Dans ce chapitre, un nouveau schéma d’estimation à horizon glissant a été proposé. Il vise soit à résoudre complètement le problème d’estimation d’états/paramètres d’un système non linéaire soit réduire partiellement la charge de calcul invoquée lors de la résolution du problème classique des MHE. L’approche générale est basée sur l’utilisation d’une technique récemment développée, appelée signatures graphiques. L’idée de base est de dériver hors ligne une expression explicite qui donne une partie du vecteur d’inconnus en fonction de l’autre partie (dans le cas d’observateur réduit). Les concepts ont été validés par plusieurs exemples illustratifs et concrets pour montrer l’efficacité du schéma proposé.
Le cadre du travail proposé a conduit à une conception d’un observateur (complet ou réduit selon le cas), qui est dédié à la reconstruction (d’une partie ou la totalité) des états non mesurés. Les contraintes de saturation (les contraintes de positivité dans beaucoup de cas) peuvent être traitées par la définition de l’ensemble d’apprentissage utilisé pour dériver les nuages de signatures.
Il semble toutefois évident que la méthode proposée est spécialement dédiée aux sys-tèmes potentiellement très non linéaires, seulement les dimensions modérées du vecteur d’état peuvent être adressées. En cas de succès, la solution proposée correspond à une complexité de calculs extrêmement réduite. Les travaux courants ont pour but
d’auto-matiser la détermination du paramètre N de la signature appropriée et le choix de la
propriété associée r pour chaque sous-problème.
De plus il faut noter que l’utilisation de l’outil des signatures graphiques permet de discriminer d’une façon précise une partie de l’état. En effet pour d’autres techniques d’observation tel que observateur de Luenberger, si la matrice d’observabilité est mal conditionnée, cela va se rejaillir sur l’estimation de tout l’ensemble des variables. Pour-tant, lors de l’utilisation des signatures graphiques, il est possible d’estimer une partie de l’état. A titre d’exemple, pour l’exemple 1 de la section 4.6, il est bien clair comment l’étatx2 est plus sensible au bruit alors que l’estimation dex1 est très précise (voir figure 4.17). De même l’exemple donné dans la section 4.7, l’estimation de S est plus affectée par le bruit que celle de P (voir figure 4.30). En effet, pour des cas des systèmes avec un nombre élevé d’états, il s’avère possible que la signature puisse trouver une partie de l’état ce qui pourra être intéressant dans des problèmes de supervision et de commande. Ainsi, il est possible d’envisager la signature comme outil lors des systèmes à grand nombre d’états.
Comme autre application dans ce manuscrit, le problème de diagnostic de défauts d’un benchmark d’éoliennes est adressé. En effet, l’idée de base de la signature graphique comme étant un outil de diagnostic initialement présenté dans [Youssef & Alamir, 2003; Youssef & Alamir, 2005] a mené à considérer cet exemple comme une cible dans ce travail.
Pourtant, étant donné que la technique des signatures graphiques n’est pas un but en soi même, et compte tenu de la structure des différents sous systèmes de ce benchmark, une autre technique d’inversion à horizon glissant est développée. Après une brève étude de l’état de l’art sur les techniques de diagnostic donnée dans le chapitre 5, et une description des éoliennes donnée dans le chapitre 6, cette application sera présentée dans le chapitre 7.
État de l’art sur le diagnostic
Ce chapitre a pour objectif de donner une brève revue bibliographique sur les dif-férentes approches de diagnostic et de surveillance des systèmes industriels. A ce titre, après une introduction et un rappel sur quelques définitions et notions de base, les dif-férentes approches sont abordées.
5.1 Introduction
En raison d’une modernisation incessante des outils de production, les systèmes in-dustriels deviennent de plus en plus complexes et sophistiqués. En parallèle, la fiabilité, disponibilité et sûreté de fonctionnement sont devenues de véritables enjeux pour les entreprises actuelles. Le but est d’assurer une compétitivité optimale de l’outil de pro-duction dans un contexte international très concurrentiel. C’est ainsi que la détection et l’identification des pannes dans les systèmes dynamiques, c’est-à-dire leur diagnostic, est devenu un sujet important de recherche, dès le début de l’automatique moderne basée sur le calcul numérique.
En surveillant le fonctionnement des équipements industriels, il est possible de prévenir un dysfonctionnement avant qu’il n’arrive, et d’éviter le ralentissement ou l’arrêt de pro-duction. En plus, la surveillance industrielle permet de réduire le coût de la maintenance des différents équipements. Autre que les considérations purement économiques, il s’agit souvent, dans beaucoup d’applications, d’assurer la sécurité des personnes et de préser-ver leur environnement. C’est notamment le cas pour beaucoup d’applications liées aux domaines de l’énergie, de l’eau, de l’air et des transports.
De nombreuses approches ont été développées en vue de la détection de défaillances et du diagnostic. Cette diversité des approches est le résultat de contextes différents liés aux applications visées et aux caractéristiques propres du cahier des charges qui en résulte.
Les méthodes de surveillance et de diagnostic peuvent être classées en deux grandes familles : les méthodes internes de diagnostic et les méthodes externes de diagnostic. Ce chapitre est organisé de la façon suivante. Les notions et concepts fondamentaux uti-lisés en diagnostic sont rappelés dans la section 5.2. La section 5.3 rappelle les méthodes de diagnostic internes. Les approches externes sont rappelées dans la section 5.4. Ce chapitre se termine par une conclusion.