Analyse et développement d'algorithmes de fusion de données pour les matrices de capteurs

par Josué Rivera velázquez

Thèse de doctorat en SYAM - Systèmes Automatiques et Micro-Électroniques

Sous la direction de Pascal Nouet.


  • Résumé

    Actuellement, la plupart des capteurs sont de nature `` intelligente '', ce qui signifie que les éléments de détection et l'électronique associée sont intégrés sur le même circuit. Parmi ces capteurs de nouvelle génération les systèmes micro-électro-mécaniques (MEMS) utilisent les technologies microélectroniques pour la fabrication par lots de capteurs à des volumes sans précédent et à des prix bas. Si ces composants sur étagère sont satisfaisants pour de nombreuses applications nécessitant un niveau de précision faible à moyen, ils ne peuvent toujours pas répondre pleinement aux besoins de performances de nombreuses applications de haute précision. Cependant, en raison de leur prix décroissant, de leur faible encombrement et de leur faible consommation d'énergie, il est désormais possible de mettre en œuvre des systèmes avec des dizaines ou même des centaines de capteurs. Ces systèmes amènent une solution possible au manque de performances des capteurs individuels et peuvent en outre améliorer la fiabilité et la robustesse de la détection. Les matrices de capteurs sont l'une de ces méthodes de mesures redondantes qui surviennent en réponse aux problèmes susmentionnés. Le développement d'algorithmes de fusion de données pour ces systèmes est un sujet de recherche fréquemment étudié dans la littérature. Néanmoins, il reste encore beaucoup de recherches à faire dans ce domaine de plus en plus important. L'émergence de nouvelles applications aux besoins de plus en plus complexes accroît la nécessité de nouveaux algorithmes avec des propriétés telles que la facilité d'intégration, l'adaptabilité, la robustesse, le faible coût de calcul et la généricité, entre autres. Dans cette thèse, nous présentons un nouvel algorithme pour les systèmes multi-capteurs qui propose une solution viable pour surmonter les contraintes mentionnées précédemment. La proposition est une méthode on-line basée sur une estimation quadratique sans biais de norme minimale (acronyme en Anglais: MINQUE) qui est capable de calculer les variances des capteurs sans connaître les entrées. Cet algorithme est capable de suivre les changements de variances des capteurs causés principalement par les effets du bruit basse fréquence, ainsi que de détecter et de signaler les capteurs affectés par des erreurs permanent ou transitoires. Cette approche est générique, ce qui signifie qu'elle peut être mise en œuvre pour différents types de systèmes de capteurs. De même, cet algorithme peut être implémenté dans des systèmes de réseaux de capteurs. Deux autres contributions de cette thèse peuvent être répertoriées. La première est un modèle de capteur générique pour les simulations de capteurs au niveau système. Cet outil créé dans l'environnement Matlab Simulink permet l'analyse des implémentations d'algorithmes de fusion de données dans des systèmes multi-capteurs. Contrairement aux modèles existant auparavant dans la littérature, ce modèle présente des caractéristiques telles que la généricité et l'inclusion de bruits basse fréquence, ainsi que le paramétrage à travers des graphiques d'analyse spectrale (graphique de Densité Spectrale de Puissance) et des graphiques d'analyse de stabilité dans le temps (graphique de l'écart Allan). La seconde est une étude visant à comparer les performances et la faisabilité de la mise en œuvre de différents algorithmes de fusion de données dans les systèmes multi-capteurs. Cette étude contient une analyse de la complexité de calcul, de la mémoire requise et de l'erreur d'estimation. Les algorithmes analysés sont : la méthode des moindres carrés, le réseau de neurones artificiel, le filtre de Kalman et la pondération aléatoire.

  • Titre traduit

    Analysis and development of algorithms for data fusion in sensor arrays


  • Résumé

    Currently, most of the sensors are ``smart'' in nature, which means that sensing elements and associated electronics are integrated on the same chip. Among these new generation of sensors, the Micro-Electro-Mechanical-Systems (MEMS) make use of Microelectronics technologies for batch manufacturing of small footprint sensors to unprecedented volumes and at low prices. If those components of the shelf are satisfactory for many consumer and low- to medium-end applications, they still cannot fully meet the performance needs of many high-end applications. However, due to their decreasing price, their small footprint, and their low-power consumption, it is now feasible to implement systems with tens and even hundreds of sensors. Those systems give a possible solution to the lack of performance of individual sensors and additionally they can also improve dependability and robustness of sensing. Sensor array systems are one of these methods of redundant measurements that arise in response to the aforementioned problems. The development of data fusion algorithms for sensor array systems is a research topic frequently studied in the literature. Even so, it still remains a lot of research work to do in this increasingly important area. The emergence of new applications with increasingly complex needs is growing the requirement for new algorithms with features such as integration, adaptability, dependability, low computational cost, and genericity among others. In this thesis we present a new algorithm for sensor array systems that propose a viable solution to overcome constraints mentioned before. The proposal is an on-line method based on the MInimum Norm Quadratic Unbiased Estimation (MINQUE) that is able to compute sensors' variances without the knowledge of the inputs. This algorithm is capable to track changes in sensors' variances caused principally by the low-frequency noise effects, as well as to detect and point out sensors affected by permanent or transitory errors. This approach is generic, which means that it can be implemented for different types of sensor array systems. In addition, this algorithm can be also implemented in sensor network systems. Two more contributions of this thesis can be listed. The first is a generic sensor model for sensor simulations at system level. This tool created inside the Matlab Simulink environment permits the analysis of implementations of data fusion algorithms in multi-sensor systems. Unlike the models previously existing in the literature, this sensor model has characteristics such as genericity and inclusion of low-frequency noises. The second is a study to compare the performance and feasibility in the implementation of different algorithms for data fusion in sensor array systems. This study contains an analysis of computational complexity, memory required, and the error in estimation. The analyzed algorithms are : the method of least squares, an artificial neural network, Kalman filter, and Random weighting.