Diagnostic de défauts des systèmes à représentation multi-modèles ...
Diagnostic de défauts des systèmes à représentation multi-modèles ...
Diagnostic de défauts des systèmes à représentation multi-modèles ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
24 Chapitre 1 : Métho<strong>de</strong>s <strong>de</strong> diagnostic <strong>de</strong> <strong>défauts</strong> <strong>à</strong> base <strong>de</strong> <strong>modèles</strong> <strong>multi</strong>ples<br />
Métho<strong>de</strong>s <strong>à</strong> base <strong>de</strong> <strong>modèles</strong> <strong>multi</strong>ples-MMAE. Dans le cadre <strong>de</strong> l’étu<strong>de</strong> <strong>de</strong>s <strong>systèmes</strong><br />
linéaires stochastiques en boucle fermée, (Maybeck 1999) considère les <strong>défauts</strong> <strong>de</strong><br />
capteurs ou d’actionneurs comme <strong>de</strong>s mo<strong>de</strong>s <strong>de</strong> fonctionnement différents sous forme <strong>de</strong><br />
<strong>modèles</strong> <strong>multi</strong>ples distincts.<br />
Un algorithme d’estimation <strong>de</strong> l’état <strong>à</strong> base <strong>de</strong>s <strong>modèles</strong> <strong>multi</strong>ples adaptatifs (en anglais<br />
Multiple Mo<strong>de</strong>l Adaptive Estimation) couplé avec un algorithme <strong>de</strong> comman<strong>de</strong> a été proposé<br />
pour résoudre le problème du contrôle <strong>de</strong> <strong>systèmes</strong> dynamiques linéaires stochastiques en<br />
présence <strong>de</strong> <strong>défauts</strong> (ou incertitu<strong>de</strong>s paramétriques). Cet algorithme d’estimation MMAE<br />
a été utilisé <strong>de</strong> façon satisfaisante pour la détection et l’isolation <strong>de</strong> <strong>défauts</strong> capteur et<br />
actionneur dans le domaine <strong>de</strong> l’aéronautique (Stepaniak et Maybeck 1997), (Hamlon<br />
et Maybeck 1997), (Ei<strong>de</strong> et Maybeck 1995), (Pagoda et Maybeck 1995).<br />
L’algorithme MMAE présenté dans la suite <strong>de</strong> ce paragraphe montre d’une manière complète<br />
la génération et l’évaluation <strong>de</strong>s résidus ainsi que la localisation du défaut.<br />
D’abord, (Ei<strong>de</strong> et Maybeck 1996) considèrent <strong>de</strong>s <strong>systèmes</strong> linéaires discrets stochastiques<br />
en absence ou en présence <strong>de</strong> <strong>défauts</strong>, d’amplitu<strong>de</strong> supposée connue, sous la forme <strong>de</strong> <strong>modèles</strong><br />
<strong>multi</strong>ples représentés par la forme d’état suivante :<br />
m j<br />
{<br />
x j (k + 1) = A j x(k) + B j u(k) + ω j (k),<br />
y j (k) = C j x(k) + D j u(k) + ν j (k),<br />
(1.3)<br />
où x ∈ R n est le vecteur d’état, u ∈ R p est le vecteur <strong>de</strong> comman<strong>de</strong>, y ∈ R m est le vecteur<br />
<strong>de</strong> sortie, ω j et ν j sont <strong>de</strong>ux bruits blancs gaussiens, <strong>de</strong> covariance Q j et R j respectivement.<br />
A j , B j , C j , et D j sont <strong>de</strong>s matrices <strong>de</strong> dimensions appropriées et connues.<br />
Dans le but <strong>de</strong> réaliser simultanément l’estimation <strong>de</strong> l’état, et <strong>de</strong>s <strong>défauts</strong>, chaque hypothèse<br />
du vecteur <strong>de</strong> paramètres incertains m j est définie par rapport aux valeurs <strong>de</strong> j = [2, 3,...,M],<br />
représentant <strong>de</strong>s changements sur les composants du système (<strong>défauts</strong> d’actionneurs et <strong>de</strong><br />
capteurs), ainsi que la valeur j = 1 représentant le système en l’absence <strong>de</strong> <strong>défauts</strong>.<br />
Afin <strong>de</strong> réaliser simultanément l’estimation <strong>de</strong>s états et <strong>de</strong> <strong>défauts</strong>, nous supposons qu’une<br />
seule hypothèse m j peut être validée <strong>à</strong> la fois parmi les M valeurs possibles. Ainsi <strong>à</strong> chacune<br />
<strong>de</strong>s hypothèses m j correspond un système linéaire stochastique <strong>à</strong> temps discret décrivant un<br />
mo<strong>de</strong> <strong>de</strong> fonctionnement déterminé.<br />
Après avoir défini le système, l’étape suivante dans l’algorithme MMAE rési<strong>de</strong> dans l’estimation<br />
<strong>de</strong> l’état, réalisée grâce <strong>à</strong> un banc <strong>de</strong> filtres <strong>de</strong> Kalman, présenté dans l’annexe (A).<br />
(Ei<strong>de</strong> et Maybeck 1995), considèrent que chaque filtre appartenant au banc est synthétisé<br />
pour <strong>de</strong>s <strong>défauts</strong> spécifiques <strong>de</strong> capteur, d’actionneur ou les <strong>de</strong>ux pouvant survenir sur le<br />
système, et également pour l’estimation globale du système.<br />
Compte tenu <strong>de</strong>s hypothèses stochastiques considérées, le vecteur innovation (résidu) résultant<br />
du filtre, image la plus représentative du comportement dynamique du système <strong>à</strong><br />
l’instant donné, suit une loi <strong>de</strong> distribution normale centrée, permettant <strong>de</strong> calculer une<br />
<strong>de</strong>nsité <strong>de</strong> probabilité. (Ei<strong>de</strong> et Maybeck 1996) proposent <strong>de</strong> réaliser la localisation par le