l’hygiène personnelle. Ces Directives s’appliquent à l’eau en bouteille et à la glace destinées à la consommation humaine. Toutefois, certains usages particuliers, comme la dialyse rénale et le nettoyage des lentilles de contact, ou encore certaines applications dans le cadre de la production d’aliments ou de médicaments, peuvent exiger une eau de plus grande qualité. L’eau destinée à des personnes gravement immunodéprimées peut nécessiter des étapes supplémentaires de traitement, telles qu’une étape d’ébullition, en raison de la sensibilité de ces individus à des organismes dont la présence ne serait normalement pas préoccupante dans l’eau de boisson. Ces Directives peuvent ne pas s’appliquer à la protection de la vie aquatique ou à certains secteurs industriels [5]. Les Directives sont destinées à appuyer le développement et la mise en œuvre de stratégies de gestion des risques visant à garantir la salubrité des approvisionnements en eau de boisson à travers la maîtrise des teneurs en constituants dangereux de cette eau. Ces stratégies incluent des normes nationales ou régionales, établies à partir des éléments scientifiques fournis par les Directives. Celles-ci décrivent les exigences raisonnables minimales s’appliquant aux pratiques sans risque destinées à protéger la santé des consommateurs et/ou définissent des « valeurs guides » numériques pour les constituants de l’eau, ou encore des indicateurs de qualité de l’eau. Pour fixer des limites ayant une valeur contraignante, il est préférable de prendre en compte à la fois les directives et le contexte local ou national sur le plan environnemental, social, économique et culturel. Si l’OMS s’abstient de promouvoir l’adoption de normes internationales pour la qualité de l’eau, c’est principalement en raison des avantages procurés par l’application d’une 9 démarche risques/bénéfices (qualitatifs ou quantitatifs) dans la définition des normes et des réglementations nationales. En outre, le meilleur moyen de mettre en œuvre les Directives est un cadre de gestion préventive visant à assurer la salubrité de l’eau, qui s’applique du captage au consommateur. Les Directives fournissent une base scientifique permettant aux autorités nationales de développer des réglementations et des normes relatives à l’eau adaptées à la situation de chaque pays. Lorsque les ressources du pays sont très limitées, il convient de s’assurer qu’elles ne soient pas inutilement dilapidées par la mise au point de normes concernant des substances d’importance relativement mineure pour la santé publique et par la surveillance de ces substances. La démarche appliquée dans ces Directives vise l’établissement de normes et de réglementations nationales qui soient faciles à mettre en œuvre et à faire appliquer et qui protègent la santé publique [5]. I-2-3 Paramètres indicateurs de la qualité d’eau. I-2-3-1 Paramètres physico-chimiques I-2-3-1-1 La température Il est primordial de connaître la température d’une eau car c’est un paramètre de confort pour usager. En effet, elle joue un rôle très important dans la solubilité des sels et surtout des gaz, et la détermination du pH et permet également de corriger les paramètres d’analyse dont les valeurs sont liées à la température (conductivité notamment). De plus en mettant en évidence des contrastes de température, de l’eau sur un milieu, il est possible d’obtenir des indications sur l’origine et l’écoulement de l’eau [6] [1]. I-2-3-1-2 Le pH Le pH (potentiel d’hydrogène) mesure la concentration des ions H+ dans l'eau. Ce paramètre caractérise un grand nombre d'équilibre physico-chimique. La valeur du pH altère la croissance et la reproduction des micro-organismes existants dans une eau, la plupart des bactéries peuvent croître dans une gamme de pH comprise entre 5 et 9, l’optimum est situé entre 6,5 et 8,5, des valeurs de pH inférieures à 5 ou supérieures à 8,5 affectent la croissance et survie des micro-organismes aquatiques selon l’organisation Mondiale de la Santé (OMS) [1]. 10 Tableau I.2 : Classification des eaux d’après leur PH [6] pH ˂ 5 pH = 7 7 ˂ pH ˂ 8 5,5 ˂ pH ˂ 8 pH = 8 Acidité forte (présence d’acides minéraux ou organiques dans les eaux naturelles) pH neutre. Neutralité approchée (majorité des eaux en surface) Majorité des eaux souterraines. Alcalinité forte, évaporation intense. I-2-3-1-3 La conductivité La conductivité mesure la capacité de l’eau à conduire le courant entre deux électrodes. La plupart des matières dissoutes dans l’eau (chlorures, sulfates, calcium, sodium, magnésium…) se trouvent sous forme d’ions chargé électriquement. La mesure de la conductivité permet don d’apprécier la quantité des sels dissous dans l’eau. La conductivité est également fonction de la température de l’eau : elle est plus importante lorsque la température augmente. Les résultats de mesure doivent donc être présentés en termes de conductivité équivalente à 20 ou 25oC [6] [1]. I-2-3-1-4 La turbidité La mesure de la turbidité permet de préciser les informations visuelles sur l’eau. La turbidité traduit la présence de particules en suspension dans l’eau (débris organiques, argiles, organisme microscopique…). Les désagréments causés par une turbidité auprès des usagers sont relatifs car certaines populations sont habituées à consommer une eau plus au moins trouble et n’apprécient pas les qualités d’une eau claire. Cependant une turbidité forte peut permettre à des micro-organismes de se fixer sur des particules en suspension. La turbidité se mesure sur le terrain à l’aide d’un turbidimètre [6]. Tableau I.3 : Classes de turbidité usuelles (NTU, nephelometric turbidity unit) [6] NTU ˂ 5 Eau claire 5 ˂ NTU ˂ 30 Eau légèrement trouble NTU ˃ 50 Eau trouble NTU La plupart des eaux de surface en Afrique atteignent ce niveau de turbidité 11 I-2-3-1-5 Ions majeurs La minéralisation de la plupart des eaux est dominée par huit ions appelés couramment les ions majeurs. On distingue les cations : calcium, magnésium, sodium et potassium, et les anions : chlorure, sulfate, nitrate et bicarbonate [6]. I-2-3-1-6 Oxygène, DBO, DCO et Oxydabilité L’ensemble de ces paramètres permet d’estimer la quantité de matière organique présente dans l’eau. ➢ Oxygène dissous : l’eau absorbe autant d’oxygène que nécessaire pour que les pressions partielles d’oxygène dans le liquide et dans l’air soient en équilibre. La solubilité de l’oxygène dans l’eau est fonction de la pression atmosphérique (donc de l’altitude), de la température et de la minéralisation de l’eau : la saturation en O2 diminue lorsque la température et l’altitude augmente. La concentration en oxygène dissous est un paramètre essentiel dans le maintien de la vie, et donc les phénomènes de dégradation de la matière organique et de la photosynthèse. C’est un paramètre utilisé essentiellement par les eaux de surface. Au niveau de la mer à 20oC, la concentration en oxygène en équilibre avec la pression atmosphérique est de 8,8 mg/l d’O2 à saturation. Une eau très aérée est généralement sursaturée en oxygène (torrent), alors qu’une eau chargée en matières organiques dégradables par des micro-organismes est sous-saturée. L’oxygène dissous est donc un paramètre utile dans le diagnostic biologique du milieu eau [6]. ➢ DBO (demande biochimique en oxygène) : exprime la quantité d’oxygène nécessaire à la dégradation de la matière organique biodégradable d’une eau par le développement de micro-organismes, pendant 5 jours à 20 °C, on parle alors de la DBO5. Elle est très utilisée pour le suivi des effluents urbains. Elle est exprimée en mg/l d’O2 [6]. Tableau I.4 : Echelle de valeurs de DBO5 [6] SITUATION DBO5 (mg/l d’O2) Eau naturelle pure et vive ˂1 Rivière légèrement polluée 1˂c˂3 Egout 100 ˂ c ˂ 400 Rejet station d’épuration efficace 20 ˂ c ˂ 40 12 ➢ DCO (demande chimique en oxygène) : exprime la quantité d’oxygène nécessaire pour oxyder la matière organique (biodégradable ou non) d’une eau à l’aide d’un oxydant, le bichromate de potassium. Ce paramètre offre une représentation plus ou moins complète des matières oxydables présente dans l’échantillon. Elle est exprimée en mg O2/l. Généralement la DCO est 1,5 à 2 fois la DBO5 pour les eaux usées urbaines et de 1 à 10 pour tout l’ensemble des eaux résiduaires industrielles. La relation empirique de la matière organique (MO) en fonction de la DBO5 et la DCO est donnée par l’équation suivante : MO = (2 DBO5 + DCO)/3 [1]. ➢ L’oxydabilité est une mesure similaire à la DCO, utilisée dans le cas de faible concentration en matière organique (DCO ˂ 40 mg/l d’O2). L’oxydant requis est le permanganate de potassium [6]. I-2-3-1-7 Autres éléments dissous. ➢ Le fer : la présence de fer dans les eaux souterraines a de multiples origines : le fer, sous forme de pyrite (FeS2), est couramment associé aux roches sédimentaires déposées en milieu réducteur (marnes, argiles) et aux roches métamorphiques.il se retrouve souvent à de fortes concentrations dans les eaux des cuirasses d’altération de socle.il est présent sous forme réduite (Fe2+) et oxydé par l’oxygène de l’air et précipité sous forme ferrique lorsque l’eau est pompé (Fe2+ → Fe3++ e-).les dalles de forages ou puits sont alors colorés en brun/rouille et les populations se désintéressent parfois de la ressource car l’utilisation d’une eau chargée en fer pour la lessive colore le linge et, consommée directement ou sous forme d’infusion, peut avoir un gout prononcé [6]. ➢ Le fluor : les sources principales de fluor dans les eaux souterraines sont les roches sédimentaires, mais également les roches magmatiques et certains filons.il est reconnus comme un élément essentiel pour la prévention des caries dentaires (dentifrices fluorés). Cependant, une ingestion régulière d’eau dont la concentration en fluor est supérieur à 2mg/l peut entrainer des problèmes de fluorose osseuse et dentaire selon l’OMS [6]. ➢ L’aluminium : selon l’OMS, la présence d’aluminium à des concentrations supérieures à 0,2 mg/l provoque souvent des plaintes de la part des consommateurs, en raison de la floculation de l’hydroxyde d’aluminium dans les canalisations et d’une accentuation de la coloration de l’eau par le fer [6]. 13 I-2-3-2 Paramètres bactériologiques. Ces paramètres permettent de mettre en évidence la pollution fécale de l’eau. C’est aussi un bon moyen pour contrôler l’efficacité des mesures de protection ou de traitement. Elle doit être utilisée comme un outil complémentaire de l’enquête sanitaire. Compte tenu du fait que la pollution fécale de l’eau est d’origine humaine et animale, il est préférable de rechercher des germes qui sont toujours présents en grand nombre dans les matières fécales des hommes et des animaux à sang chaud [7]. Selon l’OMS l’indicateur le plus précis pour estimer la pollution fécale est en fait Escherichia coli, membre du groupe des coliformes thermotolérants. Ces germes sont dénommés germes indicateurs de pollution fécale et leur présence témoigne de l’exigence d’une contamination fécale au moment du prélèvement. Deux méthodes sont normalisées pour effectuer la recherche de coliformes thermotolérants : - La filtration sur membrane ; - La fermentation en tubes multiples [7]. Tableau I.5 : Qualité microbiologique de l’eau [7]. PARAMETRES VALEURS GUIDES OMS INTERPRETATION Coliformes 0/100 ml Indicateurs de pollution fécale Streptocoques fécaux Pas de normes Indicateurs de pollution fécale Coliformes totaux 0/100 ml dans 95% des Indicateurs d’efficacité du échantillons d’eaux traitées traitement (désinfection) ; ne thermotolérants signalent pas nécessairement une pollution fécale. I.2.4. Les indicateurs de qualité. Les moyens disponibles sur le terrain pour estimer la qualité de l’eau sont les suivants : - L’enquête sanitaire, complété par l’analyse bactériologique ; - Les analyses physico-chimiques. Le choix de la méthode s’effectue en fonction de l’objectif poursuivi : - La recherche de pollution par les matières fécales ; 14 - Caractérisation de l’eau avant de la traiter, ou dans le but de déterminer si le traitement est efficace ; - Caractérisation du milieu : connaitre la qualité d’une mare ou d’un cours d’eau avant de l’exploiter pour l’approvisionnement d’une installation, d’un camp de réfugiés ou d’un village ou encore pour connaitre la signature chimique de l’eau des forages afin de mieux comprendre le système aquifère [8]. Une grille d’analyse type est présentée forme de tableau en ANNEXE 2 I-3 L’INTELLIGENCE ARTIFICIELLE (IA). I-3-1 Définition de l’IA. L'intelligence artificielle peut être définie comme la science de la simulation des processus cognitifs. Ces processus comprennent : • L'acquisition des connaissances, • L'archivage des connaissances, • L'application des connaissances [10]. L'IA est un ensemble des méthodes, des outils, et des systèmes définis pour résoudre des problèmes dont leur solution nécessite de l'intelligence humaine. Le terme intelligence est défini toujours comme la capacité d'apprendre effectivement, de réagir efficacement, d'établir une bonne décision, de communiquer en langage ou bien en images d'une manière sophistiquée, et de comprendre. Alors l'IA s'intéresse à simuler l'être humain et en particulier le cerveau ainsi que sa manière de raisonnement [11]. Nous pouvons aussi définir l’IA comme la science dont le but est de faire exécuter par une machine