CORRECTION1

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 xX 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
µAB ( 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] :
µAB ( 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