Cοntributiοn au diagnοstic de défauts capteurs dans une chaine de cοnversiοn électrique. Applicatiοn sur les véhicules électriques.

Contribution to sensor fault diagnosis in an electrical conversion chain application to electric vehicles

• Auteur / Autrice : Youssef Ajra
• Direction : Ghaleb Hoblos, Nazih Moubayed
• Type : Thèse de doctorat
• Discipline(s) : Automatique, signal, productique, robotique
• Date : Soutenance le 25/09/2025
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en systèmes électroniques embarqués (Saint-Étienne-du-Rouvray, Seine-Maritime ; 2001-...)
• Partenaire(s) de recherche : Établissement co-accrédité : Université de Rouen Normandie (1966-....)
• Partenaire(s) de recherche : établissement co-accrédité : Ecole supérieure d'ingénieurs en génie électrique (Rouen)
• Jury : Président / Présidente : Demba Diallo
• Jury : Examinateurs / Examinatrices : Ghaleb Hoblos, Nazih Moubayed, Demba Diallo, Corinne Alonso, Moussa Boukhnifer, Mohamed Tarnini
• Jury : Rapporteurs / Rapporteuses : Corinne Alonso, Moussa Boukhnifer

Mots clés

Mots clés contrôlés

Inégalités matricielles linéaires

Filtrage de Kalman

Commande robuste

Véhicules électriques

Automobiles -- Défauts

Véhicules automobiles -- Capteurs

Capteurs (technologie)

Mots clés libres

Diagnostic de défauts

Défauts capteurs

Véhicules électriques

Observateurs robustes

Banque de filtres de Kalman

Découplage des perturbations

Conception optimale des résidus

Inégalités matricielles linéaires

Filtre LCL

Chaîne de conversion

Fault diagnosis

Sensor faults

Electric vehicles

Robust observers

Kalman filter bank

Disturbance decoupling

Optimal residual design

Linear matrix inequality

LCL filter

Conversion chain

Résumé

Mes recherches doctorales portent sur le diagnostic robuste des défauts capteurs dans la chaîne de conversion des véhicules électriques (VE).L’objectif de ce travail est d’améliorer la fiabilité et la sécurité des systèmes de VE en détectant et en isolant les défauts capteurs à l’aide de techniques à base de modèles. L’étude cible spécifiquement la chaîne de conversion composée d’un onduleur de tension (VSI), d’un filtre LCL et d’un moteur électrique, surveillés par six capteurs de tension et de courant placés stratégiquement, conformément aux pratiques industrielles standards.La thèse est structurée en quatre chapitres :Chapitre 1 présente une revue de littérature complète sur les techniques de diagnostic de défauts basées sur les modèles, avec un accent particulier sur la comparaison entre les méthodes d’estimation d’état et d’estimation de paramètres. Différentes approches basées sur des observateurs et filtres de Kalman sont analysées de manière critique. Une revue des diverses topologies des sous-systèmes de la chaîne de conversion, à savoir le convertisseur DC-DC et l’onduleur DC-AC, est également incluse.Chapitre 2 traite de la conception des paramètres de la chaîne de conversion en fonction de la puissance choisie pour l’ensemble des sous-systèmes. Il couvre également la modélisation en espace d’état de la chaîne de conversion du VE, à l’aide d’un modèle mathématique détaillé développé pour capturer la dynamique du convertisseur DC-DC (type Ćuk), de l’onduleur triphasé (type VSI) et du filtre LCL, qui sert de base au cadre de diagnostic des défauts.Chapitre 3 propose une approche de diagnostic et d’isolement des défauts en utilisant une banque de filtres de Kalman. Ce chapitre inclut aussi une analyse comparative entre les configurations en boucle ouverte et en boucle fermée, démontrant que la conception en boucle fermée offre de meilleures performances de diagnostic. La détection de défauts est évaluée à l’aide de courbes ROC, ainsi que d’indicateurs de performance tels que la précision, la spécificité, la sensibilité, le taux de faux positifs (FPR), le taux de faux négatifs (FNR) et l’aire sous la courbe ROC (AUC). Ce chapitre examine également la robustesse du système de détection face aux incertitudes de modélisation. Les résultats révèlent l’apparition de fausses alarmes en l’absence de défauts capteurs, mettant en évidence les limites de l’approche classique. De plus, l’approche est testée sous des scénarios de défauts simples, doubles, triples et quadruples capteurs, en exploitant l’observabilité du système même en configuration réduite de capteurs.Chapitre 4 répond à ces limites en introduisant une conception d’observateur robuste afin d’améliorer le diagnostic de défauts en présence d’incertitudes du système. La banque de filtres de Kalman initiale est modifiée pour intégrer des observateurs à découplage optimal des perturbations (ODDOs), permettant la génération de résidus robustes. Une comparaison approfondie entre la méthode classique basée sur les filtres de Kalman et l’approche robuste proposée est menée sur l’ensemble des scénarios de défauts, en utilisant les mêmes indicateurs de performance diagnostique. Les résultats confirment que l’observateur robuste surpasse largement la méthode classique, en particulier dans des environnements incertains et en présence de multiples défauts capteurs simultanés.Cette recherche propose ainsi une solution complète et évolutive pour la détection robuste de défauts capteurs dans les véhicules électriques, contribuant à améliorer la tolérance aux défauts et la sécurité opérationnelle des systèmes de VE.