des tâches que l'homme accomplit en utilisant son intelligence. La terminologie de d'Intelligence Artificielle est apparue en 1956. On peut lui donner aussi l’appellation d'Informatique Heuristique [12]. I-3-2 Champs d’application de l’IA. Le sujet de l'IA couvre plusieurs domaines, il s'intéresse aux différents types de représentation des connaissances, différentes techniques d'intelligence, méthodes de résolution des problèmes avec des données ou connaissances incertaines, techniques d'automatisions pour l'apprentissage des machines...etc. Parmi les domaines d'application de 15 l’IA, nous avons les systèmes experts, la manipulation des jeux, la démonstration des théorèmes, le traitement de langage naturel et la reconnaissance des formes, …etc. L’IA est en interaction avec plusieurs sciences, la philosophie, la psychologie, les sciences cognitives, l'informatique, la mathématique et l'ingénierie [13]. Dans cette section, nous avons regroupés les champs d’applications de L’IA en donnant une brève description pour chaque champ. La figure I-3 fait un lien formel entre trois groupes : les applications (affective computing, reconnaissance d’images et vidéos, traduction, …), les domaines d’applications (computer vision, NLP, …) et les méthodes (avec trois grandes catégories : le data mining, le machine learning et les statistiques) [14]. Bien mais on peut aussi faire du data mining grâce à du machine learning et ce dernier peut aussi s’appuyer sur des statistiques. Tout cela est bien récursif ! Figure I.3 : Champs d’application et méthodes de l’IA [14]. I-3-2-1 Le traitement automatique du langage naturel. On regroupe sous le vocable de traitement automatique du langage naturel (TALN) l’ensemble des recherches et développements visant à modéliser et reproduire, à l’aide de machines, la capacité humaine à produire et à comprendre des énoncés linguistiques dans des buts de communication [15]. I-3-2-2 La traduction automatique Est un système informatique qui a : pour entrer, un texte "t1", ou texte source écrit dans une langue "L1"ou langue d'origine, et n'ayant pas subi d'aménagements spéciaux préalables au traitement automatique qu'il va subir, pour sortie un texte "t2" ou texte traduit écrit dans une 16 langue "L2"ou langue cible, tel qu'il n'ait pas à subir de transformations pour être reconnu par les utilisateurs comme une traduction du texte t1 [16]. I-3-2-3 La vision par ordinateur La vision a pour objectif de rendre les machines indépendantes de l’homme dans l’environnement ou sa présence est impossible ou non souhaitée. Elle permet à partir de l’image d’un objet ou d’une scène réelle d’obtenir des données exploitables par une machine. I-3-2-4 Les systèmes experts (SE) Un système expert est un logiciel capable de simuler le comportement d'un expert humain effectuant une tâche précise. Le succès de l'intelligence artificielle dans ce domaine est indéniable, dû au caractère ciblé de l'activité qu'on lui demande de simuler. En conclusion l'intelligence artificielle est présente sous plusieurs formes parfois inattendues et dans des domaines variés, mais toutes ses applications ont pour but de simplifier la vie de l’être humain. I-4 LES SYSTEMES EXPERTS (SE). Le professeur Edward Feigenbaum de l'université de Stanford, et un ancien pionnier des systèmes experts, a défini ce concept comme étant "Un programme informatique intelligent utilisant des connaissances et des procédures d'inférences pour résoudre des problèmes assez difficiles ayant besoin d'une expertise humaine importante pour leur solution". Alors un système expert est un système informatique qu'imite la capacité d'un expert humain pour prendre une décision. Le terme imite signifie que le système expert tente en tous cas de raisonner comme un être humain. L'imitation est plus générale que la simulation, elle exige de procéder comme l'objet réel imité, bien sûr en respectant quelques aspects [17]. Les systèmes experts utilisent les connaissances d'un expert humain car lorsque nous prenons comme exemple un système expert de diagnostics médicaux, il possède une base de connaissances contenant des règles de diagnostique d’une maladie, ainsi un même raisonnement qu’un médecin. Donc, le système expert est un programme qui peut fournir une expertise pour la résolution d'un problème défini dans le même domaine de l’expertise originale. 17 D'une manière générale, deux pôles distinguent un système expert, l'expert de domaine et les utilisateurs finaux selon la figure I-4. L'expert transfert son expérience au système expert afin que les utilisateurs bénéficient de cette expertise en utilisant le système expert. Figure I.4 : Pôles principaux de système expert [18] I-4-1 Caractéristiques des SE Il y a séparation entre les connaissances (bases de connaissances) et le programme qui permet de les utiliser (moteur d'inférence). Le moteur d'inférence peut être écrit dans n'importe quel langage de programmation (Ex : C++, Pascal, etc…). La base de connaissances doit être écrite dans un langage déclaratif accessible à un expert non informaticien [12]. • Dans les SE il y a opposition entre le déclaratif et le procédural : Le déclaratif est plus agréable. On peut donner les connaissances en vrac, en ajouter, en enlever, les modifier facilement. Mais il est beaucoup moins efficace. Maintenant, dans un souci d'efficacité, on réalise souvent une "compilation" des connaissances déclaratives (données par l'expert) en connaissances procédurales ou en programmes [12]. D’autres caractéristiques des experts sont : • Haut rendement : Le système doit avoir la capacité de répondre à un niveau de compétence égal ou supérieur à celui d'un spécialiste du domaine. Cela signifie que la qualité de conseil donné par un système doit être très haute. • Temps de réponse adéquat : Le système doit agir en un temps raisonnable, comparable ou meilleur au temps exigé par un spécialiste, pour prendre une décision. • Fiabilité : le système expert doit être fiable et ne doit pas connaître de "failles" sinon il ne sera pas utilisé. • Compréhensible : le système doit être capable d'expliquer les étapes de son raisonnement pendant qu'elles s'exécutent, au lieu d'être seulement une boîte noire qui produit une réponse miraculeuse. 18 • Flexibilité : Vu la grande quantité de connaissance qu'un système expert peut avoir, il est important d'avoir un mécanisme efficient pour ajouter, modifier, et supprimer la connaissance. Une raison de la popularité des systèmes experts basés sur les règles est la capacité de stockage efficiente et modulaire des règles [19]. I-4-2 Quelques domaines d'applications Le développement de plusieurs prototypes de systèmes experts est illustré dans la littérature. La limitation détectée dans la présentation de quelques types seulement des applications des systèmes experts peut être expliquée par le fait que de nombreuses compagnies et organisations militaires n'ont pas présenté leurs systèmes experts à cause des secrets contenus dans les bases de connaissances. En se basant sur les systèmes décrits dans la littérature, on peut extraire quelques classes des systèmes experts qui sont donnés dans le tableau I.6. Tableau I.7 : Quelques domaines d’applications des systèmes experts [17] Classe Domaine d’application général Configuration Assemblage propre des composants d’un système d'une manière correcte Diagnostic Inférence des pannes en se basant sur les symptômes observés. Enseignement Enseignement intelligent où l'étudiant peut poser des questions de type Pourquoi ? Comment ? Quand ? exactement comme en face d'un enseignant Interprétations Explication de données observées. Surveillance Comparer les données observées avec les données désirées pour ajuster les performances Planification Partager les actions pour l’obtention des résultats désirés Pronostic Prédire les résultats d'une situation donnée. Maintenance Ordonner un traitement pour un problème spécifique. Contrôle Régulation d'un processus : faire une interprétation, diagnostic, surveillance, planification, pronostic et maintenance. 19 I-4-3 Architecture d’un système expert. L’architecture d’un système expert typique est constituée de plusieurs modules, comme la montre la figure ci-dessous : Figure I.5 : Structure générale d’un système expert [20] D’après la figure I-5 on constate qu’un système expert est constitué de : ➢ D’une base de connaissances ; ➢ D’un moteur d’inférence ; ➢ D’un module d’aide à l’acquisition des connaissances ; ➢ D’un module d’interaction avec l’utilisateur ; ➢ Utilisateur et l’expert. I-4-3-1 Les acteurs du système expert Dans la réalisation d’un SE, quatre acteurs interviennent : - L’expert : conçoit un moteur d'inférence adapté à la demande. C'est lui (ou eux, s'ils sont plusieurs) qui détient la connaissance du domaine d'étude. Il est très important qu'il se sente impliqué dans cette réalisation, se rendant ainsi suffisamment disponible pour faciliter l'acquisition de sa connaissance par le cogniticien. - L’utilisateur : ils ont une demande précise qu'il va falloir satisfaire. La prise en compte de cette demande conditionne les buts du système expert. 20 - Le cogniticien : il est l'intermédiaire entre 1' expert et 1' informaticien. C'est lui qui récupère la connaissance, la modélise et la formalise. - L’informaticien : il conçoit un générateur de systèmes-experts adapté à la demande. S'il n'y a pas d'informaticien dans l'équipe de travail, il est possible d'utiliser un des générateurs de systèmes-experts (GSE) existant sur le marché tels que : Turbo Expert, Nexpert, Yexpert, VP-EXPERT, EXPERT2, G2 : générateur de systèmes experts en temps réel, etc… mais ils sont tous payante. I-4-3-2 La base de connaissances Elle représente le savoir (les faits permanents) et le savoir-faire (les règles de l’expert) [20]. Il est décomposé en deux modules qui sont : I-4-3-2-1 La base de faits C’est la mémoire de travail du système expert qui contient des connaissances ou des faits qui décrivent des situations connues ou à établir [21]. I-4-3-2-2 La base de règles Elle contient des connaissances ou règles qui représentent le savoir-faire sur le domaine. Ces connaissances indiquent quelles conclusions tirer ou quelles actions entreprendre lorsqu’une situation est établie ou est à établir [21]. I-4-3-2-3 Représentation des connaissances. Ce nouveau thème de recherche, déjà apparu avec le traitement des langues naturelles, se développe avec l'utilisation et l'étude des systèmes experts, que l'on appellera alors souvent systèmes à base de connaissances. Plusieurs formalismes sont utilisés : - La logique avec le calcul des prédicats d'ordre 0 ou 1 ou intermédiaire (0+) ; - Les logiques non classiques (flou, possibilités) ; - Les règles (déduction, réécritures, actions conditionnelles) ; - Le formalisme objet (objets, classes, instances, propriétés, héritage) [12]. Pour représenter les connaissances nous avons les différents modèles suivants : • Les réseaux sémantiques : L’utilisation des réseaux sémantiques comme formalisme de représentation de connaissances remonte aux travaux du linguiste Quillian (en 1968) sur la mémoire sémantique. En effet, les réseaux sémantiques sont très utilisés dans les travaux sur 21 le traitement et la compréhension des langages naturels. Ici, les concepts du domaine à modéliser sont représentés par des nœuds et les relations entre concepts par des arcs étiquetés interconnectant les nœuds associés à ces concepts [22]. • Les représentations logiques : - Logique d’ordre 0 Dans ce type des systèmes à règle de production les expressions Conditions et Conclusions d'une règle sont exprimées en prédicats sans variable c'est-à-dire avec des paramètres constants. - Logique d’ordre 0+ Dans ce type de systèmes, certains éléments ne sont plus figés mais peuvent variés dans un intervalle précis. Ils intègrent aussi les évaluations symboliques (<, >, =) et les nombres réels. - Logique d’ordre 1 Les systèmes à règles de production d'ordre 1 sont des systèmes dont leurs règles peuvent contenir des variables [23]. • Le réseau de neurones : fonction paramétrée qui est la composition d’opérateurs mathématiques simples appelés neurones formels (ou plus simplement neurones) pour les distinguer des neurones biologiques [24]. • Règles de production : il compose d’une partie gauche appelée « l’antécédent » ou la « prémisse » et d’une partie droite appelée le « conséquent » ou la « conclusion » qui se présente sous la forme : Si… condition(s)… alors… action(s). Une règle permet de représenter des éléments de connaissances très courant, utiles pour une analyse, un diagnostic, une reconnaissance, une classification [23]. • Les objets structurés : Un objet est une entité cohérente rassemblant des données et du code travaillant sur ses données là. Une classe peut être considérée comme un moule à partir duquel on peut créer des objets. La notion de classe peut alors être considérée comme une expression de la notion de classe d'équivalence chère aux mathématiciens. En fait, on considère plus souvent que les classes sont les descriptions des objets (on dit que les classes sont la métadonnée des objets), lesquels sont des instances de leur classe [25]. Ces principales caractéristiques sont : l’encapsulation, l’héritage et le polymorphisme. I-4-3-3 Le moteur d’inférence C’est la partie du système qui exploite méthodiquement la base de connaissances pour résoudre le problème. Il détecte les connaissances intéressantes, sélectionne les règles à appliquer, les enchaine et construit un plan de résolution [21]. 