These Rodrigues
These Rodrigues
These Rodrigues
THÈSE
Mickaël Rodrigues
Membres du jury
Les travaux de recherche présentés dans ce mémoire ont été effectués à la Faculté des
Sciences et Techniques de Vandoeuvre-lès-Nancy au sein du groupe thématique "Sûreté de
Fonctionnement et Diagnostic des Systèmes (SURFDIAG)" dans l’équipe " Représentation
Multimodèles - Applications au Diagnostic des Systèmes (MUMODIA)" au Centre de Re-
cherche en Automatique de Nancy (CRAN) dirigé antérieurement par Monsieur Francis Lepage
et actuellement par Monsieur Alain Richard.
Je tiens à remercier Monsieur Dominique Sauter, responsable de l’équipe " Systèmes Dis-
tribués et Embarqués Réactifs aux défauts (SYDER)" et directeur de ma thèse, pour m’avoir
accueilli au sein de son équipe de recherche et de m’avoir fait confiance dans mes choix et
orientations. Je remercie également Monsieur Didier Theilliol, co-Directeur de ma thèse, pour sa
constante disponibilité, ses conseils ainsi que les innombrables réunions et discussions pour me-
ner à bien ce travail. Je lui suis aussi reconnaissant de la confiance qu’il m’a toujours témoignée.
I would like to address my special thanks to Mr. Youmin Zhang for coming in France and
making me the great honor to be part of the jury.
Merci à tous les doctorants, collègues et étudiants que j’ai côtoyés durant ces 3 années
de thèse, pour l’ambiance plus qu’amicale ils ont su y faire régner. Merci également à Ma-
dame Sabine Huraux pour sa sympathie et sa constante disponibilité tout au long de ces années.
Je tiens à dire toute ma sympathie aux personnes avec lesquelles j’ai passé des moments
formidables au labo ainsi qu’en dehors. Aussi, je remercie chaleureusement Messieurs :
Vincent Mazet(merci Latex man), Said Moussaoui, Samir Aberkane(loukoum favori), Lu-
dovic Guillemot(bassiste de talent), Yann Gaudeau, Frédéric Hamelin, El-Hadi Djermoune,
Jean-Marie Moureaux, Benoît Vinsonneau, Hicham Jamouli, Manuel Adam-Medina et Ma-
demoiselle Magalie Thomassin. Merci pour toutes les soirées tardives (merci Sam+Ludo),
festives, sportives(WE à Nonnette) et musicales (BGA-21, merci Ludo pour ces 2 ans d’aven-
ture où notre verve artistique s’est révélée ... mais n’a pas encore été reconnue !). Un grand
merci à Manu pour toutes ces années de collaboration remplies de ce rire mexicain si particulier.
6 Remerciements
Enfin, je dédie cette thèse à mes parents pour leur amour et sans qui je n’en serais pas
là aujourd’hui, à ma soeur qui malgré la distance m’a toujours encouragé. Je ne saurais
oublier ma femme Emilie qui a toujours cru en moi depuis longtemps maintenant, et à qui
je dois d’avoir fait cette thèse. Merci pour le fils que tu m’as donné et qui me sourit tous les jours.
