Reconstruction de quantités non mesurées en utilisant des modèles

par Amine Othmane

Projet de thèse en Automatique

Sous la direction de Hugues Mounier.

Thèses en préparation à Paris Saclay en cotutelle avec l'Université de la Sarre , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....) , en partenariat avec L2S - Laboratoire des signaux et systèmes (laboratoire) , Systèmes (equipe de recherche) et de Université Paris-Sud (établissement de préparation de la thèse) depuis le 01-10-2018 .


  • Résumé

    La détection de pannes est cruciale pour maintenir un niveau élevé de sécurité, de performance et de fiabilité des systèmes industriels. En outre, l'isolement de la source et l'identification de la gravité de chaque panne ouvre des possibilités intéressantes pour la surveillance en ligne de l'état des systèmes et la maintenance prédictive, qui sont des technologies clés dans le contexte du numérique dans la production (l'industrie 4.0). Une procédure de surveillance combinant la détection, l'isolation et l'identification des pannes est communément désignée dans la littérature de l'automatique sous le nom de système de diagnostics (SD) et repose souvent sur la reconstruction de quantités non mesurées. Deux catégories d'approches pour reconstruire des quantités non mesurées existent : les approches basées sur des modèles physiques, qui utilisent des méthodes de l'automatique, et les approches basées sur les données, qui utilisent des algorithmes d'intelligence artificielle et des outils statistiques. Malheureusement, la tendance actuelle basée essentiellement sur l'apprentissage automatique n'est pas aussi efficace dans le domaine de la détection et de l'identification de pannes que dans d'autres. Le manque de données caractérisant les scénarios de dégradation avancée limite la précision de ces méthodes. Les scénarios qui ne sont pas décrits par les données utilisées durant l'apprentissage ne peuvent pas être prédits avec précision. Les méthodes basées sur des modèles physiques et les approches de l'automatique incluraient les étapes suivantes : 1. Utiliser les lois physiques pour décrire les systèmes dynamiques. Ces modèles peuvent être sous forme d'équations différentielles ordinaires ou partielles par exemple. 2. Analyser théoriquement les modèles pour caractériser l'observabilité et l'identifiabilité du système. 3. Concevoir des algorithmes pour identifier des paramètres et pour estimer les états non mesurés du système. L'analyse théorique permet de caractériser les capteurs nécessaires à la reconstruction des états non mesurés et à l'identification des paramètres physiques inconnus. Il est important de remarquer qu'une grande quantité de données provenant de certains capteurs peut ne pas suffire pour l'estimation des états non mesurés du système et pour l'identification des paramètres inconnus. Par conséquent, choisir les bons capteurs est critique. Les algorithmes conçus lors de la troisième étape permettent la reconstruction des états non mesurées et donc la détection, l'isolation et l'identification d'une panne. Un algorithme en ligne pour l'identification des paramètres physiques peut être utilisé pour surveiller l'usure mécanique, par exemple. Les capteurs qui sont imparfaits présentent ici un défi majeur : du bruit et des retards peuvent corrompre ces signaux et ainsi compliquer leur traitement et l'estimation des dérivées temporelles, par exemple. Les méthodes algébriques pour la différentiation numérique sont cependant des approches élégantes pour l'estimation des dérivées d'ordres supérieurs des signaux bruités. Les principaux avantages de cette approche basée sur la physique sont la possibilité d'interpréter les résultats et l'extension directe des algorithmes à des systèmes plus complexes, par opposition aux approches basées sur les données qui fonctionnent comme des boîtes noires et qui nécessitent un nouvel apprentissage dès que de petites modifications sont mises en œuvre dans le système. Au vu de ces avantages, ce sujet de thèse propose d'apporter des avancées méthodologiques dans ce domaine.

  • Titre traduit

    Model-based reconstruction of unmeasured quantities


  • Résumé

    Detecting component failures and abnormal system behavior is crucial in order to maintain a high level of safety, performance and reliability of industrial systems. Furthermore, isolating the source and identifying the severity of each malfunction opens up interesting possibilities for online condition monitoring and predictive maintenance, which are key technologies in the context of Industry 4.0. A monitoring procedure combining the fault detection, isolation and identification is commonly denoted in the control literature as fault diagnosis system and relies on the reconstruction of unmeasured quantities. Two classes of approaches to reconstruct unmeasured quantities exists: physics-based approaches using control theory methods and data-based approaches using artificial intelligence algorithms and tools from statistics. Unfortunately, the actual trend towards big data and machine learning is not as effective in the filed of condition monitoring as in others. The lack of data and especially data points characterizing advanced degradation scenarios limit the accuracy of data-driven methods, since the scenarios outside the training datasets can not be predicted. A physics-based approach for a FDS would involve the following three steps: 1. Deriving a mathematical model describing salient dynamics of the considered systems using physical laws. These models can be finite- or infinite-dimensional, linear or nonlinear. 2. Analyzing these models using methods from systems theory to identify the observability and the identifiability characteristics. 3. Designing necessary algorithms for parameter identification and estimation of unmeasured states. The analysis in the second step can be used to characterize sensors required for the reconstruction of unmeasured system states and the identification of unknown physical parameters. It is important to note that a large amount of data from some sensors may not always lead to the estimation of unmeasured system states and the identification of unknown system parameters. Therefore, choosing the right sensors and their location is crucial. The algorithms from step three enable the reconstruction of unmeasured state components and thus the detection, isolation and identification of abnormal system behavior. An online algorithm for the identification of physical parameters may be used to monitor mechanical wear or processing quality for example. Dealing with imperfect sensors is here a major challenge: Noise, quantization and delays may corrupt the measurements. Algebraic methods for numerical differentiation are for example useful approaches for estimating higher order derivatives of noisy signals. The main advantages of this physics-based approach is the interpretability of the results and the straightforward extension of the algorithms to more complex systems as opposed to the data-based approaches working as black boxes and requiring new training datasets when small hardware changes are implemented. In view of these advantages, this doctoral project should bring methodological advances in this field.