22 Figure I.6 : Principe de fonctionnement du moteur d’inférence d’un SE [26] La figure I-6 nous montre qu’il existe deux phases de fonctionnement dans un SE (l’arrêt ou le retour peuvent être commun aux deux phases). La première phase est la phase d’évaluation qui enchaine trois fonctions, la Sélection, le Filtrage et la Résolution de conflits. La deuxième phase est la phase d’exécution qui enchaine deux fonctions, l’Exécution et les Modifications de la base de connaissance par les faits et les règles. Le choix des règles se fait donc en 3 étapes : • La sélection : qui permet de trier et de rassembler en un sous-ensemble, les faits et les règles de la BC qui méritent plus d'attention que d'autres. Cette sélection dépend de la stratégie de recherche adoptée par le moteur d’inférence. • Le filtrage : le moteur d’inférence compare la partie prémisse (appelé attribut) des règles sélectionnées avec les faits de la BF pour déterminer l'ensemble des règles applicables. • La résolution des conflits : se concrétise par le choix de la règle à appliquer. Cette étape, manifeste également une stratégie qui peut être très simple et sans rapport avec le contexte (la première règle de la liste, la moins complexe, la moins utilisée) ou plus complexe en tenant compte du contexte (la plus prometteuse, la plus fiable) [27]. Le moteur d’inférences est donc un programme qui implémente les mécanismes de raisonnement permettant la résolution d’un problème décrit par des faits dans la Base de données de Fait (BDF) en utilisant les règles décrites dans la base de données de Règles (BDR). Le mécanisme de raisonnement utilisé par le moteur d'inférence est appelé la procédure d'inférence. La procédure d'inférence est un algorithme qui trouve les conséquences 23 logiques d'un ensemble de prémisses (attributs des règles). Selon leur principe de fonctionnement, on peut classer ces procédures de raisonnement en deux classes : ➢ Les techniques d'inférence : permettent de guider le SE pour prouver la vérité ou la fausseté d'une proposition, ou bien pour déduire des conclusions à partir des prémisses. C'est l'application des règles d'inférence (ou règles de déduction logique) qui guident le SE dans ce sens. Nous caractérisons trois techniques d'inférence : le Modus Ponens, Le Modus Tollens et l'inférence par résolution. ➢ Les stratégies de contrôle : on utilise les stratégies de contrôle lorsque les connaissances sont représentées sous forme de règles de production. Nous pourrons distinguer trois types de stratégies de contrôle ou algorithme d’inférences : - Le chainage avant : Un moteur d'inférence fonctionne dans ce mode lorsque les faits de la base de faits représentent des informations dont la valeur de vérité a été prouvée. C'est-à-dire que ce mode de fonctionnement va des faits vers les buts. - Le chainage arrière : Un moteur d'inférence fonctionne dans ce mode lorsqu'il part d'un fait que l'on souhaite établir, qu'il recherche toutes les règles qui concluent sur ce fait, qu'il établit la liste des faits qu'il suffit de prouver pour qu'elles puissent se déclencher puis qu'il applique récursivement le même mécanisme aux autres faits contenus dans cette liste. - Le chainage mixte : l'idée de combiner le chaînage arrière, inefficace à lui seul, à du chaînage avant. Ainsi après chaque évaluation d'une prémisse de règle, une propagation en avant de cette évaluation est faite pour tirer l'ensemble des conclusions qu'il est possible d'en tirer [28]. I-4-3-4 Le module d’aide à l’acquisition des connaissances Comme son nom l’indique, il est utilisé pour l’acquisition des données afin de remplir la base de connaissance. Ce module permet de créer, ajouter et maintenir les connaissances nécessaires pour la résolution d’un problème dans un domaine d’application. L’acquisition de connaissances peut être faite par explicitation de connaissances d’un domaine avec l’aide d’un ingénieur de connaissances (le cogniticien) et de l’expert, ou à travers des processus semiautomatiques ou totalement automatiques d’acquisition de connaissances. Ces méthodes automatiques sont connues sous le nom de méthodes d’apprentissage automatique (machine learning methods) [18]. 24 I-4-3-5 Le module d’interaction avec l’utilisateur Le module d’interaction avec l’utilisateur permet le dialogue entre l'homme et la machine. Cette interface se présente de la manière la plus conviviale possible, avec des menus successifs orchestrés par le moteur d'inférence de telle sorte que n'importe quel utilisateur puisse s'en servir sans ambiguïté. L'utilisateur ici est celui qui interroge le système à travers une interface dédiée. Il n'est pas forcément un expert dans le domaine traité par l'application. Bien entendu, l'interaction entre l'utilisateur et le système doit se faire au travers d'une interface de dialogue dont la compréhension n'exige pas de connaissances informatiques. I-5 LES SYSTEMES EXISTANTS DE SURVEILLANCE DE LA QUALITE D’EAU. Il est question pour nous de présenter quelques systèmes mis au point pour la surveillance de la qualité de l’eau. Nous les avons regroupés par moyens utilisées [29]. Tableau I.8 : Récapitulatifs de quelques systèmes existants de surveillance de la qualité de l’eau SYSTEMES DESCRIPTIONS Échantillonnage de Surveillance traditionnelle de la qualité de l’eau l'eau Kits d’analyse laboratoires + Test des échantillons Analyser l'investigation LIMITES - des résultats - Très couteux - Consommant - Moins efficace - Durée de vie entre 8 et 14h à Véhicule sous-marin la vitesse de 2- utilisé qui aide à la Surveillance de la cartographie qualité d’eau basée EcoMapper La qualité de l'eau, sur la technologie les courants d'eau et ainsi de suite. Non Fiabilité 4 nœuds - Besoin d’humain et risque de santé élevée pour environnement contaminé 25 Utilisé lorsque les niveaux d'oxygène dans l'eau peuvent être Poisson robotisé mesurés. Le centre de contrôle - L’épuisement de la batterie capturer les données transmises sans fil pour analyser Détection des algues en déterminent la Faisceau laser brillant - Limite à la quantité détection des De algues contamination par les ondes sonores uniquement et émises sous ne trouve pas L’eau. autres Différentes ondes sonores sont propriétés émises en fonction physiques de différents chimiques de Types de pollution l'eau et affectant les algues Les paramètres sont Apprentissage Apprentissage automatique dans la surveillance de la qualité de l'eau automatique dans la surveillance de la qualité de l'eau dans les rivières analysés sur la base du support Least Square Modèle prédiction de - Peu de recherches sur cette méthode vectorielle Dans ce chapitre nous avons présenté brièvement l’eau de ses origines à son parcourt jusqu’à nos robinet de consommation, ensuit à suivit une présentation sur la notion de qualité 26 d’eau en passant par son objectif pour arriver à la norme proscrit par l’OMS sur les différents paramètres indicateurs de la qualité d’eau tels que les paramètres physico-chimique (le pH, la température, la turbidité, la conductivité …) et les paramètres bactériologique ; qui sont des éléments important dans l’analyse et la surveillance de cette dernière. Evidement nous avons aussi présenté les notions d’intelligence artificielle et de système expert ainsi que leur fonctionnement et leur domaine d’application. Et enfin on a présenté quelques systèmes existants de surveillance de la qualité d’eau tel que : EcoMapper, le poisson robotisé, le faisceau laser brillant malgré les progrès technologiques et le développement informatique, la décision humaine reste finalement indispensable, pour cela plusieurs techniques s'intéressent à modéliser et imiter le raisonnement humain de manière incertaine, citons par exemple les systèmes experts flou ou logique floue qui est l’objet de du chapitre suivant. 27 CHAPITRE II : LOGIQUE FLOUE ET MODELISATION DU SYSTEME Dans le chapitre précèdent, nous avons présenté l’intelligence artificielle et plus spécifiquement un de ces domaines précis qui est les systèmes experts pour la prise de décision. Pour mettre en place de tels systèmes, on utilise différentes techniques tels que la logique floue, l’algorithme génétique, le réseau de neurones … etc. Ainsi pour la mise en place de notre système, il sera question pour nous de présenter dans ce chapitre quelques techniques utilisées en intelligence artificielle, ainsi présenter les étapes de mise en place de notre système expert flou et enfin modéliser grâce à un graphe SADT notre système tout entier. II-1 TYPOLOGIE DES TECHNIQUES DE l’INTELLIGENCE ARTIFICIELLE Plusieurs techniques peuvent être utilisées en intelligence artificielle, plus précisément dans les systèmes experts car elles assemblent la base du moteur d’inférence et des règles de décisions associées. Ces techniques sont utilisées suivant un type de système bien précis, donc nous allons présenter globalement dans cette partie quelques techniques. II-1-1 L’algorithme génétique L’algorithme génétique (AG) est un algorithme de recherche basée sur les mécanismes de la sélection naturelle et de la génétique [30].il fut développé par HOLLAND en 1970, on décrit ces algorithmes comme étant des algorithmes évolutionnaires d’optimisation s’appuyant sur des techniques dérivées de la génétique et des mécanismes d’évolution de la nature : croisement, mutation et sélection (Néo-darwinisme) [31]. C’est un algorithme itératif qui opère sur des individus codés à partir d’une population initiale qui représente ici un ensemble de solution possible à un problème initial crée de façon aléatoire. Et cette population évolue de la génération k à la génération k+1 à l’aide des opérateurs de sélection, de croisement ou reproduction et de mutation. 28 Figure II.1 : Principe de l’algorithme génétique [31] On trouve son application dans plusieurs domaines tels que : L’optimisation d’emplois de temps, de réseaux de transports ; Traitement d’images ; Contrôle des systèmes industriels… II-1-2 Réseaux de neurones Développé en 1943 par Mac Culloh et Pitts, les réseaux de neurones artificiels ou RNA peuvent être défini comme étant des réseaux fortement connectés de processus élémentaire fonctionnant en parallèle. Ainsi chaque processeur élémentaire calcule une sortie unique sur la base des informations qu’il reçoit. L'idée principale des réseaux de neurones artificiels est la suivante : le réseau est basé sur une unité simple, le neurone « formel », capable de réaliser quelques calculs élémentaires. Cette unité élémentaire est ensuite reliée à un nombre important d’autres unités créant ainsi le réseau de neurones dont la puissance de calcul est nettement supérieure. Les neurones manipulent exclusivement des données numériques et non pas symboliques [31]. 29 Figure II.2 : Réseaux de neurones multicouches [31] Le réseau neuronal trouve son application dans une multitude de domaine parmi lesquelles nous pourrons citer entres autres : L’aérospatiale (pilotage automatique, simulation de vol) Automobile (guidage automatique), Défense (guidage de missile, radar, sonar) Electronique (synthétiseur vocal), Médecine (analyse EEG et ECG) II-1-3 Logique floue Introduites en 1965 par Lotfi Zadeh, la logique floue propose des modes de raisonnement approximatifs plutôt qu’exacts. C'est principalement le mode de raisonnement utilisé dans la plupart des cas par les humains. Par conséquent, il semblait au début, que cette nouvelle science (logique floue) serait la bienvenue au sein de la communauté de l'intelligence artificielle. La logique floue est la théorie des ensembles flous. La théorie des ensembles flous est une théorie mathématique dont l’objectif principal est la modélisation des notions vagues et incertaines du langage naturel. Ainsi, elle évite les inadéquations de la théorie des ensembles classiques quant au traitement de ce genre de connaissances [32]. De façon générale un ensemble flou est utilisé pour modéliser l’incertitude et les imprécisions dans les connaissances. Ces applications sont nombreuses : Automatisme, instrumentation, traitement d’information, Machine à laver intelligente. II-1-4 Comparaison des techniques en intelligence artificiel Bien que présenté plus haut et brièvement, ces techniques utilisées par l’IA présentent des gros avantages et inconvénients tout ceci dépendant du système à mettre en place. Et ces avantages et inconvénients sont présentés dans le tableau II-1 ci-dessous : 30 Tableau II.1 : Avantages et inconvénients de quelques techniques en intelligence artificiel AVANTAGES INCONVENIENTS -Problème de boite noire ; -Choix - Efficace pour une gamme de problèmes très large ; Algorithme génétique - Faculté d’adaptation, réactivité, prise en compte de l’environnement ; - Pour des espaces de recherche important. de la fonction d’évaluation délicat ; -Paramètres délicats à régler (probabilité des opérateurs) ; -Solution trouvée forcement n’est la pas meilleur (approximation de la solution optimale) ; -Calcul d’un grand nombre de fitness pour garantir la robustesse de l’AG. - Représentation de n’importe quelle dépendance fonctionnelle ; Réseau de neurones - Grande variabilité de la variable de sortie ; - Problème de la boite noire ; - Mise en apprentissage œuvre assez par longue avec beaucoup d’exemples à entrer ; - Robuste si peu de données ; - Temps de modélisation long. - Pas de recodage de données. - Manque de directives précises - Pas besoin de modèle ; - Implémentation Logique floue pour la modélisation ; des - Approche non systématique ; - Possibilité d’apparition des connaissances linguistique ; - Maitrise de système à comportement complexe (non linéaire) règles d’inférence contradictoire ; - Impossible de démonstration de la stabilité du système. D’après le Tableau II-1 , l’on constate que l’algorithme génétique et le réseau de neurones présentent en commun un problème majeure de l’intelligence artificiel qui celui de la 31 « boite noir » ou « black box », car l’on peut juger des données qui entrent dans la boite et des résultats qui en sortent mais sans savoir ce qui se passe à l’intérieur et de plus le réseau de neurones est basé sur l’apprentissage donc nécessite un grand nombre de données ou exemples qui sont jusqu’à nos jours peu nombreux dans le domaine de la surveillance de l’eau. Le choix de la méthode donc s’effectue sur la logique floue qui imite la façon donc l’homme pense dans sa vie quotidienne. C’est une technique qui ne nécessite aucun modèle mathématique, prend en charge le raisonnement approximatif et la connaissance est présenté comme des règles linguistiques. II-2 SYTEME EXPERT FLOU Comme nous l’avons défini dans le chapitre 1, un système expert est un système d’aide à la décision qui permet de modéliser le raisonnement humain. Pour cela des règles logiques sont préalablement saisies par un expert. Dans le cas de la logique classique, les règles sont soit vraies ou soit fausses donc le système propose alors une réponse adaptée à la situation. Grace à la logique floue, un système expert flou est capable d’évaluer les faits de manière plus nuancée. Lors de l’évaluation de la situation, les règles ne sont plus soit vraies, soit fausses. Elles sont plus ou moins vérifiées, et une action plus adaptée à la situation est suggérée. Dans cette partie nous allons présenter le principe de la logique flou pour mieux concevoir notre système expert basée sur cette logique. II-2-1 La logique floue II-2-1-1 Définition et historique L’expression « logique floue » désigne un ensemble de modèles et de techniques mathématiques, qui sont basées sous la notion des sous-ensembles flous. [33] C’est une extension de la logique booléenne. L’idée des ensembles flous fut créée en 1965 par Lotfi Zadeh qui est une généralisation de la théorie des ensembles classiques. Il a été développé et appliquée par plusieurs milliers de chercheurs ces dix dernières années tels que le professeur MADAMI en définissant en 1974 la structure de base d’un régulateur flou et les principes de commande floue sur sa première application industrielle qui est la commande floue d’un générateur de vapeur. [34] La logique floue a abouti à des applications industrielles notables à partir des années 80. La notion de degré dans la vérification d’une condition, permet ainsi à cette condition d’être dans un autre état que vrai ou faux, la logique floue donne une flexibilité aux 32 raisonnements qui l’utilisent ce qui rend possible la prise en compte la prise en compte des incertitudes et des imprécisions. Ainsi l’intérêt de la logique floue pour formaliser le raisonnement humain est l’utilisation des règles qui sont énoncée en langage naturel. II-2-1-2 Sous-ensemble flou et fonction d’appartenance Dans la théorie d’ensemble classique, un élément appartient ou pas à un ensemble donc le degré d’appartenance d’un élément à un ensemble ne peut être soit 0 ou 1. Alors que la théorie des sous-ensembles flous a été introduite pour prendre en compte l’imprécision. La fonction d’appartenance à un ensemble flou prend des valeurs sur l’intervalle [0,1]. Celles-ci expriment le degré d’appartenance ou degré de vérité d’un élément à cet ensemble : 0 pour la non appartenance stricte et 1 pour l’appartenance stricte [35]. Donc on utilise une fonction d’appartenance est donc utilisé pour établir une correspondance avec un item X dans le domaine des nombres réels à un intervalle de 0 à 1, ce qui permet un degré de vérité. Figure II. 3 : Comparaison d’un ensemble classique et d’un ensemble flou [36] Soit donc un ensemble flou A d’un référentiel X ayant pour fonction d’appartenance µA que : x X , µA [0,1] .la valeur de cette fonction d’appartenance est appelée degré d’appartenance de l’élément x au sous-ensemble A. L’ensemble A est donc défini par [37] : A= ( x, µ A ( x )) | x X (2.1) Les fonctions d’appartenance peuvent avoir diverses formes selon leur définition : - Forme triangulaire ; - Forme trapézoïdale ; 33 - Forme gaussienne. Figure II. 4 : Différentes formes de fonctions d’appartenances [36] II-2-1-3 Variables floues La description d'une certaine situation imprécise ou incertaine peut contenir des expressions floues comme par exemple : très grand, grand, moyen, petit. Ces expressions forment les valeurs d'une variable x, appelée "linguistique", soumissent à des fonctions d'appartenance [36]. Généralement une variable floue est un triplé (x, X, TX) pour le quel u représente la variable définie sur un ensemble de référence X. L'ensemble Tx = A1, A2 ...fini ou infini, contient des sous-ensembles flous dans un univers de discours normalisé X utilisables pour caractériser x [34]. Il est donc important de pouvoir faire la différence entre ces trois variables floues. II-2-1-4 Propriétés des ensembles flous. ➢ La hauteur h ( A ) d’un sous-ensemble flou A de X est la plus grande valeur prise par sa fonction d’appartenance. [38] Il est noté : h ( A) = sup xX µA ( x ) (2.2) Un sous-ensemble flou est dit normalisé si sa hauteur vaut 1. ➢ Le noyau Noy ( A) d’un sous-ensemble flou A est l’ensemble de tous les éléments qui 34 appartiennent à A, c’est-à-dire dont le degré d’appartenance à A vaut 1. [39] Noy ( A) = x X | µA ( x ) = 1 (2.3) ➢ Le support d’un sous-ensemble flou A de X noté : Supp ( A) est l’ensemble des éléments appartenant, même très peu, à A ; c’est-à-dire le degré d’appartenance à A est supérieur à 0. [39] A = x X | µA ( x ) (2.4) ➢ Une α-coupe d’un ensemble flou A ou de niveau α de A noté Aα est le sous-ensemble des éléments ayant un degré d’appartenance supérieur ou égale à α. [39] A = x X | µA ( x ) (2.5) Figure II. 5 : Eléments caractéristiques d’un ensemble flou [39] II-2-1-5 Opérations sur les ensembles flous Comme dans les ensembles classiques, il existe un certain nombre d’opérations dans les ensembles flous tels que l’opération d’intersection (ET), l’opération d’union (OU) et l’opération de complémentarité (NON). ➢ Opérateur d’intersection (ET) : en ensemble flou, c’est l’intersection de deux ensembles flous A et B, respectivement étant le plus petit ensemble flou contenant A et B. D’après l’approche de Zadeh, on le définie par l’équation suivante [40] : 35 µAB ( x ) = min µA ( x ) , µB ( x ) (2.6) Figure II. 6 : Intersection des sous-ensembles flous « petite » et « moyenne » pour la variable linguistique (vitesse). [36] ➢ Opérateur d’union (OU) : c’est l’union de deux ensembles flous A et B, respectivement étant le plus grand ensemble flou contenu dans A et dans B d’autre part. D’après l’approche de Zadeh, on le définie par l’équation suivante [40] : µAB ( x ) = max µA ( x ) , µB ( x ) (2.7) Figure II. 7 : Union des sous-ensembles flous « petite » et « moyenne » pour la variable linguistique (vitesse) [36] ➢ Opérateur complémentarité (NON) : Selon l'approche Zadeh, le complément d'un ensemble flou A est défini par l'équation suivante [40] : µA ( x ) = 1 − µA ( x ) (2.8) 36 Figure II. 8 : Complément du sous-ensemble flou « petite ». [36] Le tableau II-2 présente toutes les propriétés utilisées dans les ensembles flous : Tableau II.2 : Tableau récapitulatif des propriétés [36]. II-2-1-6 Raisonnement flou La connaissance experte permet de déduire une proposition ou une décision à partir d’une ou plusieurs règles floues appelées règles d’inférence. Celles-ci sont liées par des opérateurs flous ET, OU, NON, ALORS…etc. Ces règles sont sous la forme : « Si condition une ET/OU si condition deux ALORS décision ou action » [41]. Le raisonnement flou fait donc appel à trois notions et étape fondamentale : - L’implication floue ; - L’inférence floue ; - L’agrégation des règles… 37 II-2-1-6-1 L’implication floue L’implication floue donne une information sur le degré de vérité d’une règle floue. En d’autres termes, on quantifie la force de véracité entre la prémisse et la conclusion [42]. On note l’implication avec l’opérateur Imp. qui est l’équivalent de l’opérateur ALORS. On distingue comme norme d’implication [42] : - La norme Mamdani : - La norme Larsen : imp (µA(x), µB(y)) = min (µA(x), µB(y)) imp (µA(x), µB(y)) = (µA(x).µB(y)) (2.9) (2.10) II-2-1-6-2 L’inférence floue On doit être capable de déduire des évènements potentiels à l’aide des faits et de diverses règles implicatives tel est le rôle principal d’une méthode d’inférence. En logique classique on nomme un tel raisonnement le Modus Ponens (raisonnement par l’affirmation). En logique floue, la règle est appelée Modus Ponens Généralisé. L’inférence est donc une agrégation des règles. On peut avoir une ou plusieurs règles, en ce qui nous concerne nous allons parler du cas de plusieurs règles car dans la commande et la régulation, les variables floues ont plusieurs ensembles d’appartenance. Ainsi l’on peut activer plusieurs règles en même temps. Nous pouvons donc décrire les règles de plusieurs manières : - Linguistiquement : on écrit les règles de façons explicite et clair comme dans cet exemple, SI (la température est moyenne ET la vitesse est faible) ALORS la tension est positive. - Symboliquement : Il s'agit en fait d'une description linguistique où l'on remplace la désignation des ensembles flous par des abréviations. « SI (T est M ET V est F) ALORS U=P » - Par matrice d’inférence : on crée un tableau qui comporte toutes les règles d’inférence, ou les entrées du tableau représentent les ensembles flous des variables d’entrées. L’intersection d’une colonne et d’une ligne donne l’ensemble flou de la variable de sortie définie par la règle. 38 Tableau II. 3 : Exemple de matrice d’inférence [42]: Une fois les règles décrite il s’agit enfin de déterminer les degrés d’appartenance des variables de sorties à ses sous-ensembles. Nous allons donc présenter quelques méthodes d’inférence utilisée pour y parvenir, et ces méthodes se différencient essentiellement par la manière dont vont être réalisé les opérateurs utilisés : - Méthodes d’inférence MAX-MIN ou méthode de Mamdani : il réalise l'opérateur "ET" par la fonction "Min", la conclusion "ALORS" de chaque règle par la fonction "Min" et la liaison entre toutes les règles (opérateur "OU") par la fonction Max. La dénomination de cette méthode, dite Max-Min est due à la façon de réaliser les opérateurs ALORS et OU de l'inférence [43]. - Méthode d’inférence MAX-PRODUIT ou méthode de Larsen : il utilise le même principe que la méthode MAX-MIN a la seule différence qu’il utilise la fonction MIN pour la conclusion [43]. - Méthode d’inférence SOMME-PRODUIT : dans cette méthode, l'opérateur "ET" est réalisé par le produit, de même que la conclusion "ALORS". Cependant, l'opérateur "OU" est réalisé par la valeur moyenne des degrés d'appartenance intervenant dans l'inférence [43]. - Méthode d’inférence de Takagi-sugeno (TS) : dans lequel le conséquent utilise des variables numériques plutôt que des variables linguistiques, sous la forme d’une constante, d’un polynôme ou de manière plus générale d’une fonction ou d’une équation différentielle dépendant des variables associées à la proposition antécédent [44]. On utilise cette dernière méthode beaucoup plus dans le cadre des applications de la logique floue en commande des systèmes. Néanmoins la méthode MAX-MIN est de loin la plus utilisée à cause de sa simplicité. 