Table des matières
Références personnelles 15
Introduction générale 17
A Stabilité 163
Bibliographie 175
10 TABLE DES MATIÈRES
Table des figures
2.1 Multi-modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.2 Schéma général de diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.3 Entrée du système et évolution du sélecteur de modèle en présence de défaut. . . 66
2.4 Estimation de défaut par le filtre adaptatif . . . . . . . . . . . . . . . . . . . . . 67
2.5 Estimation de défauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.6 Résidu insensible généré par le filtre adaptatif . . . . . . . . . . . . . . . . . . . 68
2.7 Système hydraulique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.8 Les sorties en l’absence de défaut . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.9 Entrées en l’absence de défaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.10 Probabilités en l’absence de défaut : a)Filtre de Kalman découplant b) Référence
c) Filtre de Kalman classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.11 Résidu sensible aux défauts provenant filtre adaptatif en l’absence de défaut . . 73
2.12 Sorties en présence de défaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.13 Entrées en présence de défaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.14 Probabilités en présence de défaut . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.15 Résidu sensible provenant du filtre adaptatif en présence de défaut . . . . . . . . 76
2.16 Résidus sensibles aux défauts basés sur les fonctions de pondération de référence 76
2.17 Estimation des défauts avec commande réduite de 60% de sa valeur nominale . . 77
4.1 Schéma de principe général avec commande tolérante aux défauts . . . . . . . . 120
4.2 Accommodation de défaut en multi-modèles . . . . . . . . . . . . . . . . . . . . 121
4.3 Stratégie de reconfiguration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.4 Reconfiguration de régulateur pour défauts actionneur . . . . . . . . . . . . . . . 133
4.5 Le domaine d’évolution des paramètres Θj . . . . . . . . . . . . . . . . . . . . . 134
4.6 Cas nominal : (a) Evolution de l’état du système, (b) Evolution du second ac-
tionneur, (c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk . 135
4.7 En présence de défaut :(a) Evolution de l’état du système, (b) Evolution du
second actionneur, (c) Evolution du premier actionneur, (d) Evolution des para-
mètres ρjk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.8 Reconfiguration : (a) Evolution de l’état du système, (b) Evolution du second
actionneur, (c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk 137
4.9 Cas nominal : (a) Evolution de l’état du système, (b) Evolution du second ac-
tionneur, (c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk . 138
4.10 En présence de défaut : (a) Evolution de l’état du système, (b) Evolution du
second actionneur, (c) Evolution du premier actionneur, (d) Evolution des para-
mètres ρjk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
4.11 Reconfiguration : (a) Evolution de l’état du système, (b) Evolution du second
actionneur, (c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk 139
4.12 Cas nominal : (a) Evolution des sorties du système, (b) Evolution de l’état du
système, (c) Evolution du second actionneur, (d) Evolution du premier action-
neur, (e) Evolution des paramètres ρjk . . . . . . . . . . . . . . . . . . . . . . . . 147
4.13 En présence de défaut : (a) Evolution des sorties du système, (b) Evolution de
l’état du système, (c) Evolution du second actionneur, (d) Evolution du premier
actionneur, (e) Evolution des paramètres ρjk . . . . . . . . . . . . . . . . . . . . 148
4.14 Reconfiguration : (a) Evolution des sorties du système, (b) Evolution de l’état
du système, (c) Evolution du second actionneur, (d) Evolution du premier ac-
tionneur, (e) Evolution des paramètres ρjk . . . . . . . . . . . . . . . . . . . . . . 148
4.15 Le domaine des valeurs propres de la matrice A(ρ) − B(ρ)F C en absence de défaut149
4.16 Système hydraulique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
4.17 Système réel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
4.18 Evolution des caractéristiques du système dans le cas nominal :(a) les sorties du
système, (b) les paramètres ρjk , (c) les commandes du système . . . . . . . . . . 153
4.19 Evolution des caractéristiques du système en présence de défaut sans FTC :(a)
les sorties du système, (b) les commandes du système . . . . . . . . . . . . . . . 154
4.20 Evolution des caractéristiques du système en présence de défaut et FTC :(a) les
sorties du système, (b) les commandes du système . . . . . . . . . . . . . . . . . 155
4.21 Evolution des sorties du système non linéaire et du multi-modèle dans le cas
nominal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
TABLE DES FIGURES 13
4.22 Evolution des sorties avec un régulateur nominal en présence de défaut . . . . . 157
4.23 Evolution des sorties avec reconfiguration du régulateur en présence de défaut . 158
- Mickael Rodrigues, Didier Theilliol et Dominique Sauter," Fault Tolerant Control Design
of Nonlinear Systems using LMI gain Synthesis, 16th IFAC World Congress, Prague, Czech
Republic, July 2005.
- Mickael Rodrigues, Didier Theilliol et Dominique Sauter, "Synthèse d’une loi de commande
tolérante aux défauts actionneurs : Application aux systèmes non linéaires décrits par de
multiples modèles", Journées Doctorales et Nationales du GDR MACS 5-7 Septembre, Lyon,
France, 2005.
- Mickael Rodrigues, Manuel Adam-Medina, Didier Theilliol et Dominique Sauter, "A Fault
Detection and Isolation Scheme for Industrial Systems based on Multiple Operating Models",
Control Engineering Practice, 2005, soumis.
