Conclusions générales et perspectives

1. Conclusions ... 133 2. Perspectives ... 135

6.1. Conclusions

L’estimation des grandeurs internes des systèmes non linéaires devient nécessaire dans les cas où les seules grandeurs accessibles sont les entrées et les sorties du système, les machines électriques sont un exemple typique. Le but global est de concevoir des estimateurs des grandeurs internes pour les machines électriques, dans le cadre d’une technique appliquée visant à augmenter les performances dynamiques et la robustesse des actionneurs électriques.

Le premier chapitre est consacré pour donner des généralités sur les machines électriques où les différentes pertes sont présentées, les services de fonctionnement des machines électrique sont brièvement décrit, les problématiques liées aux mesures de la température sont discutés.

Dans le deuxième chapitre on a présenté un état de l’art sur les méthodes de modélisation thermique des machines et on a vue quelle peut être classé par deux types numérique et analytique. Il a été montré dans ce travail que les approches d’estimation de la température d’une MAS peut être classifie par deux approches à base du modèle thermique ou à base des paramètres de la machine.

Les outilles utiliser pour l’estimation des paramètres ou pour l’estimation des variables d’état soit pour la MAS ou MCC sont présenté dans le troisième chapitre. Dans la première partie de ce chapitre on donne une classification des observateurs d’état, le principe du FK et on terminera cette première partie par les équations et étapes du FKE. Tandis que la deuxième partie focus sur les RNA de point de vue principe, types, apprentissage et topologie. Plusieurs algorithmes de réseau neuronal (NN) ont été rapportés dans la littérature. Ils comprennent diverses représentations et architectures et conviennent donc à différentes applications.

L’une des contributions principales de notre travail de recherche est présentée dans le chapitre 4, réside dans l’utilisation des RNA de type CFNN pour l’estimation simultané des états et paramètres d’une MCC, où on a utilisé trois algorithmes d’apprentissage à rétropropagation du gradient. Le premier est à base de la rétropropagation de la régularisation bayésienne (BBP), le second est à base de Quasi-Newton (BFGS BP) et le troisième est à base de rétropropagation résiliente (RBP).

134

Dans la présente étude, pour chaque algorithme d’apprentissage les résultats de simulations sont comparés au résultats des études antérieurs. Ensuite, les trois algorithmes d’apprentissage sont comparés en fonction du temps requis pour se converger pour chaque algorithme par rapport à l’erreur quadratique moyenne (MSE) supposé. En général, lorsqu’un MSE est réduit, tous les algorithmes ont besoin plus de temps pour se converger à un MSE supposé. Pour des petits MSE le RBP il est le plus rapide et il nécessite un minimum de temps pour se converger par rapport aux autres algorithmes, mais pour un MSE plus grand les deux algorithmes RBP et BFGSBP nécessite un temps de convergence très proche, le BR est le plus gourmand mais il donne une minime erreur entre sa sortie et la sortie désirée.

Le model thermique de la MAS a été validé par simulation dans le chapitre cinq où on a simulé plusieurs services de fonctionnement. Une conception et application d’un observateur stochastique de Kalman (FK) pour les systèmes linéaires a été donnée dans le chapitre trois, le FK tient en compte des bruits de mesure et d’états. Cette technique a été ensuite étendue aux systèmes non linéaires est appliqué pour la MAS comme elle est donnée dans chapitre cinq, à savoir l’estimation simultanément des états et des paramètres pour le service type S1. Ensuite, le FKE a été utilisé pour la surveillance thermique des bobinage statorique et rotorique afin d’éviter que la température moyenne des bobinages attient la température limites des classes des isolants.

Une deuxième technique a été également appliquée dans le chapitre 5. Cette dernière repose sur l’utilisation de RNA du types CFNN à base de BRBP, c’est une autre contribution dans notre travail où la contribution principale se situe dans la construction de nouvelles estimateur pour cette application.

Les résultats obtenus reflètent la validité des estimateurs à base du FKE et du RNA pour réaliser le meilleur compromis (performance/ robustesse), FKE et comme étant un meilleur estimateur dans le domaine stochastique.

135 6.2. Perspectives

Le présent travail de recherche est non exhaustif. Il nous paraît à la fois intéressant et envisageable à moyen terme de continuer de futurs travaux selon les perspectives suivantes :

 Nous trouvons très intéressant que le présent travail sera reproduit par d’autres techniques intelligentes (RNF, les algorithmes génétiques)

 Optimisation du RNA de point de vue nombre de couches, nombre de neurones par les méthodes d’optimisation (AG, PSO...)

 Appliquer l’estimateur neuronal pour d’autres services de fonctionnement, charge variable.  Réaliser des études numériques en utilisant les méthodes de types CFD pour avoir une

meilleure compréhension de ces phénomènes thermiques.

 Utiliser cette approche de l’estimation de la température sans capteur à base de RNA pour la surveillance thermique et/ou pour détecter le vieillissement des isolants.

 Elargir cette étude pour d'autres paramètres tels que les inductances et/ou d'autres variables d'état tels que les courants rotoriques, le couple, les flux.

 Ne pas faire des hypothèses sur la dissipation thermique mais on prend les équations thermodynamiques.

136

Annexe A

A.1 Fusible de protection de la MAS contre les surcharges thermiques

Structure d'un fusible temporisé à deux éléments à partir d'une référence A.2 Courbes de limite thermique

137

Annexe B

Vitesse maximale 4000 tours / minute

ke 0,9348 V/rad/s

Constante de temps mécanique 4.6s.

B.2 Paramètres de la MAS

paramètres valeur

-Tension nominale Va 240 V

- Puissance nominale P 3 kW

- Couple nominal Tl 11 Nm

- courant nominal 6,5A

- Fréquence 50Hz - Résistance d'induit R1 2.42Ω - Résistance d'induit R2 2.05Ω - Inductance L1 0.237H - Inductance L2 0.237H - Inductance Lm 0.23H

- Vitesse nominale 1420 tours / minute

138

Annexe C