Diagnostic et commande à tolérance de fautes 1

Au cours des dernières décennies, l'approche basée sur les modèles pour détecter les défauts dans les systèmes dynamiques a gagné en importance. Cette méthode utilise des résidus pour signaler les écarts entre le modèle et le processus réel. Ce chapitre explore diverses méthodes de détection de défauts, mettant l'accent sur les techniques de détection et d'isolation de défauts. La précision du modèle est cruciale, étant donné les disparités entre le modèle et la réalité. Des problèmes liés à la génération de résidus sont également discutés, ainsi que différentes méthodes de génération et d'évaluation des résidus.

Ce chapitre explore les méthodes de conception de systèmes de diagnostic basés sur des modèles mathématiques. Il examine l'analyse des diagnostics de défauts des modèles, la complexité croissante avec le modèle, et l'approche structurale pour les problèmes non linéaires à grande échelle. L'analyse structurelle évalue la détectabilité et l'isolabilité des défauts, aidant à placer les capteurs et à concevoir des détecteurs. Des outils informatiques, notamment une Toolbox MATLAB et Python, sont disponibles pour faciliter cette analyse. La formalisation de la détection et de l'isolation des défauts est discutée, suivie d'une exploration des modèles structurels et des algorithmes graphiques pour l'analyse de diagnostic.

La détection de fautes dans les processus dynamiques utilise des modèles pour vérifier la cohérence des comportements observés, mais des écarts entre le comportement modélisé et réel introduisent de l'incertitude. Les méthodes robustes de diagnostic des défauts, actives ou passives, sont étudiées, avec un accent sur la propagation de l'incertitude. L'approche passive, notamment basée sur des modèles à intervalles, est discutée avec des exemples d'applications.

La prise en compte de l’incertitude est cruciale pour la détection précise des défauts. L'incertitude peut provenir de modèles imprécis ou de mesures bruitées. Une approche standard en deux étapes identifie les défauts par des résidus. Nous proposons un cadre de principes pour classifier les méthodes de diagnostic stochastique et guider leur application. Trois approches principales sont explorées : modèle, données et hybride.

Le problème d'identification de systèmes inconnus à partir d'échantillons de comportement est complexe car sa solution n'est pas unique et dépend des données. Les informations préalables sur le système facilitent l'identification en restreignant les modèles possibles. Les méthodes s'appuient sur des résultats algébriques et statistiques, notamment le schéma de Frisch, étendu aux systèmes dynamiques.

La discipline de l'intelligence artificielle (IA) se concentre sur le diagnostic initialement abordé comme un problème de classification reliant symptômes et causes. Les approches incluent les systèmes basés sur la connaissance (KBS), les systèmes de raisonnement basés sur des cas (CBR), les systèmes de machine learning et les systèmes basés sur modèle. Les choix dépendent des connaissances disponibles. Les KBS ont historiquement fourni des solutions spécifiques, tandis que le diagnostic basé sur modèle offre des solutions généralisables mais spécifiques.