Réduction et recalage de modèles d'un module de puissance : vers un jumeau numérique probabiliste pour la prédiction de durée de vie restante

Model Reduction and Model Updating of a Power Module: Towards a Probabilistic Digital Twin for Remaining Life Prediction

• Auteur / Autrice : Louis Schuler
• Direction : Ludovic Chamoin, Zoubir Khatir
• Type : Projet de thèse
• Discipline(s) : Mécanique des solides
• Date : Soutenance en 2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
• Partenaire(s) de recherche : Laboratoire : LMPS - Laboratoire de Mécanique Paris-Saclay
• Partenaire(s) de recherche : référent : Ecole Normale Supérieure Paris-Saclay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Jury : Président / Présidente : Stéphane Clénet
• Jury : Examinateurs / Examinatrices : Pedro Diez, Eric Woirgard, Lucas Boucinha, Mathilde Chevreuil
• Jury : Rapporteurs / Rapporteuses : Pedro Diez, Eric Woirgard

Mots clés

Mots clés libres

Réduction de modèle

Prédiction de durée de vie

Inférence bayésienne

Propagation d'incertitudes

Module IGBT

Implémentation non-intrusive

Reduced order modeling

Lifetime prediction

Bayesian inference

Uncertainty quantification

IGBT module

Non-invasive implementation

Résumé

Les modules électroniques de puissance permettent d'adapter le courant électrique du réseau en fonction des besoins des moteurs électriques. Ce sont des composants essentiels à de nombreux systèmes. Au cours du fonctionnement du module, des pertes électriques génèrent un échauffement, créant des contraintes thermiques qui mènent à terme à la rupture du composant. Les modèles de durée de vie actuels basés sur la physique sont encore limités par leur temps de calcul, prohibitif pour leur emploi en temps réel dans le cadre de la prédiction de durée de vie restante. Les modèles actuels ne prennent pas non plus en compte les nombreuses sources d'incertitudes influant sur la durée de vie du module. Afin de réduire les coûts de calcul des modèles numériques, et de pouvoir prendre en compte ces incertitudes, ces travaux de thèse portent sur la création de modèles réduits multiphysiques et paramétriques d'un module de puissance IGBT. Les modèles sont basés sur la méthode Proper Generalized Decomposition. Un modèle électro-thermo-mécanique est implémenté de manière non-intrusive avec Ansys. Une fois le modèle réduit obtenu, celui-ci est exploité pour prédire la durée de vie restante d'un module au cours de son utilisation. Pour cela, l'utilisation de l'inférence bayésienne permet d'obtenir une densité de probabilité portant sur les paramètres du modèle à l'aide de mesures expérimentales. Cette densité est ensuite échantillonnée par Transport Maps puis propagée à travers le modèle numérique, afin d'obtenir une durée de vie probabiliste en temps réel au cours de l'utilisation du module.

Power electronic modules transform the electrical current from the grid to meet the requirements of electric motors. These components are essential to numerous electrical systems. During their operation, losses generate heat within the module, leading to thermal stress, and eventually resulting in component failure. Current physic-based lifetime models are still limited by their computational time, making them impractical for real-time use in predicting the remaining lifetime. Furthermore, existing models do not account for the numerous sources of uncertainty that influence the module lifetime. This research work focuses on developing parameterized and multiphysics reduced models of an IGBT power module. The developed reduced models are based on the Proper Generalized Decomposition method. They decrease the computational cost of numerical model and can be used for uncertainty quantification studies. In this context, a non-intrusive implementation of an electro-thermo-mechanical model is developed in Ansys. The reduced model is then employed in real time to predict the remaining lifetime of a module. First, the method uses Bayesian inference and experimental measures to obtain a probability density over the model parameters. Then, the density is sampled using Transport Maps sampling and propagated through the numerical model to obtain online a probabilistic estimation of the remaining lifetime.