Modélisation et contrôle robuste d'un aile de kite pour la propulsion de navires

Modelling and robust control of a tethered kite for vessel propelling

• Auteur / Autrice : Enso Ndreko
• Direction : Patrick Lanusse, Christophe Farges
• Type : Projet de thèse
• Discipline(s) : Automatique, Productique, Signal et Image, Ingénierie cognitique
• Date : Inscription en doctorat le 02/10/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de l'Intégration du Matériau au Système
• Partenaire(s) de recherche : Equipe de recherche : Systèmes à dérivées non entières (Commande Robuste d'Ordre Non Entier CRONE)

Mots clés

Mots clés libres

Modelisation

Controle

Supervision

Modelling

Control

Supervision

Résumé

Une première thèse de doctorat réalisée au laboratoire IMS en collaboration avec Beyond the Sea et défendue par Baptiste Cadalen en 2018 traitait de la modélisation du kite lors de son vol dynamique, de la définition de trajectoires acceptables et de la conception de lois de contrôle linéaires robustes utilisant la méthodologie CRONE. Cette étude a montré des résultats confirmant la faisabilité de l'objectif industriel. Plus récemment, les thèses de doctorat d'Asma Achnib (défendue en 2019) et d'Evgeny Shulga (en collaboration avec l'entreprise Stellantis, défendue en 2022) ont considéré l'ajout à une méthodologie de conception de contrôle robuste linéaire (CRONE) d'un composant optimal/anticipatif, d'abord linéaire et basé sur l'optimisation des filtres FIR, puis non linéaire et utilisant une planification optimale de trajectoires inspirée du contrôle MPC. Parmi les approches de supervision, nous distinguons d'abord celles basées sur des modèles de connaissances. Dans la thèse de doctorat de Rim Rammal (défendue en janvier 2021), nous avons développé un ensemble de méthodes basées sur la théorie de la platitude pour le diagnostic des systèmes non linéaires. Ces méthodes impliquent une connaissance précise du modèle du système physique, ce qui peut être difficile à établir. Les méthodes d'apprentissage automatique permettent de contourner cette difficulté, mais une grande quantité de données est nécessaire pour l'apprentissage des modèles/détecteurs utilisés. Après un premier travail réalisé dans le cadre d'un stage de master au laboratoire IMS, la thèse de doctorat de Mathias Lecroart (débutée en octobre 2021) se concentre sur la combinaison de ces deux classes de méthodes dans un contexte de maintenance prédictive. Le travail de thèse proposé consiste à développer le contrôle et la supervision du comportement du kite pour une adaptation de sa gestion aux conditions de vol : évolutions des caractéristiques du vent ou du parcours du bateau, sorties éventuelles de l'enveloppe de vol, détérioration de l'aile/des capteurs/des actionneurs. Les principales tâches sont les suivantes : La modélisation des différents modes de vol, des actionneurs, de l'amélioration de la modélisation du kite, y compris des câbles, et du système de mesure ; L'identification paramétrique hors ligne (coefficients aérodynamiques, inertie, etc.) du kite ; La conception hors ligne de trajectoires optimales ; La conception de régulateurs robustes à rétroaction (CRONE) pour tous les modes de vol : décollage, statique, dynamique et atterrissage ; La comparaison de la détection et de l'isolation des défauts en utilisant l'espace de parité et les approches d'apprentissage automatique.

A first PhD thesis was conducted at the IMS-lab in collaboration with Beyond the Sea and defended by Baptiste Cadalen in 2018. The thesis focused on the modeling of the kite during its dynamic flight, the definition of acceptable trajectories, and the design of robust linear control laws using the CRONE methodology. The study provided results that confirmed the feasibility of the industrial objective. More recently, the PhD thesis of Asma Achnib (defended in 2019) and Evgeny Shulga (in collaboration with Stellantis company, defended in 2022) considered the addition of an optimal/anticipative component to a linear robust control design methodology (CRONE). This component was initially linear and based on the optimization of FIR filters, and later became nonlinear using an optimal trajectory planning inspired by MPC control. Among the approaches for supervision, knowledge models-based methods were distinguished. In Rim Rammal's PhD thesis (defended in January 2021), a set of methods based on flatness theory was developed for diagnosing nonlinear systems. These methods require precise knowledge of the physical system's model, which can be challenging to establish. Machine learning methods can overcome this challenge, but they require a large amount of data for learning the models and detectors used. Following initial work conducted during a Master's internship at the IMS laboratory, Mathias Lecroart's PhD thesis (started in October 2021) focuses on combining these two classes of methods in the context of predictive maintenance. The proposed PhD work aims to develop control and supervision of the kite's behavior to adapt its management to flight conditions, including changes in wind characteristics or boat course, potential exits from the flight envelope, and deterioration of the wing, sensors, or actuators. The main tasks include: Modeling various flight modes, actuators, and improving the kite model, including cables and the measurement system. Offline parametric identification of the kite, including aerodynamic coefficients and inertia. Offline design of optimal trajectories. Designing robust feedback controllers (CRONE) for all flight modes, such as take-off, static, dynamic, and landing. Comparing fault detection and isolation using the parity space and machine learning approaches.