Diagnostic et commande tolérante aux fautes
La complexité croissante des systèmes automatisés impose des exigences élevées en matière de sécurité, fiabilité et sûreté de fonctionnement. Le diagnostic des défauts permet de surveiller un système afin de détecter, isoler et identifier les anomalies affectant les capteurs, les actionneurs ou le procédé.
Ce cours présente les principales méthodes de diagnostic à base de modèles, fondées notamment sur la génération et l’analyse de résidus. Une attention particulière est accordée à l’espace de parité, aux observateurs et aux techniques d’estimation d’état, permettant de mettre en évidence les incohérences entre le comportement réel et le comportement attendu du système.
La commande tolérante aux défauts complète le diagnostic en permettant au système de maintenir sa stabilité et ses performances malgré l’apparition de défauts, notamment par adaptation ou reconfiguration de la commande.
L’objectif du cours est ainsi de maîtriser les outils essentiels pour modéliser, surveiller, diagnostiquer et commander des systèmes dynamiques en présence de défauts, avec des applications aux systèmes industriels, automobiles, robotiques et cyber-physiques.
Diagnostic et Commande Tolérante aux Fautes
Ce cours de Diagnostic des défauts (GEA3) présente de manière progressive les principes, méthodes et outils permettant de détecter et d’analyser les défauts dans les systèmes dynamiques. Il débute par une introduction aux enjeux industriels du diagnostic, à la terminologie de base, à la classification des défauts et à la modélisation des systèmes en fonctionnement nominal, perturbé ou défaillant, illustrée par des exercices, des études de cas industriels et des exemples MATLAB en représentation d’état. Il se poursuit par l’étude du diagnostic par espace de parité, fondé sur les notions de sous-espaces vectoriels nuls et de redondance analytique statique et dynamique, permettant la génération de résidus pour la détection de défauts. Le cours aborde ensuite le diagnostic à base d’observateurs, notamment l’observateur de Luenberger, avant de traiter les techniques de diagnostic robustes, incluant les observateurs à entrée inconnue et le placement des structures propres pour améliorer la robustesse face aux perturbations. Enfin, il présente le diagnostic à l’aide du filtre de Kalman pour les systèmes stochastiques, avec des méthodes avancées de détection statistique et des études de cas simulées sous MATLAB, permettant à l’étudiant de maîtriser des approches modernes et efficaces de diagnostic applicables aux systèmes industriels réels.