39 II-2-1-6-3 L’agrégation des règles. Lorsque la base de connaissance comporte plusieurs règles, l’ensemble flou inféré B’ est obtenu après une opération appelée agrégation des règles. En d’autres termes l’agrégation des règles utilise la contribution de toutes les règles activées pour en déduire une action de commande floue. Généralement, les règles sont activées en parallèle et son liées par l’opérateur "OU". Nous pouvons considérer que chaque règle donne un avis sur la valeur à attribuer au signal de commande, le poids de chaque avis dépend du degré de vérité de la conclusion [42]. II-2-2 Structure générale d’un système flou Un système flou est constitué de 3 étapes en général comme indiqué sur la figure II-8. Au début de ce type de système nous avons l’étape de la fuzzification qui transforme les valeurs numériques du domaine réel en degré d’appartenance aux différents ensembles flous du domaine flou. La seconde étape concerne le module d’inférence, qui est constitué de deux blocs à savoir le moteur d’inférence et la base des connaissances. Et enfin l’étape de défuzzification qui permet d’inférer une valeur précise, utilisable pour une prise de décision à partir du résultat de l’agrégation des règles. Figure II. 9 : Structure d’un système expert [45] II-2-2-1 Fuzzification C’est le processus qui permet de transformer une grandeur numérique en un sousensemble flou. Donc cette étape fournie les degrés d’appartenance d’une variable floue à ses ensembles flous en fonction de la valeur réelle de la variable d’entrée. Les étapes de la fuzzification consistent à [40] : - Etablir les variables linguistiques, - Etablir les quantificateurs flous (nombre de valeurs flou), 40 - Attribuer une signification numérique à chaque quantificateur flou : fonction d’appartenance. II-2-2-2 Moteur d’inférence floue Pour exploiter les règles de la base de connaissances, un moteur d’inférence est nécessaire pour relier la description d’un problème aux capacités d’analyse d’une situation donnée. Le moteur d’inférence est capable de répondre à des questions, de raisonner et de tirer des conséquences impliquées par la connaissance incluse dans le système. Dans notre cas il raisonne sur des règles linguistiques, c’est-à-dire des implications logiques de la forme : « SI Condition1 ET/OU SI Condition2 ALORS Action ». Ici les conditions (prémisses) sont des tests sur les valeurs linguistiques associées aux variables d’entrées. L’action (conclusion) consiste à affecter une valeur linguistique à une variable de sortie [46]. II-2-2-3 Base de connaissance floue La base de connaissance comprend les connaissances du domaine d’application et les buts du contrôle prévu. Elle est donc composée de : - Une base de données qui fournit les informations nécessaires pour les fonctions de normalisation. - La base de règle constituée d’un ensemble d’expressions linguistiques structurées autour d’une connaissance d’expert et représenté sous forme de règles [46]. Tels que : Règle i : Si xi1 est Ai1…..ET xn est Ain ALORS y est Bi Où les xi sont les variables d’entrées, y est la variable de sortie, les Ai et les Bi sont des sousensembles flous. Les règles sont connectées par des SINON (OU) : l’opérateur associé est la t-conorme MAX II-2-2-3 Défuzzification La défuzzification consiste à déduire une valeur numérique précise de la sortie du système à partir de la conclusion résultante floue issue de l’opération d’inférence. Les méthodes les plus utilisé sont : 41 - La méthode de centre de gravité, - La méthode de moyenne maximum, - La méthode du maximum, - La méthode des hauteurs pondérée. II-2-2-3-1- la méthode de centre de gravité C'est la méthode de défuzzification la plus courante. L'abscisse du centre de gravité de la fonction d'appartenance résultant de l'inférence correspond à la valeur de sortie du système [47]. dU n = xµ ( x ) dx µ ( x ) dx (2.11) Plus la fonction d’appartenance résultante est compliquée, plus le processus de défuzzification devient long et couteux en temps de calcul. II-2-2-3-2- la méthode du maximum C’est une méthode simple, La valeur de sortie est choisie comme l'abscisse de la valeur maximale de la fonction d’appartenance [47]. Figure II. 10 : Défuzzification par la méthode du maximum [47] II-2-2-3-3 La méthode de moyenne maximum Elle considère, comme valeur de sortie, la moyenne de toutes les valeurs pour lesquelles la fonction d'appartenance issue de l'inférence est maximale. C’est la moyenne des valeurs de sorties les plus vraisemblables [36]. sortie = y.dy dy (2.12) 42 Ou S = ( y0 U / µ ( y0 ) = SUPµ ( y ) ) (2.13) II-2-2-3-4 La méthode des hauteurs pondérées Elle corresponde à la méthode de centre de gravité quand les fonctions d'appartenance ne se recouvrent pas. Cette méthode est surtout utilisée quand les fonctions d'appartenance de la variable de sortie sont des singletons [36]. dU n = xµ ( x ) µ ( x) Ri (2.14) Ri II-2 MODELISATION DU SYSTEME DE DETECTION INTELLIGENT Dans cette partie, nous allons adopter une démarche fiable et compatible pour la mise en place d’un modèle du système de détection intelligent de la qualité de l’eau. Il est donc question d’effectuer une modélisation fonctionnelle du système c’est-à-dire ressortir une analyse fonctionnelle interne et externe, ensuite nous réaliserons une modélisation structurelle du système et enfin présenter un modèle physique du système. II-2-1 Définition du système Notre système est spécialisé dans la détermination de façon intelligente la qualité de l’eau grâce aux paramètres reçus de plusieurs capteurs et traiter par un contrôleur. Un utilisateur peut avoir accès ces données à distance grâce à une application androïde prévus à cet effet. L’objectif est de pouvoir commander des électrovannes qui après décision du contrôleur sur la qualité de l’eau, les dirigera à des utilisations bien précise. Notre système est ainsi constitué : - De 4 capteurs, - D’un contrôleur, - De 2 électrovannes, - D’une application. 43 Figure II. 11 : Synoptique général du système de détection intelligent II-2-2 Analyse fonctionnelle du système de détection intelligent. L’analyse fonctionnelle est définie comme une démarche qui consiste à rechercher, ordonner, caractériser, hiérarchiser et/ou valoriser les fonctions spécifiques au système (NF X 60-150) ; L'importance de la modélisation fonctionnelle réside dans le fait que l'on raisonne en terme de fonction et qu'il est nécessaire de préciser les données d'entrée, de sortie et les données de pilotage. Elle a pour objectifs principaux : - De modéliser les systèmes complexes, - De mieux appréhender les systèmes à fin d’amélioration et d’optimisation, de mise en œuvre de méthode de qualité [48]. II-2-2-1- Analyse fonctionnelle des besoins ou externe du système Elle met en évidence chacune des fonctions de service (ou fonctions principales) qu'elles soient d'usage ou d'estime (Pourquoi l'objet a-t-il été créé ?) ainsi que chacune des fonctions contraintes (Quelles sont les contraintes auxquelles l'objet doit satisfaire ?). Elle permet d'obtenir les données nécessaires à la conception du système, et c'est un outil de dialogue avec l'utilisateur. Ainsi l’expression des besoins de notre système nous a permis de ressortir le diagramme bête à corne représenté par la Figure II. 11 ci-dessous : 44 A qui rend service le système ? Sur quoi agit le système ? Habitations Eau Système de détection intelligent Permettre aux habitants de connaitre la qualité de l’eau présente Dans quel but le système existe-t-il ? Figure II. 12 : Diagramme bête à cornes du système Afin de contribuer à la conception d’un système de détection, une démarche rigoureuse est nécessaire, afin de préciser les relations qui existent entre les éléments de l’environnement du système. Pour ce faire, nous allons définir les fonctions de service, dissociées en fonctions principales FP, et en fonctions contraintes FC. Ainsi, le diagramme pieuvre de notre système de détection est le suivant : 45 Figure II. 13 : Diagramme pieuvre du système Les fonctions principales ainsi que les fonctions contraintes sont regroupées dans le tableau suivant : Tableau II.4 : Description des différentes fonctions Fonctions principales et Description de contraintes FP1 Permettre aux habitants de connaitre la qualité de l’eau. FP2 Informer sur les paramètres de l’eau à l’aide des capteurs. FP3 Informer à distance et faciliter la prise de décision à l’aide des outils NTIC FC1 Etre capable de lire les paramètres de la qualité de l’eau FC2 Etre facile et compréhensible par les habitants. FC3 Faciliter l’intégration et l’exploitation des NTIC. FC4 Etre capable d’intégrer facilement les technologies de capteur. FC5 Capable d’interagir avec l’environnement hydraulique. FC6 Permettre d’avoir une grande fiabilité. FC7 Elaborer un système de détection le moins onéreux possible. FC8 S’adapter à une source d’énergie. 46 II-2-2-2 Analyse fonctionnelle interne du système. Elle dégage chaque fonction technique principale et complémentaire et permet la matérialisation des concepts de solutions techniques. L'importance de la modélisation fonctionnelle interne réside dans le fait que l'on raisonne en termes de fonction et qu'il est nécessaire de préciser les données d'entrée, de sortie et les données de pilotage. L’approche que nous avons adoptée pour l’acquisition des connaissances est basée sur l'outil d’analyse fonctionnelle SADT (Structured Analysis and Design Technic.) qui est un outil d’analyse descendante en privilégiant la modélisation, l’écriture des liens inter-fonctionnels et permettre la description de système complexe pour comprendre et communiquer, réaliser plan, schéma des automatismes, algorithmes de programmation [48]. Ainsi après analyse, le modèle fonctionnel par l’approche SADT de notre système est les suivant : Figure II. 14 : Diagramme A-0 du système de détection intelligent 47 Figure II. 15 : Diagramme A0 de la fonction détecter l’eau Figure II. 16 : Diagramme A1 de la fonction prélever les paramètres 48 Figure II. 17 : Diagramme A3 de la fonction contrôler II-2-2-3 diagramme de Flux de données du système. Il s’agit ici de montrer la circulation des informations entre les différentes fonctions du système. Ainsi sur le diagramme de la Figure II. 17 on voit apparaitre le sens exact de la circulation entre les fonctions ainsi que le type d’information. Ces données passent tout d’abord par les capteurs sous forme de tension (0v à 5v) pour ensuite être convertir par le convertisseur analogique-numérique (CAN) de la carte Arduino et ensuite introduit dans le microcontrôleur pour être traiter par le système d’inférence flou qui vas ensuite produire une décision pour commander le servomoteur de l’électrovanne et afficher la décision de la qualité de l’eau sur une application Android pour l’utilisateur. 49 Figure II. 18 : Diagramme Flux de données du système 3II-2-2-4 Analyse structurelle du système. Un système technique automatisé est un ensemble organisé de moyens techniques interconnectés à des moyens de commande et de contrôle, qui lui assurent un fonctionnement reproductible plus ou moins indépendant des interventions humaines. Un système automatisé comporte donc 3 parties : - Une partie opérative (PO) : elle permet d’apporter la valeur ajoutée à la matière d’œuvre en effectuant directement le processus de leur transformation, - Une partie commande (PC) : ensemble de moyens de traitement de l’information qui assure le pilotage et la coordination des taches du processus. - Une partie relation (PR) : réalisation des pupitres opérateurs. Ces 3 parties sont en interrelations et l’ensemble est en communication avec le milieu extérieur. Figure II. 19 : Structure d’un système automatisé [49] 50 Un système est constitué de n chaines fonctionnelles, qui sont des parties du système qui assurent la réalisation d’une tache ou fonction opérative [49]. Une chaine fonctionnelle est caractérisée par : - Un agencement fonctionnel de constituants sous forme de chaine (fraction de PC, fraction de PO, interrelations), - Un comportement autonome. Etudier la structure d’un système complexe revient donc à étudier la structure (plus simple) de chacune de ses chaines fonctionnelles. Ainsi pour notre système de détection intelligent, nous avons modélisé sa structure comme suit : Figure II. 20 : Chaine fonctionnelle du système de détection intelligent de la qualité de l’eau Arrivée au terme de ce chapitre, il était question pour nous de présenté quelques techniques utilisées en intelligence artificielle, de présenté le concept de logique floue et enfin de modélisé notre système à mettre en place. Il en ressort donc qu’il existe une multitude de technique d’IA, mais la logique floue est celle donc nous allons utiliser pour notre système bien qu’il comporte des inconvénients, il possède des avantages qui montre sa performance pour notre type de système. Et cette technique possède une méthode de raisonnement incertain basée sur les ensembles flous et pour le mettre en place on procède à un certain nombre d’étape qui commence par la fuzzification à la défuzzification en passant par le moteur d’inférence et bases de connaissances. Et enfin nous avons utilisé quelques outils de l’analyse fonctionnelle (bête à 51 corne, pieuvre, SADT et flux de données) et structurelle (chaine fonctionnelle) pour modéliser notre système pour enfin ressortir un diagramme block général de notre système. Nous allons à présent passer au chapitre suivant pour une conception proprement dite du système. 