" La souris est un animal qui tué en quantité suffisante et dans des conditions contrôlées, produit une thèse
de doctorat." Woody Allen
En raison d’une modernisation incessante des outils de production, les systèmes industriels
deviennent de plus en plus complexes et sophistiqués. En parallèle, une demande accrue de
fiabilité, de disponibilité, de reconfigurabilité et de sûreté de fonctionnement des systèmes
sont devenus de véritables enjeux du troisième millénaire. L’Automatique, qui repose sur une
notion de système représentant un ensemble d’éléments formant un tout structuré, a permis
à l’Homme de développer des méthodes de supervision telles le diagnostic et la commande
tolérante aux défauts des systèmes.
Ces deux notions que nous définirons plus tard, sont issues d’un travail préliminaire
nécessaire qui est la modélisation du système, c’est-à-dire une représentation mathématique
du comportement dynamique du système. Cependant, la modélisation de systèmes physiques
requiert non seulement une connaissance précise des phénomènes intervenant sur ce système,
mais également une aptitude à les représenter sous une forme mathématique. Le problème
principal réside en l’utilisation d’un modèle simple mais suffisamment précis pour décrire
fidèlement le comportement du système. Une hypothèse largement répandue dans le domaine
de l’Automatique est la linéarité des systèmes car de nombreux outils mathématiques existent
pour des systèmes représentés par des systèmes Linéaires Invariants dans le Temps (LTI). Ce-
pendant, il faut bien souligner que cette hypothèse de linéarité n’est valable que pour une plage
de fonctionnement restreinte autour d’un point d’équilibre, de sorte que lorsque le système
s’éloigne de ce point, la modélisation n’est plus en adéquation avec le comportement du système.
des systèmes particuliers ou des systèmes réels représentés autour d’un point d’équilibre
particulier avec une plage de fonctionnement réduite. Afin d’effectuer le diagnostic d’un
système non linéaire prenant en compte une plus grande plage de fonctionnement, des
méthodes basées sur la connaissance d’un modèle analytique du système provenant d’une
représentation mathématique du comportement physique du système, ont été développées
(Isidori, 1995), (Hammouri et al., 2001), (Fliess, 2001). Cependant, dans le domaine industriel,
la connaissance exacte du modèle du système sur toute sa plage de fonctionnement n’est
pas une chose aisée de part la complexité même du système. En effet, la connaissance du
système autour de différents modes de fonctionnement peut permettre par exemple de produire
telle ou telle quantité de matière. De même, en aéronautique, les régulateurs sont synthé-
tisés pour différentes plages de paramètres en fonction de l’altitude et de la vitesse par exemple.
Ainsi, l’autre objectif de cette thèse est de synthétiser une loi de commande tolérante aux
défauts dans le cadre des multi-modèles afin d’effectuer une accommodation de défauts et/ou
une reconfiguration du régulateur. Les systèmes tolérants aux défauts résultants permettent
d’accroître la sécurité et la disponibilité des outils de production. La contribution principale
de nos travaux est de générer des systèmes tolérants aux défauts en synthétisant à la fois des
modules de diagnostic ainsi qu’un mécanisme de reconfiguration lors de la perte d’actionneurs
prenant en considération l’information du module de diagnostic. Cette vue globale du problème
d’automatique pour la mise en oeuvre de systèmes tolérants aux défauts nous a amené à étudier
à la fois des méthodes pour le diagnostic ainsi que des méthodes de commande tolérante aux
Introduction générale 19
défauts.
Le travail présenté dans ce mémoire contribue à enrichir les méthodes visant à la synthèse
d’un filtre de détection et isolation des défauts, aux méthodes dédiées aux observateurs poly-
topiques discrets à entrées inconnues ainsi qu’à la synthèse de lois de commandes tolérantes
aux défauts dédiées aux systèmes représentés sous forme polytopique. A la fin de cette thèse,
un paragraphe sera consacré aux conclusions et perspectives des travaux présentés.
Chapitre 1
La tâche principale qui incombe à la commande tolérante aux défauts est de synthétiser des
lois de commande avec une structure permettant de garantir la stabilité et les performances
du système, non seulement lorsque tous les composants de la commande sont opérationnels,
mais aussi lorsque des capteurs ou des actionneurs sont défaillants.
