Aide à la décision pour le diagnostic des défauts pour une maintenance proactive dans un générateur photovoltaïque

Decision support for fault diagnosis for proactive maintenance in a photovoltaic generator

• Auteur / Autrice : Wendpuire Ousmane Compaore
• Direction : Ghaleb Hoblos, Zacharie Koalaga
• Type : Thèse de doctorat
• Discipline(s) : Automatique, signal, productique, robotique
• Date : Soutenance le 19/12/2023
• Etablissement(s) : Normandie en cotutelle avec Université Joseph Ki-Zerbo (Ouagadougou, Burkina Faso)
• Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
• Partenaire(s) de recherche : Etablissement d'accueil : Université Joseph Ki-Zerbo (Ouagadougou, Burkina Faso)
• Partenaire(s) de recherche : établissement co-accrédité : Université de Rouen Normandie (1966-....) - Ecole supérieure d'ingénieurs en génie électrique (Rouen)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en systèmes électroniques embarqués (Saint-Étienne-du-Rouvray, Seine-Maritime ; 2001-...)
• Jury : Président / Présidente : François Zougmoré
• Jury : Examinateurs / Examinatrices : Zacharie Koalaga, Maan El Badaoui El Najjar
• Jury : Rapporteurs / Rapporteuses : Mohand Arab Djeziri, Mihaela Barreau

Mots clés

Mots clés contrôlés

Temps réel (informatique)

Internet des objets

Réseaux neuronaux (informatique)

Redondance (ingénierie)

Fiabilité

Systèmes électroniques

Capteurs (technologie)

Diagnostic qualité

Générateurs photovoltaïques

Mots clés libres

Générateur photovoltaïque

Diagnostic

Défaut capteur

Défaut système

Relations de redondance analytique

Espace de parité

Somme dynamique cumulée

Réseau de neurones artificiels

Temps réel

Internet industriel des objets

Photovoltaic generator

Diagnosis

Sensor fault

System fault

Analytical redundancy relations

Parity space

Dynamic cumulative sum

Artificial neural network

Real time

Industrial Internet of Things

Résumé

La perte de puissance d'un générateur photovoltaïque (GPV) est sans conteste due à l'apparition d'un certain nombre d'anomalies liées à la fabrication, à la production ou à l'environnement, engendrant des défaillances dans son bon fonctionnement. A partir d'un modèle réaliste, assez proche du fonctionnement réel et capable de prendre en compte l'effet d'avalanche d'une jonction PN transmise à l'ensemble du GPV, nous avons montré à suffisance, la perte de performances d'un générateur PV et la nécessité d'avoir une méthode de diagnostic pour l'aide à la maintenance afin de ne pas subir les effets des défauts.Deux méthodes de diagnostic ont été appliquées à ce GPV, l'une portant sur la détection et la localisation des défauts capteurs, et l'autre sur la détection et la localisation des défauts systèmes. Le choix particulier de ces deux techniques de diagnostic, qui ne ciblent pas les mêmes types de défauts, réside dans la nature complexe du modèle du processus industriel soumis à l'étude. Les performances obtenues avec la méthode des relations de redondance analytique (RRA) basée sur le principe de l'espace de parité appliqué au point de fonctionnement maximal, sont très pertinentes. Par la méthode de l'intelligence artificielle (IA) basée sur le principe des réseaux de neurones artificiels (RNA), nous avons expérimenté deux méthodes de classification pour la détection et le diagnostic des défauts systèmes. Si la détectabilité est prouvée avec nos différentes configurations sans possibilité de situer l'origine et la cause dans la première partie de la classification, nous arrivons grâce à un faisceau d'indices à situer l'origine ou la cause grâce à la classification pour le diagnostic.La réalisation de deux prototypes d'acquisition temps réel est faite sur le principe de l'Internet industriel des objets (IIoT). Le premier permet uniquement l'acquisition et la sauvegarde des données sur une carte SD. Le second prototype plus évolué, permet la transmission en temps réel par Wifi à un serveur web et vise la réalisation à long terme d'une plateforme de surveillance en temps réel. Les deux prototypes produisent des données qui sont utilisées pour alimenter les deux méthodes de diagnostic. Les résultats obtenus avec des données réelles sont compatibles avec ceux obtenus en phase de simulation. Les conclusions de ce diagnostic permettront une meilleure efficacité dans les opérations de maintenance proactive.

The loss of power of a photovoltaic generator (PVG) is undoubtedly due to the appearance of a certain number of anomalies linked to manufacturing, production or the environment and causing failures in its proper functioning. From a realistic model, quite close to real operation and able to take into account the avalanche effect of a PN junction transmitted to the entire PVG, we have sufficiently shown the loss of performance of a PV generator and the need to have a diagnostic method for maintenance assistance in order not to suffer the effects of faults.Two diagnostic methods were applied to this PVG, one relating to the detection and localization of sensor faults, and the other to the detection and localization of system faults. The particular choice of these two diagnostic techniques, which do not target the same types of faults, lies in the complex nature of the model of the industrial process subjected to study. The performances obtained with the analytical redundancy relations (ARR), method based on the principle of parity space applied to the maximum operating point are very relevant. Using the artificial intelligence (AI), method based on the principle of artificial neural networks (ANN), we experimented with two classification methods for the detection and diagnosis of system faults. If detectability is proven with our different configurations without the possibility of locating the origin and the cause in the first part of the classification, we arrive thanks to a bundle of clues to locate the origin or the cause thanks to the classification for the diagnostic.The production of two real-time acquisition prototypes is based on the principle of the Industrial Internet of Things (IIoT). The first only allows the acquisition and saving of data on an SD card. The second, and more advanced prototype, allows real-time transmission via WiFi to a web server and aims to create a real-time monitoring platform in the long term. Both prototypes produce data that is used to power both diagnostic methods. The results obtained with real data are compatible with those obtained in the simulation phase. The conclusions of this diagnosis will enable greater efficiency in proactive maintenance operations.