52 CHAPITRE III : METHODES ET OUTILS DE CONCEPTION La conception est la phase où l’on présente la résolution de notre problème. Ainsi l’objectif est de fixer des choix techniques et de préparer la mise en œuvre grâce à des méthodes et outils standard. Ainsi pour notre système intelligent, il est important à travers la logique floue de pouvoir montrer les étapes de conception de notre contrôleur flou avec des outils et méthodes requises ; présenter les outils techniques utilisés pour le maquettage de notre système. III-1 Mise en œuvre de notre contrôleur flou sous Matlab/Simulink III-1-1 Présentation de l’outil de conception Matlab La démarche scientifique en science de l’ingénieur, le choix de l’outil de programmation est primordial. Ainsi pour modéliser un système réel étudié avec ces spécifications dans un monde virtuel afin de simuler son comportement et le valider notre choix a été porté sur le logiciel Matlab, plus précisément la technologie Matlab R2018a. Car il propose de nombreux outils de mise en œuvre des systèmes multi-physique. III-1-1-1 Que signifie Matlab ? Matlab qui signifie « Matrix Laboratory » est un puissant outil de calcul qui intègre un langage de programmation de quatrième génération émulé par un environnement de développement. Il a été développé par la société Math Works, et permet de manipuler des matrices, d’effectuer des tracés à partir des données, de générer des algorithmes, créer des interfaces graphiques et s’interface avec d’autres langage [50]. Ainsi son architecture générale peut être illustrée par la figure III. 1 : Figure III. 1 : Schéma architectural des éditions modernes de Matlab [51] 53 Matlab est une plateforme logicielle intégrant un ensemble d’outils appelé « Toolbox » qui permettra de développer facilement et rapidement des algorithmes tout en exploitant des macros commandes Matlab en toute simplicité quelques soit les applications telles que la robotique, le traitement du signal, l’ingénierie mécanique, les systèmes de contrôle et bien d’autres encore. III-1-1-2 Simulink Simulink est une interface graphique de Matlab, basé sur la programmation graphique ou en bloc. Il permet de modéliser, de simuler et d’analyser des systèmes dynamiques dans plusieurs domaines différents. Il propose un ensemble de bibliothèques constitué des blocs de modélisation permettant de simuler le comportement des systèmes liées à un domaine précis. III-1-2 Mise en œuvre du contrôleur flou Le contrôleur flou a pour but de gérer automatiquement nos processus qui sont des électrovannes TOR en prenant une décision sur la qualité de l’eau en fonction des consignes, par action sur les variables de commande. Ainsi, La mise en œuvre de notre contrôleur flou passe par une méthodologie bien précise, décrit par la figure III. 2 et respectant ainsi la structure générale d’un contrôleur flou spécifié par la figure II. 9. Etude systématique du système Fuzzifier Formaliser l’expertise Choisir la méthode d’inférence Défuzzifier Tester, ajuster et valider Figure III. 2 : Approche méthodologie pour la mise en œuvre du contrôleur flou 54 III-1-2-1 Etude systématique du système Cette partie consiste à définir les entrées/sorties de notre système intelligent ; ces dernières constituent ainsi nos variables d’E/S. Pour notre contrôleur nous avons défini 4 entrées à savoir : - Le Ph : qui est la valeur de concentration des ions hydrogène présent dans l’eau, - La turbidité : c’est la quantité de particules en suspension dans l’eau, - L’Oxygène dissout : c’est la teneur en oxygène de l’eau, - La conductivité électrique (CE) : c’est la quantité de charge en ions présent dans l’eau ou encore une grandeur physique qui caractérise la propagation du flux d’électron dans l’eau. Et 3 sorties à savoir : - Qualité de l’eau (QE) : cette sortie donne une décision finale sur la qualité de l’eau. - Vanne 1 : elle représente la commande de la première électrovanne qui, si l’eau est excellente ou passable laissera passer l’eau au cas contraire se fermera. - Vanne 2 : elle représente la commande de la seconde électrovanne qui, si l’eau est mauvaise laissera passer l’eau au cas contraire se fermera. III-1-2-2 Fuzzifier Cette étape permet de transformer les variables réels d’E/S en des variables floues. Donc il est question ici d’attribuer pour chaque E/S : un univers de discours, une partition floue et une fonction d’appartenance obtenue sur Matlab grâce à la toolbox fuzzy logic. Nous avons vu au chapitre II que les variables flous sont des triplés (u, U,Tu) définie comme suit : u est une variable sur un univers de discours U et Tu contiens des sous-ensembles flous dans l’univers de discours. III.1.2.2.1. Variable Ph Nous avons décrit cette variable d’entrée comme suit : - u : désigne ici le Ph de l’eau ; - l’univers des Ph de l’eau est : U= [0 14] ; - l’ensemble Tu est constitué par 3 ensembles flous : 55 Tu= {Non-Acceptable, Acceptable, Basique} = {NA, AC, BA} avec chacun les paramètres 𝑁𝐴 = [−1 3.5 6.5] suivants : { 𝐴𝐶 = [6.5 7.5 8.5] 𝐵𝐴 = [8.5 11 15] - Fonction d’appartenance de type triangulaire : Figure III. 3 : Fonction d’appartenance de la variable Ph III.1.2.2.2. Variable turbidité Nous avons décrit cette variable d’entrée comme suit : - u : désigne ici la turbidité de l’eau ; - l’univers de la turbidité de l’eau exprimé en NTU est : U= [0 7] ; - l’ensemble Tu est constitué par 3 ensembles flous : Tu= {Très-Bonne, Bonne, Passable} = {TB, BO, PA} avec chacun les paramètres suivants : 𝑇𝐵 = [−1 1 2] { 𝐵𝑂 = [1.6 3.5 5.5] 𝑃𝐴 = [5.046 6.023 9.8] 56 - Fonction d’appartenance de type triangulaire : Figure III. 4 : : Fonction d’appartenance de la variable turbidité III.1.2.2.3. Variable oxygène_dissout Nous avons décrit cette variable d’entrée comme suit : - u : désigne ici la quantité d’oxygène dissout dans l’eau ; - l’univers de l’oxygène dissout exprimé ici en pourcentage est : U= [0 100] ; - l’ensemble Tu est constitué par 2 ensembles flous : Tu= {Non-souhaitable, Souhaitable} = {NS, SO} avec chacun les paramètres suivants : { 𝑁𝑆 = [−1 35 70] 𝑆𝑂 = [65 82.5 101] - Fonction d’appartenance de type triangulaire : Figure III. 5 : Fonction d’appartenance de la variable oxygène_dissout 57 III.1.2.2.4. Variable conductivité électrique (CE) Nous avons décrit cette variable d’entrée comme suit : - u : désigne ici la conductivité électrique de l’eau exprimé en µs/cm ; - l’univers des conductivités électrique de l’eau est : U= [0 2000] ; - l’ensemble Tu est constitué par 3 ensembles flous : Tu= {Faible, Moyen, Élevée} = {FA, MO, EL} avec chacun les paramètres suivants : 𝐹𝐴 = [−821 128.5 257] { 𝑀𝑂 = [200 650 1100] 𝐸𝐿 = [1050 1525 2700] - Fonction d’appartenance de type triangulaire : Figure III. 6 : Fonction d’appartenance de la variable CE III.1.2.2.5. Variable qualité de l’eau (QE) Nous avons décrit cette variable de sortie comme suit : - u : désigne ici la qualité de l’eau exprimé en pourcentage; - l’univers des qualités de l’eau est : U= [0 100] ; - l’ensemble Tu est constitué par 3 ensembles flous : Tu= {Mauvaise, Passable, Excellente} = {MAUV, PASS, EXC} avec chacun les paramètres 𝑀𝐴𝑈𝑉 = [0 20 40] suivants : { 𝑃𝐴𝑆𝑆 = [35 50 65] 𝐸𝑋𝐶 = [60 80 100] - Fonction d’appartenance de type triangulaire : 58 Figure III. 7: Fonction d’appartenance de la variable QE III.1.2.2.5. Variable VAN_1 Nous avons décrit cette variable de sortie comme suit : - u : désigne ici l’état de la vanne 1; - l’univers des états de la vanne 1 est : U= [-1 1]; - l’ensemble Tu est constitué par 2 ensembles flous : Tu= {Fermer1, Ouvrir1} = {FER_1, OUV_1} avec chacun les paramètres suivants : 𝐹𝐸𝑅_1 = [−1 − 0.5 0] { 𝑂𝑈𝑉1 = [0 0.5 1] 𝑅𝐼𝐸𝑁1 = [−1 0 1] - Fonction d’appartenance de type triangulaire : Figure III. 8 : Fonction d’appartenance de la variable VAN_1 59 III.1.2.2.5. Variable VAN_2 Nous avons décrit cette variable de sortie comme suit : - u : désigne ici l’état de la vanne 2; - l’univers des états de la vanne 2 est : U= [-1 1]; - l’ensemble Tu est constitué par 2 ensembles flous : Tu= {Fermer2, Ouvrir2} = {FER_2, OUV_2} avec chacun les paramètres suivants : 𝐹𝐸𝑅_2 = [−1 − 0.5 0] { 𝑂𝑈𝑉2 = [0 0.5 1] 𝑅𝐼𝐸𝑁2 = [−1 0 1] - Fonction d’appartenance de type triangulaire : Figure III. 9 : Fonction d’appartenance de la variable VAN_2 III-1-2-3 Formaliser l’expertise. D’après la norme de l’OMS sur la qualité d’eau de consommation, nous avons pu formaliser une base de règle du type : Si…..Alors…. . Pour trouver le nombre total de règle on s’est basé de la formule suivante : n rmax = mi (3.1) i =1 𝑛: 𝑙𝑒 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑 ′ 𝑢𝑛𝑖𝑣𝑒𝑟𝑠 𝑑𝑒 𝑑𝑖𝑠𝑐𝑜𝑢𝑟𝑠 𝑈𝑖 Avec : { m : 𝑒𝑠𝑡 𝑙𝑒 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑝𝑎𝑟𝑡𝑖𝑡𝑖𝑜𝑛 𝑓𝑙𝑜𝑢𝑒 𝑑𝑒 𝑐ℎ𝑎𝑞𝑢𝑒 𝑢𝑛𝑖𝑣𝑒𝑟𝑠 𝑈𝑖 i 60 Ainsi nous obtenons au total 54 règles pour notre contrôleur et tout ceci est représenté sous forme de matrice d’inférence. TABLEAU III. 1 : Matrice d’inférence de notre contrôleur flou Oxygène_dissout QE/ VAN_1/ VAN_2 SO TURBIDITE FA AC MO EL FA PH NA CE MO EL FA BA NS MO EL TB BO PA TB BO PA EXC/ OUV_1/ FER_2 EXC/ OUV_1/ FER_2 EXC/ OUV_1/ FER_2 PASS/ OUV_1/ FER_2 EXC/ OUV_1/ FER_2 PASS/ OUV_1/ FER_2 PASS/ OUV_1/ FER_2 EXC/ OUV_1/ FER_2 PASS/ OUV_1/ FER_2 PASS/ OUV_1/ FER_2 EXC/ OUV_1/ FER_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 PASS/ OUV_1/ FER_2 EXC/ OUV_1/ FER_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 PASS/ OUV_1/ FER_2 EXC/ OUV_1/ FER_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 PASS/ OUV_1/ FER_2 PASS/ OUV_1/ FER_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 MAUV/ FER_1/ OUV_2 III-1-2-4 Choix de la méthode d’inférence. La méthode d’inférence utilisée ici est la méthode Max-Min ou en la méthode Mamdani qui est la plus utilisée car elle a l’avantage d’être bien adapté à l’apport humain, très intuitive, sa base de règle est plus interprétable. Cette méthode est décrite par l’enchainement de 3 phases : 61 - L’implication qui est caractérisé par l’opération de minimisation (Min) ou intersection, - L’agrégation qui est caractérisé par l’opération de maximisation (Max) ou union, - L’activation qui évalue chaque règle d’inférence afin d’appliqué la relation d’inférence de mamdani. III-1-2-5 Défuzzifier Il va transformer le sou ensemble flou de sortie en une valeur non floue permettant la commande de notre système. Il existe plusieurs méthodes, mais notre choix c’est porté sur la méthode du centre de gravité de la surface (centroid en anglais) donner par la formule (2.11) car elle est la plus utilisé et permet de faire intervenir toutes les valeurs de l’univers du discours de sortie, pondérées par leur degré de vraisemblance. III-1-2-6 Tester et valider le modèle. La mise en œuvre de notre contrôleur flou nous permet d’obtenir au final sur Matlab le modèle illustrer par la figure III. 10. Figure III. 10 : Contrôleur floue de la qualité de l’eau III-1-3 Mise en œuvre du système globale sur Matlab/Simulink. Sur Matlab/Simulink, nous avons regroupé tous les éléments essentiels à la mise en œuvre de notre système. Ainsi la figure III. 11 nous présente les grands blocs qui sont entrées dans la conception de notre système de détection intelligent.il faut noter que tous ces blocs sont illustrés en annexe. Le bloc en gris est un bloc capteur, il constitue l’entrée de notre système et est composé de quatre sorties donc le signal est connecté a des slider qui permettent de faire varier 62 respectivement les valeurs du Ph, de la turbidité, de l’oxygène dissout et de la conductivité électrique lors de nos simulations sur Matlab/Simulink. Le bloc en rouge est notre contrôleur numérique de type flou dont nous avons mis en œuvre au paragraphe précèdent et qui sera embarqué dans le calculateur de notre système. Le bloc en vert est un bloc de conversion car il récupère la valeur de décision qui est un réel envoyer par le contrôleur numérique et la convertir en caractère pour pouvoir l’affiché sur un display. Les blocs bleu et orange illustrent respectivement le comportement des électrovannes 1 et 2 qui fonctionnent TOR, c’est la raison pour laquelle nous avons utilisé un bloc de saturation dans chacune d’elle pour émuler ce comportement TOR et nous avons couplé cela avec un bloc d’intégration qui va permettre de déterminer la commande effective de nos électrovannes dans le temps. Figure III. 11 : Modèle complet du système intelligent de détection sur Matlab/Simulink 63 III-2 Méthodes et outils de maquettage du système de détection Pour la réalisation, il est important de dimensionner les composants que nous allons utiliser pour le maquettage et ce en passant par une conception virtuelle du système avec l’objectif de valider la conception. L’ensemble des composants utilisés est développé sur l’environnement Proteus et la commande flou est implémentée sous l’environnement Matlab/Simulink. III-2-1- Schéma architectural du système de détection intelligent assisté par smartphone La figure III.12 illustre l’architecture générale de notre système. Cette figure est constituée de 4 principaux éléments entre outre : - D’un terminal de communication qui est de préférence un smartphone ou une tablette qui permettra de recevoir les données et les visualisées grâce à une application, - D’une interface utilisateur web permettant la visualisation du système, - Un modem qui va permettre de transférer des informations entre le système de détection et le terminal de communication via la transmission wifi, - Le système de détection proprement dit. Figure III. 12 : Schéma architectural du système de détection intelligent assisté par smartphone III-2-2 Caractéristiques des éléments constitutifs du système. Le système de détection est un ensemble de plusieurs composants relié entre eux pour ainsi réaliser les fonctions qui lui sont définit. Ces composants sont entre autres des capteurs, des actionneurs, et des processeurs. Ainsi la figure III.13 illustrés, présente les différents blocs de notre système assemblé. 