Estimation d'état, estimation paramétrique et identifiabilité des modèles quasi-LPV

State and parameter estimation, and identi ability of quasi-LPV models

• Auteur / Autrice : Krishnan Srinivasarengan
• Direction : Christophe Aubrun, Didier Maquin
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Soutenance le 28/06/2018
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en automatique (Nancy)
• Jury : Président / Présidente : Eric Levrat
• Jury : Examinateurs / Examinatrices : Carine Jauberthie, Marcin Witczak, Fatiha Nejjari
• Jury : Rapporteurs / Rapporteuses : Carine Jauberthie, Marcin Witczak

Mots clés

Mots clés contrôlés

Détection de défaut (ingénierie)

Ingénierie dirigée par les modèles

Estimation de paramètres

Observateurs adaptatifs

Mots clés libres

Modèle de Takagi-Sugeno

Observateurs polytopiques

Estimation conjointe des états et des paramètres

Identifiabilité paramétrique

Espace de parité

Takagi-Sugeno modeling

Polytopic observers

Joint state and parameter estimation

Parameter Identifiability

Parity-space

Résumé

Dans cette thèse, deux problèmes liés aux approches basées sur des modèles pour le diagnostic de défauts et l'estimation du niveau de dégradation des équipements dans un bâtiment sont étudiés: la conception d'observateurs adaptatifs pour l'estimation de l'état et des paramètres, et l'analyse de l'identifiabilité des paramètres. La classe des modèles considérés est celle des modèles quasi-linéaires à paramètres variants dans le temps (quasi-LPV) avec paramétrisation affine des matrices d'état. Utilisant l'approche polytopique de Takagi-Sugeno (T-S), deux types d'observateurs sont proposés, un pour des systèmes en temps continu et l'autre pour des systèmes en temps discret. La structure de Luenberger (correction de la dynamique à l'aide de l'erreur d'estimation de la sortie) est choisie pour la partie d'estimation d'état de l'observateur pour les deux et leur conception s'appuie sur l'approche de Lyapunov. Pour la partie d'estimation des paramètres, une structure originale est proposée en temps continu et une structure proportionnelle-intégrale (PI) est utilisée en temps discret. La troisième contribution présente succinctement une méthode d'estimation d'état et des paramètres de façon découplée. Elle utilise conjointement l'approche de l'espace de parité et un observateur à mémoire finie. Pour la quatrième contribution relative à l'identifiabilité des paramètres, les états du système sont tout d'abord éliminés en utilisant une approche de type espace de parité. Cela permet d'extraire le `résumé exhaustif' du modèle qui aide à établir l'identifiabilité du modèle. Tous les résultats sont illustrés à l'aide d'exemples

Two problems relevant to the model-based approaches to fault diagnosis and degradation estimation in commissioned buildings are investigated in this thesis: adaptive observers for state and parameter estimation, and parameter identifiability. The system models considered are the quasi-LPV models with affine parameterization. Using the Takagi-Sugeno (T-S) polytopic approach, two observer designs, one for continuous-time models and another for discrete-time models are provided. Both models use a Luenberger structure for the state estimation part and deploy the Lyapunov design approach. An innovative non-linear estimation model is obtained through the design process for the continuous-time parameter estimation whereas a proportional-integral (PI) structure is used for discrete-time. A brief third contribution is a decoupled state and parameter estimation that makes use of the parity-space approach and realized using a finite memory observer strategy. For the fourth contribution of parameter identifiability, a parity-space formulation using null-space computation is used for the elimination of states of the model from which the exhaustive summary of the model is extracted and the identifiability of the model verified. All the results are illustrated using examples