Comparaison et développement de méthodes avancées de détection de défauts sur des câbles coaxiaux - TEL - Thèses en ligne Access content directly
Theses Year : 2019

Comparaison et développement de méthodes avancées de détection de défauts sur des câbles coaxiaux

Comparison and development of advanced wiring fault detection methods on coaxial cables

Ihssane Bzikha
  • Function : Author

Abstract

In this thesis, we present new approaches of soft fault detection and location in simple andcomplex wire networks. The idea is to find a new approach to overcome the difficulties withstandard reflectometry techniques. We prove that before applying post-treatment methods,denoising techniques should be applied, such as empirical mode decomposition (EMD), localmean decomposition (LMD), or the discrete wavelet transform (DWT). These three methodsdecompose a signal into multiple levels to threshold them before signal reconstruction.Testing several applications shows that EMD is the most efficient method, although it hassome limitations as side effects. After the denoising step, the wiring faults can be detected.Time–frequency analysis is employed at this step. This approach, based on the FourierTransform, is able to detect wiring faults only if the noise level is low. To overcome thisdifficulty, the Bayesian approach is beneficial when system complexity increases. Its responseis based on estimation of prior parameters and prior distributions. In this work, the Bayesianapproach is applied via a formal mathematical study followed by simulation results validatingthe proposed approach, with analysis of the parameters that affect the method’s performance.In the domain of soft fault location, we derive a chaos time domain reflectometry approachbased on chaotic signal properties. Our simulation and experimental results prove that thismethod can synthesize signals and localize the soft fault position without the need forsupplemental methods.
Dans cette thèse, nous présentons de nouvelles approches pour la détection de défauts sur des structures filaires plus ou moins complexes. L’idée est de trouver une nouvelle approche pour surmonter les difficultés des techniques de réflectométrie standards. Tout d’abord, des techniques de débruitage doivent être appliquées, telles que la décomposition en mode empirique (EMD), la décomposition moyenne locale (LMD), ou la transformée des ondelettes discrète (DWT). Ces trois méthodes décomposent un signal en plusieurs niveaux de reconstruire un signal utile. On montre dans ce manuscrit que l’EMD est la méthode la plus efficace, bien que limitée par les effets de bords. Ensuite, l’analyse temps fréquence est utilisée afin de détecter et localiser les défauts sur le câblage. Cette approche, basée sur la transformation de Fourier, ne permet de détecter les défauts de câblage que si le niveau de bruit est faible d’où l’intérêt de la première étape de débruitage. Par ailleurs, on propose aussi une approche bayésienne utile notamment lorsque la complexité du système augmente. Sa réponse est basée sur l’estimation des paramètres et des distributions à priori. Dans ce manuscrit, l’approche bayésienne est décrite mathématiquement puis les résultats validant l’approche sont présentés en analysant en particulier les paramètres qui affectent la performance de la méthode. Enfin, nous utilisons une approche de la réflectométrie chaotique temporelle basée sur les propriétés du signal chaotique. Les résultats montrent que cette méthode est capable de synthétiser des signaux et de localiser les défauts de câblage sans prétraitement ou informations a priori.
Fichier principal
Vignette du fichier
2019LIMO0119.pdf (137.15 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-02514852 , version 1 (23-03-2020)

Identifiers

  • HAL Id : tel-02514852 , version 1

Cite

Ihssane Bzikha. Comparaison et développement de méthodes avancées de détection de défauts sur des câbles coaxiaux. Signal and Image processing. Université de Limoges, 2019. English. ⟨NNT : 2019LIMO0119⟩. ⟨tel-02514852⟩
100 View
47 Download

Share

Gmail Facebook X LinkedIn More