La commande tolérante aux défauts est généralement classée en deux approches distinctes :
une approche passive (Passive Fault Tolerant Control, PFTC) et une approche active (Active
22 Chapitre 1 : Concepts et principes des systèmes tolérants aux défauts
Module de détection
de défauts et diagnostic
Défauts
Défauts Défauts
actionneurs
système capteurs
U
Y Mécanisme
Régulateur Actionneurs Système Capteurs de
Référence
reconfigurable
- reconfiguration
Régulateur de retour
reconfigurable
Fault tolerant Control, AFTC). Dans le cadre de la première approche, les régulateurs sont
synthétisés de façon à être robuste à certains défauts (Eterno et al., 1985). L’idée principale
est de faire en sorte que le système en boucle fermée (BF) soit robuste aux incertitudes et à
quelques défauts spécifiques. Cette approche ne nécessite aucun schéma de détection de défauts
ni aucune reconfiguration de loi de commande mais sa capacité de tolérance reste restreinte à
quelques défauts.
A l’opposé de la voie passive, l’AFTC est amenée à réagir aux diverses défaillances du sys-
tème en reconfigurant les lois de commande tout en préservant la stabilité et les performances
de celui-ci. La figure (1.1) présente un schéma typique de systèmes de commande tolérante
aux défauts (Patton, 1997), (Zhang and Jiang, 2003a) avec 4 principaux composants : un
bloc de diagnostic de défauts (en anglais Fault Detection and Diagnosis, FDD) donnant des
informations en temps réel, un mécanisme de reconfiguration, un régulateur reconfigurable et
une référence appliquée au système. Dans le schéma de FDD, les paramètres en défaut ainsi
que les variables d’état du système doivent être estimés en ligne. Ce schéma de FDD doit
permettre de prendre en compte les différents types de défauts intervenant sur le système et
d’assurer la fiabilité de ses informations pour activer le mécanisme de reconfiguration en un
temps minimal. A partir de cette information en ligne produite par le module de FDD, le
régulateur reconfigurable doit être synthétisé automatiquement pour maintenir la stabilité,
la dynamique du système ainsi que ses performances initiales. De plus, afin d’assurer que le
système en boucle fermée soit capable de suivre la commande de référence/trajectoire spécifiée
même en présence de défauts, un régulateur "feedforward" reconfigurable doit pouvoir être
synthétisé pour réaliser un asservissement. Dans le cas de dégradation de performances du
système, la commande de référence doit permettre d’ajuster l’entrée de commande ou la
trajectoire de référence automatiquement ou informer les opérateurs humains de la présence
de défauts.
1.1 Les systèmes tolérants aux défauts 23
Ce type de défaut est la cause d’une mauvaise image de l’état physique du système. Un
défaut capteur partiel produit un signal avec plus ou moins d’adéquation avec la valeur vraie
de la variable à mesurer. Ceci peut se traduire par une réduction de la valeur affichée par
rapport à la valeur vraie, ou de la présence d’un biais ou de bruit accru empêchant une bonne
lecture. Un défaut capteur total produit une valeur qui n’est pas en rapport avec la grandeur
à mesurer (0, ∞).
Ce type de défaut provient du système lui-même ; bien souvent les défauts n’appartenant
pas à un défaut capteur ou actionneur sont classés de manière arbitraire dans cette catégorie.
Néanmoins, un défaut composant résulte de la casse ou de l’altération d’un composant du
système réduisant les capacités de celui-ci à effectuer une tâche. En pratique, ceci revient
à considérer une modification des caractéristiques du système proprement dit (la CTN :
résistance à Coefficient de Température Négatif, d’une chaufferie est cassée, un roulement est
altéré, . . .).
24 Chapitre 1 : Concepts et principes des systèmes tolérants aux défauts
Par la suite, nous allons faire un état de l’art des principales commande tolérantes aux
défauts pour amener et justifier les choix et les orientations de cette thèse. Chaque type de
méthodes fait l’objet d’une discussion avec ses avantages et ses inconvénients.
Cependant certains types de commande active sont parfois difficiles à classer et de ce fait,
la classification ci-après n’est pas exhaustive mais permet de se repérer parmi les grandes
1.1 Les systèmes tolérants aux défauts 25
tendances actuelles.
