Contrôle non linéaire et supervision d'un kite retenu par une ligne pour la propulsion d'un navire

Nonlinear control and supervision of a tethered kite for vessel propelling

• Auteur / Autrice : Monika Pasquali
• Direction : Patrick Lanusse, Christophe Farges
• Type : Projet de thèse
• Discipline(s) : Automatique, Productique, Signal et Image, Ingénierie cognitique
• Date : Inscription en doctorat le 04/10/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Laboratoire de l'Intégration du Matériau au Système

Mots clés

Mots clés libres

Non linéaire

Contrôle

Supervision

Nonlinear

Control

Supervision

Résumé

Une première thèse de doctorat réalisée au laboratoire IMS en collaboration avec Beyond the Sea et soutenue par Baptiste Cadalen en 2018 portait sur la modélisation du kite pendant son vol dynamique, la définition de trajectoires acceptables et 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. Le travail de doctorat proposé consiste à développer une supervision automatique du comportement du kite pour une adaptation de sa gestion aux conditions de vol : évolution des caractéristiques du vent ou du parcours du bateau, sorties éventuelles de l'enveloppe de vol, détérioration de l'aile/capteurs/actionneurs. Parmi les approches de supervision, nous distinguons d'abord celles basées sur des modèles de connaissances. Dans la thèse de doctorat de Rim Rammal (soutenue 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 Mathias Lecroart (démarrée en octobre 2021) se concentre sur la combinaison de ces deux classes de méthodes dans un contexte de maintenance prédictive. Le travail de doctorat proposé consiste à développer le contrôle et la supervision du comportement du cerf-volant pour une adaptation de sa gestion aux conditions de vol : évolution des caractéristiques du vent ou du parcours du bateau, sorties éventuelles de l'enveloppe de vol, détérioration de l'aile/capteurs/actionneurs. Les principales tâches sont les suivantes : 1) Planification de trajectoire pour maximiser la force de traction 2) Preuve de planéité différentielle et conception d'un contrôle prédictif basé sur la planéité pour le système pour la trajectoire planifiée. Une étude comparative avec une architecture à rétroaction seule est incluse. Une analyse de stabilité est également fournie. 2) Définition et paramétrage de scénarios de conditions de vol en cas de défaillance. 3) Comparaison des techniques de détection et d'isolation des défauts à l'aide de la théorie de la planéité et d'approches d'apprentissage automatique.

A first PhD thesis conducted at the IMS-lab in collaboration with Beyond the Sea and defended by Baptiste Cadalen in 2018 focused on the modeling of a kite during its dynamic flight, the definition of acceptable trajectories, and the design of robust linear control laws using the CRONE methodology. This study provided results that confirmed the feasibility of the industrial objective. The proposed PhD work aims to develop an automatic supervision system for monitoring the behavior of the kite and adapting its management to the flight conditions, including changes in wind characteristics, potential exits from the flight envelope, and degradation of the wing, sensors, or actuators. Among the various approaches to supervision, knowledge-based models are distinguished. In Rim Rammal's PhD thesis (defended in January 2021), a set of methods based on flatness theory for diagnosing nonlinear systems was developed. These methods require precise knowledge of the physical system model, which can be challenging to establish. Machine learning methods can overcome this challenge; however, a significant amount of data is required to train the models and detectors. Building upon initial work conducted during a Master's internship at the IMS laboratory, Mathias Lecroart's PhD thesis (commenced in October 2021) focuses on the combination of these two methodological classes in the context of predictive maintenance. The proposed PhD work involves the development of control and supervision strategies for the kite's behavior to enable adaptive management based on flight conditions, such as changes in wind characteristics, boat course, potential exits from the flight envelope, and degradation of the wing, sensors, or actuators. The main tasks of the research include: 1) Path-planning to maximise traction force 2) Differential flatness proof and design of a flatness-based feedforward control for the system for the path planned. Comparison study w.r.t. only-feedback architecture is included. Stability analysis is also provided. 2) Defining and parameterizing failure flight condition scenarios. 3) Comparing fault detection and isolation techniques using flatness theory and machine learning approaches.