64 Figure III. 13 : Schéma bloc d’ensemble du système Le schéma bloc d’ensemble nous montre que le système est subdivisé en plusieurs parties : - Un dispositif d’acquisition, - Un dispositif de traitement, - Un dispositif d’action. III-2-2-1 Dispositif d’acquisition. Ce sont ces éléments qui permettront de collecter les données au moyen de plusieurs capteurs spécifiques. Nous retrouverons leurs caractéristiques techniques en annexe. III-2-2-1-1 Capteur Ph Le capteur Ph utilisé ici est le modèle SEN0161 de DFRobot qui est un PH-mètre analogique conçus pour les contrôleurs Arduino. Il permet d’obtenir facilement la valeur du pH lorsqu’il est bien préprogrammé.il est constitué d’une LED qui est l’indicateur d’alimentation, d’un connecteur BNC et d’une interface pH 2.0. Figure III. 14 : Capteur pH SEN0161[52] 65 III-2-2-1-2 Capteur oxygène dissous (DO) Le capteur d’oxygène dissous est utilisé pour mesurer l'oxygène dissous dans l'eau, qui à son tour reflète la qualité de l'eau. C’est un capteur analogique, de modèle SEN0237 de DFRobot qui est constitué d’une interface de gravité que l’on peut communiquer avec le contrôleur Arduino, d’une sonde galvanique, d’un connecteur BNC et d’une solution. Figure III. 15 : Capteur oxygène dissous SEN0237 [52] III.2.2.1.3. Capteur de turbidité (TSS) Capteur de turbidité TSS (Total Suspended Solids) compatible Gravity de DFRobot permet de déterminer la quantité de particules en suspension dans un liquide en mesurant la transmittance de la lumière et la vitesse de diffusion. Grace à ce capteur on peut savoir si une eau est claire ou trouble. Il est composé d’une interface de communication avec le contrôleur Arduino qui produit des signaux analogique ou numérique (via un inverseur) et d’une sonde. Figure III. 16 : Capteur de turbidité SEN0189 [52] III.2.2.1.4. Capteur de conductivité électrique (CE) Ce capteur est utilisé pour mesurer la conductivité électrique de l’eau. Nous avons opté pour le modèle K1DFR0300 car il est adapté pour l’eau normale. Ce capteur est constitué d’une interface qui communique facilement avec une carte Arduino grâce à un signal analogique, d’une sonde composée de deux carrés métalliques et d’un connecteur BNC. 66 Figure III. 17 : Capteur de conductivité électrique K1DFR0300 [52] III-2-2-2 Dispositif de traitement. Le dispositif de traitement ici est un microcontrôleur de type Arduino et de série UNO, possédant un atmega 328. Comme spécification techniques, elle possède 14 broches d’entrées/sorties numériques (dont 6 peuvent être utilisées en tant que sorties PWM), 6 broches d’entrées analogiques, un oscillateur à quartz de 16 MHz, une connexion USB, une prise d’alimentation, une mémoire flash de 32 KB [53]. Figure 3. 18 : Carte Arduino UNO [53] Dans notre système la carte Arduino a pour rôle de traiter les données analogiques envoyé par les capteurs en effectuant un calibrage et un mapping entre les plages de tensions reçus des capteurs et les valeurs numériques correspondantes et ainsi générer la commande de décision et la commandes des électrovannes. III-2-2-2-2 Module wifi La Wemos D1 mini ESP8266 est une carte de développement, spécialement conçue pour l’Internet des objets (IoT). Il est basé sur le Soc (System on Chip) ESP8266, une puce hautement intégrée, conçue pour les besoins d'un monde connecté. Il fonctionne avec une tension d’alimentation de 5V mais les broches d’entrée/sortie fonctionnent sous 3.3V comme illustré sur la figure III-19. 67 Figure III. 19 : Module wifi ESP8266 [54] III-2-2-3 Dispositif d’action. Pour notre dispositif d’action nous avons utilisé : - 2 relais qui jouent le rôle de pré-actionneur car il aura pour fonction de recevoir la commande provenant du contrôleur pour ensuite la distribuer à notre partie puissance constituée d’électrovannes tout ou rien, - 2 électrovannes de type TOR (tout ou rien) : donc elles vont fonctionner selon deux états « stables » grâce à une bobine, suivant qu’elle soit ou non alimentée électriquement.la première électrovanne (vanne1) est charger de laisser passer de l’eau de bonne qualité destiné à des fins de consommation tandis que la seconde électrovanne (vanne2) a pour rôle de laisser passer de l’eau de mauvaise qualité qui n’est nécessairement pas nocif pour d’autres utilisation dans un ménage. III-2-3 Schéma de câblage des dispositifs sur Proteus. Figure III. 20 : Schéma électronique du système sur Proteus 68 Vu qu’il n’existe pas de modèle Proteus de l’électrovanne, nous l’avons représenté dans notre schéma par une lampe qui simule mieux le comportement tout ou rien de ce dernier. III-3 Conception de la plateforme de monitoring. Notre plateforme de monitoring doit répondre aux exigences suivantes : - Afficher une information relative sur la qualité de l’eau, - Afficher les valeurs mesurées par chaque capteur, - Alerter par un voyant sur l’état des électrovannes. Ainsi pour une implémentation physique de notre système nous avons conçus notre plateforme de monitoring sous Proteus grâce à l’outil iot Builder qui est un outil qui permet de développer des applications pour l’internet des objets puis de simuler et de contrôler depuis un smartphone, une tablette ou un navigateur web [55]. Ainsi voici une esquisse de notre application mobile de monitoring : Figure III. 21 : Interface de monitoring sur Proteus A la fin de ce chapitre, on peut dire que la conception de notre contrôleur a été faite par des outils appropriés et en suivant des étapes bien précise, ensuite nous avons conçus notre système complet sur Matlab/Simulink et enfin tour a tour présenter les composants nécessaires pour la réalisation de projet. 69 CHAPITRE IV : RESULTATS OBTENUS, DISCUSSIONS Il est question pour nous dans ce chapitre de faire ressortir de fond en comble les résultats obtenus au bout de l’implémentation de notre système après sa conception afin de vérifier sa validité. Nous allons donc ainsi présenter des résultats des simulations de notre système sur l’environnement Matlab. IV-1 Réalisation la plateforme de monitoring de la qualité de l’eau sous Matlab. Pour des soucis de simulation nous avons conçu notre plateforme de monitoring de l’eau grâce à l’outil GUIDE (Graphical User Interface Development) de Matlab, qui permet de réaliser des interfaces en se basant sur une programmation visuelle et évènementielle en un temps minimum. IV-1-1 Interface de démarrage de Matlab/GUIDE Pour lancer l’outil GUIDE de Matlab, on utilise la commande « guide » et on obtient l’interface de démarrage présenté à la figure 4.1 ci-dessous : Figure IV. 1 : Ecran de démarrage de l’outil Matlab/GUIDE IV-1-2 Fenêtres et composants constitutifs de l’outil GUIDE. La fenêtre de travail de l’outil Matlab/GUIDE est illustrer par la figure IV.2 et se compose : 70 - D’une barre de MENU, - D’une barre d’outils de gestion, - D’un bloc de composantes visuels, - Des propriétés - D’éléments d’édition Matlab/GUIDE [51]. Figure IV. 2 : Fenêtre de travail de l’outil Matlab/GUIDE IV-1-3 Résultats de notre plateforme de monitoring de la qualité de l’eau. Après conception nous obtenons l’interface fonctionnelle suivante : Figure IV. 3 : Fenêtre de notre interface de monitoring 71 Dans cette interface on a le bloc capteurs qui affiche les données numériques mesurés par les capteurs, nous avons un bloc électrovannes qui lui donne l’état de nos deux vannes par rapport à la décision affichée dans le bloc qualité de l’eau IV-2 Hypothèses de validation des résultats de simulation. Nous allons énoncer des hypothèses de résultats pour valider notre conception tout d’abord au niveau du contrôleur floue mis en œuvre, ensuite au niveau du système tout entier. Car notre système a été modélisé physiquement par des schémas bloc dans l’environnement de simulation Matlab/Simulink. Soit le Tableau IV.1 décrivant les mesures des capteurs a une période T quelconque : Tableau IV. 1 : Différents cas de simulation CAS Ph Turbidité D’HYPOTHESE Oxygène Conductivité dissout Electrique N01 5 2 20 600 N02 7 4 50 800 N03 9 6 70 1200 N04 12 7 100 1600 N05 7 2 80 800 Nous fixons donc comme hypothèse : - Si l’on applique le cas d’hypothèse N01 ; N03 et N05 alors d’après le Tableau III.1, la décision sur la qualité de l’eau devra être « MAUVAISE » et la vanne 1 devra être fermée et la vanne 2 ouverte ; - Si l’on applique le cas d’hypothèse N02 alors d’après le Tableau III.1, la décision sur la qualité de l’eau devra être « PASSABLE » et la vanne 1 devra être ouverte et la vanne 2 fermée ; - Si l’on applique le cas d’hypothèse N0 4 alors d’après le Tableau III.1, la décision sur la qualité de l’eau devra être EXCELLENTE et la vanne 1 devra être ouverte et la vanne 2 fermée ; 72 IV-3 Résultats de simulations sous Matlab/Simulink du contrôleur flou. IV-3-1 Résultats de simulation La Figure IV.1 illustre la surface de décision de notre contrôleur flou mis en œuvre et simuler sur Matlab/Simulink en 3D avec comme paramètres d’entrées et sorties : - 𝑋 = 𝑝𝐻 {𝑌 = 𝑜𝑥𝑦𝑔è𝑛𝑒_𝑑𝑖𝑠𝑠𝑜𝑢𝑡 𝑍 = 𝑄𝐸 Figure IV. 4 : Surface de décision floue avec Ph, oxygène_dissout et QE. - 𝑋 = 𝐶𝐸 {𝑌 = 𝑡𝑢𝑟𝑏𝑖𝑑𝑖𝑡é 𝑍 = 𝑣𝑎𝑛2 Figure IV. 5 : Surface de décision floue avec CE, turbidité et van2. 73 - 𝑋 = 𝑝𝐻 { 𝑌 = 𝐶𝐸 𝑍 = 𝑣𝑎𝑛1 Figure IV. 6 : Surface de décision floue avec pH, CE et van1. IV-3-2 Interprétations Au regard des Figure IV.4, Figure IV.5 et Figure IV.6, on observe immédiatement la non linéarité de ces 3 surfaces caractéristique d’un raisonnement incertain car le contrôleur utilise le degré d’appartenance pour prendre une décision ce qui explique la présence de plusieurs blocs variant dans les intervalles appropriés. Ainsi notre contrôle simule convenablement le comportement humain caractéristique important en logique flou. IV-4 Résultats de simulations sous Matlab / Simulink du système de détection intelligent. Dans cette partie nous allons présenter tour à tour les résultats obtenus sur l’expertise de notre système tout en montrant si oui ou non il répond aux hypothèses de validation décrit plus haut. IV-4-1 Réponse sur la qualité de l’eau. IV-4-1-1 Résultats de simulation Ici nous allons faire varier les valeurs des capteurs à celle défini au niveau des hypothèses et ainsi observer la décision finale afficher sur la plateforme de monitoring. 74 Après simulation du système on obtient la courbe résultante illustré par la figure IV-2 suivante : Figure IV. 7 : Réponse sur la qualité de l’eau IV-4-1-2 Interprétation En observant cette courbe on constate que le système répond parfaitement aux hypothèses de validation énoncées plus haut avec un taux de pourcentage bien définit dans le Tableau IV.2. Tableau IV. 2 : Résultats simulation de la décision de la qualité de l’eau CAS D’HYPOTHESE Pourcentage de décision décision (%) N01 20 MAUVAISE N02 50 PASSABLE N03 19.999 MAUVAISE N04 79.998 EXCELENTE N05 20 MAUVAISE Ainsi ce tableau permet de valider les hypothèses suscitées. Sur la plateforme de monitoring on obtient en temps réels pour les cas N01, cas N02 et cas N04 les captures d’écrans suivantes : 75 Pour le cas N01 On a un affichage temps réels sur la plateforme de monitoring lorsque les valeurs des capteurs changent et dans le bloc qualité de l’eau on constate l’apparition du message « MAUVAISE » dans un fond rouge et dans le bloc électrovannes on constate effectivement que les deux vannes des états différents ; la vanne 1 est fermée et est au rouge tandis que la vanne 2 est ouverte et est au rouge. Figure IV. 8 : Capture d’écran de l’interface au cas N01 Pour le cas N02 Sur la plateforme de monitoring lorsque les valeurs des capteurs changent on observe dans le bloc qualité de l’eau l’apparition du message « PASSABLE » dans un fond vert et dans le bloc électrovannes on constate effectivement que la vanne 2 est fermée et est au rouge tandis que la vanne 1 est ouverte et est au rouge. Figure IV. 9 : Capture d’écran de l’interface au cas N02 76 Pour le cas N04 Sur la plateforme de monitoring lorsque les valeurs des capteurs changent on observe dans le bloc qualité de l’eau l’apparition du message « EXCELLENTE » dans un fond vert et dans le bloc électrovannes on constate effectivement que la vanne 2 est fermée et est au rouge tandis que la vanne 1 est ouverte et est au rouge. Figure IV. 10 : Capture d’écran de l’interface au cas N04 IV-4-2 Réponses en boucle ouverte de la commande des électrovannes sans gain IV-4-2-1 Résultats Dans cette partie nous avons simulé le comportement des électrovannes en fonction de la commande qu’il reçoit du contrôleur. Etant donné que ces électrovannes sont de type TOR, il n’y a pas un besoin de réguler leur ouverture ou fermeture donc on a effectué une commande en boucle ouverte selon les hypothèses de validation énoncées plus haut et on obtient en simulation les courbes dans un intervalle de fonctionnement [0 1] suivantes : Figure IV. 11 : Réponses en boucle ouverte de la commande des électrovannes sans gain 77 IV-4-2-2 Interprétations Après observation des courbes on constate deux signaux carrés caractéristique même de nos électrovannes TOR et en poussant les observations on a : - La courbe en noir qui représente la vanne 1 répond parfaitement au cas d’hypothèse N01, N03 et N05 en étant à 0 soit pas de passage du courant électrique donc il reste fermé ; la courbe en bleue représentant la vanne 2 répond parfaitement également au même cas d’hypothèse en étant à 1 soit le courant le courant électrique passe dans la bobine donc provoque son ouverture. - Dans les cas d’hypothèses N02 et N04 qui donne respectivement la décision « PASSABLE » et « EXCELLENTE », la courbe en noir passe à 1 donc la bobine de la vanne est alimentée donc provoque son ouverture tandis que la courbe en bleue de la vanne 2 passe à 0 donc la bobine n’est pas alimentée donc provoque sa fermeture. Donc les deux vannes ont un fonctionnement différent à chaque cas. Ainsi on peut valider les hypothèses émissent au départ pour les électrovannes IV.4.3. Réponses en boucle ouverte de la commande des électrovannes avec ajout du gain IV.4.2.1. Résultats de simulation Etant donné que dans un système réel et physique, les vannes auront un temps entre leur ouverture et fermeture, nous avons procéder à l’ajout d’un gain K= 1/100 aux sorties des signaux de commande pour simuler leur comportement réel. Mais ceci ne change en rien le fonctionnement même de ces derniers. Figure IV. 12 : Réponses en boucle ouverte de la commande des électrovannes avec gain K=1/100 78 IV-4-2-2 Interprétations Nous observons donc la formation d’une pente lors de l’ouverture et de la fermeture des différentes vannes ce qui démontre qu’il existe un léger temps entre l’ouverture et la fermeture des deux vannes. En conclusion, dans ce chapitre il était question de présenter les résultats obtenus de la simulation de notre système mis en œuvre sur Matlab/Simulink. On constate qu’on obtient des résultats répondant aux hypothèses de validation que nous avons énoncés en début de chapitre et ceci nous permet de valider notre mise en œuvre. 