Diagnostic des systèmes dynamiques non linéaires par fltrage particulaire

Voir Plus Voir Moins

Afficher le Résumé

Le diagnostic fiable des défauts (Fault Diagnosis and Isolation, FDI) dans les systèmes non linéaires, soumis à des bruits souvent non gaussiens, re- présente un défi majeur pour les méthodes conventionnelles. Cette thèse aborde ce problème en développant et validant une méthodologie avancée basée sur le filtrage particulaire (Particle Filter, PF), spécifiquement en exploitant les avantages du filtre particulaire combiné au filtre de Kalman étendu (Particle Filter Extended Kalman Filter, PFEKF). L’objectif est de surmonter les limitations des FP standards (dégénérescence des particules, mauvais choix de distribution de proposition) en utilisant l’information locale de l’EKF pour améliorer la robustesse et la précision du diagnostic. La contribution centrale est un cadre FDI intégré basé sur le PFEKF, capable d’assurer la détection précoce (via des techniques comme CUSUM et seuillage adaptatif), l’isolation précise de défauts multiples, et l’estimation quantitative de leur amplitude. Des simulations rigoureuses sur un système non linéaire de référence (sous diverses conditions de bruit gaussien et non gaussien) et sur des modèles applicatifs (robot manipulateur flexible, réacteur CSTR) ont été menées. Les résultats démontrent systématiquement la supériorité de l’approche PFEKF par rapport à des filtres alternatifs (IPF, PF standard, AXKF), notamment en termes de robustesse accrue aux incertitudes et aux bruits non gaussiens, ainsi qu’une meilleure précision pour l’isolation et l’estimation quantitative des défauts (RMSE significativement réduite). En conclusion, ce travail apporte une contribution significative en fournissant une méthodologie FDI complète, performante et validée pour les systèmes non linéaires, fondée sur une exploitation optimisée des capacités du PFEKF, ouvrant des perspectives pour la surveillance avancée des systèmes critiques.

Télécharger Document