Thèse soutenue

Identification pour la commande robuste et la détection robuste de défauts

FR  |  
EN
Auteur / Autrice : Fabrice Lapeyre
Direction : Michel Monsion
Type : Thèse de doctorat
Discipline(s) : Automatique
Date : Soutenance en 1997
Etablissement(s) : Bordeaux 1

Mots clés

FR

Mots clés contrôlés

Résumé

FR

Le travail presente dans cette these concerne la mise en oeuvre de methodologies d'identification pour la synthese de lois de commande robuste et pour la detection robuste de defauts. Une analyse critique des methodes d'identification robuste existantes met en evidence leurs limitations. Une methodologie complete d'identification pour la commande robuste a partir des seules donnees entree-sortie est proposee. L'ensemble des modeles possibles du procede est estime a partir d'hypotheses certaines (non probabilistes) sur l'influence des perturbations. La methodologie presentee est bien adaptee pour extraire les incertitudes de modele, utilisables aussi bien en synthese qu'en analyse h# et, par extension, en -analyse et -synthese. De plus, le modele nominal est calcule de facon a avoir un bon modele dans les zones de frequences imposees par les objectifs de commande. Les modeles identifies sont egalement bien adaptes a la detection robuste de defauts par redondance analytique avec usage de seuils adaptatifs. Les qualites de la detection de defauts sont etudiees dans le cas realiste ou le procede fonctionne en boucle fermee. Il apparait que l'action du correcteur compromet la detectabilite et l'isolabilite des defauts. Une methode de detection qui s'appuie sur l'identification de factorisations copremieres du modele du procede est alors proposee. La qualite de ces estimations jointe a l'utilisation du test de decision robuste rc2, conduit a un tres faible taux de fausses alarmes et a une grande robustesse vis-a-vis des entrees inconnues, ainsi qu'a un faible retard a la detection. Cette approche conduit a un relachement du compromis retard a la detection - surete de la detection. Elle peut etre facilement implantee en ligne.