79 CONCLUSION GENERALE ET PERSPECTIVES Ce mémoire rédigé dans le cadre des travaux de fin d’étude à l’ENSET (Ecole Normale Supérieur de l’enseignement technique) de Douala, en vue de l’obtention du DIPET 2, nous a permis à acquérir d’avantage d’expérience dans le domaine de l’intelligence artificielle plus précisément celui de l’automatique et donc le thème de nos travaux est intitulé : modélisation et simulation d’un système intelligent de détection de la qualité de l’eau par logique floue assisté par smartphone. La mise en œuvre d’un tel système passe par l’utilisation de plusieurs méthodes et outils pour y parvenir. Nous avons utilisé comme technique de l’intelligence artificielle, la logique floue pour la conception de notre contrôleur en suivant un certain nombre d’étapes de façon général à savoir : la fuzzification qui a permis de transformer nos 4 variables d’entrée des capteurs Ph, turbidité, oxygène dissous et conductivité électrique et 3 variables de sorties en des variables floues linguistique possédant chacune une fonction d’appartenance; la base de connaissance ou l’on a défini un ensemble de règles basé sur les normes de la qualité de l’eau définit par l’OMS et on a obtenu 56 règles de fonctionnements ; ensuite l’utilisation d’un mécanisme d’inférence floue par la méthode des MAX-MIN ou encore méthode de Mamdani très adapté à l’apport humain et enfin l’étape de la défuzzification ou on a utilisé la méthode des centre de gravité de la surface pour transformer les variables floue en nos variable de sortie réels qui sont la décision sur la qualité de l’eau (QE), deux sortie de commande (VAN1 et VAN2) destiner à commander l’ouverture et la fermeture de 2 électrovannes de type TOR. Tout ceci a été faite dans l’environnement Matlab/Simulink grâce aux outils : toolbox fuzzy logic et GUIDE pour une plateforme de monitoring de notre système. Pour la mise en place de ce système on a été confronté à une absence des composants dans le marché locale d’où la nécessité de se pencher à l’international mais avec la crise sanitaire du COVID-19 nous avons a été obligé à se tourner vers la simple simulation virtuelle. Après simulation virtuelle, les résultats observés nous ont permis de conclure que le contrôleur flou répond efficacement et avec qualité aux attentes prévues par notre système. Il serait intéressant dans un futur de mettre en place un système intelligent hybride (système neuro-flou) de détection de la qualité d’eau pour mieux observer son efficacité et en vue de mieux indiquer d’informations relative aux paramètres indiquant la performance de notre contrôleur flou ( nombre de règles par seconde FLIPS ; le nombre de sortie par seconde ; le temps de réponse du système) on pourrait concevoir et synthétiser sous forme de IP core (intellectual property) notre propre contrôleur flou numérique pour le tester sur notre système. 80 REFERENCES BIBLIOGRAPHIQUES [1] Rachid SALGHI, « COUR CHIMIE DES EAUX », Ecole nationale des sources appliquées d’Agadir, pp3-6. [2] Figaro Santé. « Eau potable - Définition et généralités ». https://sante.lefigaro.fr/mieuxetre/environnement/eau-potable/definition-generalites. Consulté le 26 février 2020. [3] Centre d’Information sur l’eau. « L’eau potable : sa définition, ses origines, ses critères de potabilité et ses traitements ». https://www.cieau.com/espace-enseignants-etjeunes/les-enfants-et-si-on-en-apprenait-plus-sur-leau-du-robinet/la-definition-de-leaupotable/. Consulté le 3 mars 2020. [4] Wikiwater. « E26 - Analyse et qualité de l’eau.Principales normes et indicateurs de potabilité et de qualité de l’eau ». https://wikiwater.fr/e26-analyse-et-qualite-de-l-eau. Consulté le 27 février 2020. [5] World Health Organization, éd. Guidelines for drinking-water quality. 3rd ed. Geneva: World Health Organization, 2004. [6] Office International de l’eau. « physic_chimie_PresGen.pdf ». https://www.oieau.fr/ReFEA/fiches/AnalyseEau/Physico_chimie_PresGen.pdf . Consulté le 27 février 2020 à 11 :56 :16. [7] Office International de l’eau. « Enquete_bacterio_PresGen.pdf». https://www.oieau.fr/ReFEA/fiches/AnalyseEau/Enquete_bacterio_PresGen.pdf. Consulté le 27 février 2020 à 11 :51 :02. [9] DROUART Eric, VOUILLAMOZ Jean Michel, Alimentation en eau potable des populations menacées, Action contre la faim, Hermann éditeurs, 1999, Paris. [10] Andreas NEUMANN Docteur de l'Ecole Nationale des Ponts et Chaussées. Thèse Doctorale : INTRODUCTION D'OUTILS DE L'INTELLIGENCE ARTIFICIELLE DANS LA PRÉVISION DE PLUIE PAR RADAR – Soutenue le 23 Novembre 2007 [11] K.Kasabov. Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering. London, England : The MIT Press, 1998 [12] Dominique Pastre Chercheur à l’université de Paris 5 - livre L'INTELLIGENCE ARTIFICIELLE DEFINITION - HISTORIQUE - DOMAINES – Edition Fayard 2005, pp1. 81 [13] Konar Amit. Artificial Intelligence and Soft Computing Behavioral and Cognitive Modeling of the Human Brain. Calcutta, India : CRC Press, 2000 [14] REDCORE « Les avancées de l’intelligence artificielle – REDCORE S.A.S ». https://redcoresas.com/les-avancees-de-l-intelligence-artificielle/. Consulté le 14 mai 2020. [15] Yvon, François. « Une petite introduction au Traitement Automatique des Langues Naturelles », s. d., 24. [16] Frédérique LAB. « LA TRADUCTION AUTOMATIQUE », 165LE BULLETIN DE L’EPI N° 52, s. d., 6. [17] J.Giareatano et G.Riley. Expert_Systems_Principles_and_Programming. 2002. [18] Mohammed BOUZENITA. « Conception et implémentation d’un système expert hybride pour le diagnostic d’un système industriel ». Université El-Hadj Lakhdar, 2012.pp33 [19] Schadrac KANDE KANUMUAMBIDI Université de Notre Dame du Kasayi titre : Réalisation d'un système expert pour la thérapeutique et le diagnostic des maladies de la tuberculose- 2009. [20] Negrello, L. « Systèmes experts et intelligence artificielle », no CT 157 (novembre 1991).p7 [21] Abderrahin, Danine. « Système expert comme outil de dépistage et de diagnostic : une étude autour du concept de soustraction au niveau primaire ». Université Laval, 1997.p20. [22] James L. Crowley Conception de systèmes intelligents : Programmation des Systèmes Experts 2001-2002 [23] François Lévy Représentation des connaissances et logique modale MICR Institut Galilée - 5 mars 2006 [24] LES RESEAUX DE NEURONES ARTIFICIELS INTRODUCTION AU CONNEXIONNISME COURS, EXERCICES ET TRAVAUX PRATIQUES - Claude TOUZET Juillet 1992. [25] Introduction aux objets - ISIMA ECOLE DOCTORALE SCIENCES FONDAMENTALES –Université de Genève- 1999 [26] SUPINFO « Chapitre 05 - Système Expert | SUPINFO, École Supérieure d’Informatique », https://www.supinfo.com/cours/3AIT/chapitres/05-systeme-expert. Consulté le 20 février 2020. 82 [27] DAOUDI, Tarik. « Conception et réalisation d’un Système Expert d’aide au diagnostic de pannes d’un Micro-ordinateur (Système COMBREDES) ». Université Abderrahmane Mira-Bejaïa, 2012. [28] Albéric Martel - Romain Bouleis Université de Savoie. MPI-2 les systèmes experts 2007 [29] Pappu, Soundarya, et Prathyusha Vudatha. « Intelligent IoT Based Water Quality Monitoring System » 12, no 16 (2017): 8. [30] Université de MONCTON « AG.pdf » .www8.umoncton.ca/umcm- cormier_gabriel/SystemesIntelligents/AG.pdf. Consulter le 27/02/2020 à 11 :13 :01. [31] Cindy, MELFORT. « « SIMSERV » un système expert d’aide à la sélection de plantes de service pour différents contextes agro-écologiques et socio-économiques ». INRAFRANCE, Institut National de la recherche Agronomique, 3 septembre 2010, 71. [32] ALI IDRI. « UN MODELE INTELLIGENT D’ESTIMATION DES COUTS DE DEVELOPPEMENT DE LOGICIELS ». Université du Québec à Montréal, septembre 2003. [33] Persée « La “logique floue” : un outil pour appréhender pratiquement la similarité, les préférences, et l’incertitude dans les systèmes d’inférence - Persée ». https://www.persee.fr/doc/quad_0987-1381_1995_num_25_1_1112. Consulté le 6 juin 2020. [34] TAHAR LAAMAYAD. « INTELLIGENCE ARTIFICIELLE ». Université KASDI Merbah, 2015/2016 p 31. [35] KHODJA DJALAL EDDINE. « Elaboration D’un Système Intelligent De Surveillance Et De Diagnostic Automatique En Temps Réel Des Défaillances Des Moteurs A Induction », thèse de doctorat, Université M’Hamed Bougara de Bourmerdès, soutenue le 19 avril 2007. [36] K. H. BOUCHAREB MOUSSA, “Commandes hybrides de la machine asynchrone à double alimentation destinée aux systèmes de conversion d ’ énergie éolienne Remercîments,” Université Djilali liabes de Sidi-Bel-Abbès, 2019. [37] S. Elkosantini, “Introduction à la logique floue:,” pp. 10–11, 1968. [38] I. Truck, “Logique Floue,” pp. 1–45. [39] G. Kamingu, “Théorie des ensembles flous,” no. January 2016, 2017, doi: 83 10.13140/RG.2.2.31700.81286. [40] Mohamed Assaad HAMIDA, “Introduction à la commande par logique floue,” 1965. [41] BEKAKRA YOUCEF « Etude et Commande du Moteur Asynchrone à Double Alimentation (MADA) par Différentes Techniques Avancées » Mémoire de Magister En Electrotechnique, Centre Universitaire d’El-oued, 14 / 06 / 2010. [42] Samir MERADI, “Estimation des paramètres et des états de la machine asynchrone en vue du diagnostic des défauts rotoriques,” 2007. [43] Sidi-bel-abbes, “Commande de la machine asynchrone à double alimentation – apport des techniques de l ’ intelligence artificielle,” Universite Djillali Liabes D E, 2018. [44] Victor Hugo Grisales Palacio, “Modélisation et commande floues de type Takagi-Sugeno appliquées à un bioprocédé de traitement des eaux usées,” Université Paul Sabatier Toulouse III, Université de los Andes, Colombie, 2007. [45] Franck Dernoncourt, “Introduction à la logique floue,” Tech. l’Ingénieur, no. August 2011. [46] B. ISMAHAN, “Optimisation d’une Base de Règles Floues : Application à la commande d‟un drone.,” UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D’ORAN MOHAMED BOUDIAF, 2011. [47] Lotfi BAGHLI, “Contribution à la commande de la machine asynchrone , utilisation de la logique floue , des réseaux de neurones et des algorithmes génétiques,” Université Henri Poincaré, Nancy-I, 1999. [48] P. SEVERIN, “L ’ ANALYSE FONCTIONNELLE , DE LA METHODE AUX OUTILS …,” Lycée des métiers de l’hôtellerie et du tourisme de Toulouse. [49] “ETUDE DES SYSTEMES TECHNIQUE.” [Online]. Available: https://www.coursexamens.org/images/An_2015_1/Etudes_superieures/Qualite/UTC/etude_des_systemes .pdf.consulté le 22/06/2020 à 11:20 [50] Mathworks « MATLAB - Math Works ». [En ligne]. Disponible sur: https://www.mathworks.com/products/matlab.html. [Consulté le: 20-janv-2019]. [51] Pr MBIHI Jean, “Programmation IHMM Virtuelles Matlab,” 2020. 84 [52] DFrobot «DFROBOT». [En ligne]. Disponible sur: https://www.dfrobot.com/product-1025.html [Consulté le: 27-juill-2020]. [53] Trossen Robotics « Arduino Uno R3 Microcontroller ». [En ligne]. Disponible sur: https://www.trossenrobotics.com/p/arduino-uno.aspx. [Consulté le: 02-fev-2020]. [54] NAYLAMP MECHATRONICS « WeMos D1 mini ESP8266 ».[En ligne]. Disponible sur: https://naylampmechatronics.com/inalambrico/291-wemos-d1-mini-esp8266.html. [Consulté le: 02-janv-2019]. [55] MULTIPOWER « proteus IOT Builder pour arduino ». [En ligne]. Disponible sur: https://www.multipower.fr/cao-proteus/iot-builder-pour-arduino/. [Consulté le: 04Janv-2019] 85 ANNEXES ANNEXE 1 : Paramètres physico-chimiques de l’eau destiné à la consomation humaine [5]. Paramètres pH (concentration en ions hydrogène) Références de qualités ≥ 6,5 et ≤ 8,5 Unités Unités pH 0,5 Turbidité NTU 2 Oxygène dissous > 70 % Conductivité électrique ≥ 200 et ≤ 1 100 µS/cm à 25 oC Descriptions Les eaux ne doivent pas être agressives. Applicable au point de mise en distribution. Appliqué aux robinets normalement utilisés pour la consommation humaine Les eaux ne doivent pas être corrosives ANNEXE 2 : Tableau 2.1 : Grille d’interprétation de l’analyse d’eau en surface destinée à la consommation humaine [9] 86 Cette grille issue de la norme française, doit être interprétée en fonction du contexte d’intervention et complétée par les indices mentionnés dans le tableau 2.1. Tableau 2.2 : Indicateurs chimiques de la qualité des eaux de surface ANNEXE 3 : Bloc capteurs sur Matlab/Simulink. ANNEXE 4 : bloc décision sur Matlab/Simulink. ANNEXE 5 : Bloc des deux électrovannes sur Matlab/Simulink. 87