My doctoral research focuses on robust sensor fault diagnosis in the conversion chain of electric vehicles (EVs). The work aims to enhance the reliability and safety of EV systems by detecting and isolating sensor faults using model-based techniques. The study specifically targets the conversion chain comprising a voltage source inverter (VSI), an LCL filter, and an electric motor, which is monitored by six strategically placed voltage and current sensors, consistent with standard industry practices.The thesis is structured into four chapters:Chapter 1 presents a comprehensive literature review on model-based fault diagnosis techniques, with an emphasis on comparing state estimation and parameter estimation methods. Various observer and Kalman filter-based approaches are critically analyzed. In addition to reviewing several topologies of the conversion chain sub-systems that are the DC-DC converter and the DC-AC inverter. Chapter 2 covers the conversion chain parameter design based on the selected chain power for all of the sub-systems. Also it covers the state-space modeling of the EV conversion chain using a detailed mathematical model that is developed to capture the dynamics of the DC-DC converter (CUK type), the three-phase inverter (VSI type), and the LCL filter, which serves as the foundation for the fault diagnosis framework.Chapter 3 proposes a fault diagnosis and isolation approach using a bank of KALMAN filters. The chapter also includes a comparative analysis between open-loop and closed-loop configurations, demonstrating that the closed-loop design yields superior diagnostic performance. Fault detection is evaluated using ROC curves, along with performance metrics such as accuracy, specificity, sensitivity, false positive rate (FPR), false negative rate (FNR), and the area under the ROC curve (AUC). This chapter also investigates the robustness of the fault detection system under modeling uncertainties. Results show occurrences of false alarms in the absence of sensor faults, revealing limitations of the classical approach. Furthermore, the approach is tested under single, double, triple, and quadruple sensor fault scenarios, leveraging the system's observability even under reduced sensor configurations.Chapter 4 addresses these limitations by introducing a robust observer design to enhance fault diagnosis under system uncertainties. The original KALMAN filter bank is modified to incorporate optimal disturbance decoupling observers (ODDOs), enabling the generation of robust residuals. A thorough comparison between the classical KALMAN filter-based method and the proposed robust approach is conducted across all fault scenarios, using the same diagnostic performance metrics. The results confirm that the robust observer significantly outperforms the classical method, particularly in environments with uncertainty and multiple simultaneous sensor faults.This research provides a comprehensive and scalable solution for robust sensor fault detection in electric vehicles, contributing to improved fault tolerance and operational safety in EV systems.