Observation et diagnostic de processus industriels à modèle non linéaire : applications aux machines électriques

Observation and diagnosis of industrial processes with nonlinear model

• Auteur / Autrice : Aya Mahamoud Mohamed
• Direction : Alain Glumineau
• Type : Thèse de doctorat
• Discipline(s) : Automatique et informatique appliquée
• Date : Soutenance en 2010
• Etablissement(s) : Ecole centrale de Nantes
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur, Géosciences, Architecture (Nantes), École doctorale Sciences et technologies de l'information et mathématiques (Nantes)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en communications et cybernétique (Nantes) (1958-2017)

Mots clés

Mots clés contrôlés

Machines électriques

Systèmes non linéaires

Mots clés libres

Observateurs non linéaires

Résumé

Cette thèse porte sur la définition d’une stratégierobuste pour le diagnostic des processus industriels à modèle non linéaire. La stratégie définie repose sur l’utilisation d’observateurs non linéaires non seulement pour le diagnostic maisaussi pour la commande de ces systèmes. L’objectif est triple. L’observateur synthétisé devra reconstruire les variables d’état, être sensible aux défauts pour le diagnostic tout en étant robuste aux perturbations et autres incertitudes paramétriques pour la commande. Deux observateurs ont été étudiés à cet effet. Le premier observateur est un observateur de type Kalman. Cet observateur a été appliqué au diagnostic de défauts multiplicatifs pour un moteur à courant continu série. La stabilité de l’observateur pour la commande et le diagnostic a été prouvée pour deux cas de défauts paramètres multiplicatifs. Le second observateur étudié est un observateur Grand Gain. Il a été appliqué au diagnostic de défauts de courts-circuits statoriques pour une machine asynchrone. L’observateur Grand Gain synthétisé a servi au diagnostic de la machineasynchrone avec puis sans capteur mécanique.

This thesis focuses on the definition of a robust strategy for the diagnosis of industrial processes with nonlinear model. The defined strategy is basedon the use of nonlinear observers not only for diagnosis but also for control of these systems. The aim is threefold. The synthesized observer willreconstruct the state variables, will be sensitive to faults for diagnosis purpose while being robust to disturbances and parametric uncertainties for control purpose. Two observers were studied for this matter. The first observer is a Kalman-like observer. This observer has been applied to detect multiplicative faults for a DC motor series. The stability of the observer for the control and the diagnosis has been proven for two cases of parameters faults. The second observer is a High Gain observer. It hasbeen applied to stator short-circuits fault diagnosis for induction machines. The High Gain observer is used for the diagnosis of induction machine, with and without mechanical sensor. The performance of fault detection algorithms for induction motor has been evaluated on a specific benchmark “Observer for the Diagnosis” defined by the working group Inter GDR CE2. This benchmark is located at IRCCyN.