Une vision simple de la loi de commande tolérante aux défauts consiste à enregistrer au
préalable des paramètres de gains pré-calculés. Ce concept est directement lié aux lois de
commandes tolérantes aux défauts par re-séquencement (Control Law Re-scheduling (CLR))
qui est considéré pour les changements en aérodynamique (donc spécifique au domaine de
l’aéronautique) : altitude, vitesse... . Dans les applications d’aéronautique, le mécanisme de
CLR est déclenché par les données de vol. Des chercheurs comme (Rugh, 1992), (Shamma and
Athans, 1992) et (Stiwell and Rugh, 1999), ont étudié ce type de commande. Les principaux
dispositifs de la loi de commande par séquencement sont :
Un système muni d’une loi de commande séquencée peut être vu comme un système avec
une commande de retour d’état dont les gains sont ajustés par compensation. Cependant
l’ajustement effectué par cette loi de commande ne tient pas compte des performances du
système en boucle fermée pour compenser une action incorrecte de la CLR. Ceci implique une
robustesse accrue du module de FDD car toute fausse alarme ou défaut non détecté pourrait
entraîner une instabilité et conduire au désastre.
- Méthode de la pseudo-inverse
La méthode de pseudo-inverse (Gao and Antsaklis, 1991) est une référence des plus citées
dans le domaine de commande tolérante active aux défauts du fait de sa simplicité de calcul
et sa capacité à manipuler une très large classe de défauts, à condition qu’ils soient prédéfinis.
La version de base de la méthode pseudo-inverse (il en existe plusieurs autres revisitées comme
récemment dans (Staroswiecki, 2005)) considère un système linéaire nominal :
½
xk+1 = Axk + Buk
(1.1)
yk = Cxk
avec loi de commande de retour d’état uk = F xk , sous l’hypothèse que le vecteur d’état est
connu. Le système en défaut se représente de la manière suivante :
(
xfk+1 = Af xfk + Bf uR
k
(1.2)
ykf = Cf xfk
entre les matrices d’état des systèmes nominaux et en défaut soit minimisée :
FR = arg mink(A + BF ) − (Af + Bf FR )kF
FR (1.3)
= +
Bf (A + BF − Af )
La méthode par placement de structure propre (Liu and Patton, 1998) pour la reconfigura-
tion de régulateur est une approche plus intuitive que l’approche par pseudo-inverse car elle
vise à faire coïncider les structures propres (c.à.d les valeurs propres et les vecteurs propres)
des matrices des systèmes nominaux et en défaut en boucle fermée. L’idée principale est
d’assigner exactement les plus importantes valeurs propres de ces matrices tandis qu’en même
temps l’approche minimise la différence de la norme 2 entre les différents vecteurs propres
correspondants. La procédure a été développée aussi bien avec un retour d’état constant (Zhang
and Jiang, 1999a), (Zhang and Jiang, 2000) ainsi que par retour de sortie (Konstantopoulos
and Antsaklis, 1996). Plus précisément, dans le cas de retour d’état, si λi , i = 1, 2, . . . , N sont
les valeurs propres de la matrice déclinant la boucle fermée A + BF avec une loi de commande
de retour d’état uk = F xk , et si vi sont leurs vecteurs propres correspondants, la méthode par
placement de structure propre calcule le gain FR de retour d’état pour le modèle en défaut
(1.2), avec vif les vecteurs propres en défaut, telle la solution du problème suivant (Zhang and
Jiang, 1999a)
Trouver FR
tel que (Af + Bf FR )vif = λi vif , i = 1, 2, . . . , N (1.4)
f f 2
et vi = arg fminkvi − vi kWi
vi
1.1 Les systèmes tolérants aux défauts 27
avec arg minkvi − vif k2Wi = (vi − vif )T Wi (vi − vif ) où la matrice Wi est une matrice de
vif
pondération définie positive servant de degré de liberté supplémentaire. En d’autres termes
le nouveau gain FR est synthétisé de manière à ce que les pôles du système en boucle fermée
coïncident avec les pôles du système nominal en boucle fermée ; de même que les vecteurs
propres des matrices d’état doivent être les plus proches possibles. Du fait que les valeurs et les
vecteurs propres déterminent la forme de la réponse du système en boucle fermée, le but est
donc de préserver la dynamique du système en boucle fermée la plus proche possible de celle
dans le cas nominal. Ainsi, la méthode par placement de structure semble garantir la stabilité
du système en boucle fermée. La charge de calcul ne semble pas importante par le fait que la
solution de l’expression analytique (1.4) est disponible (Zhang and Jiang, 1999a) c’est-à-dire
que l’optimisation en ligne n’est pas nécessaire. Le désavantage vient du fait que les erreurs
de modèles ne sont pas aisément incorporables dans le calcul d’optimisation et que seuls des
régulateurs statiques sont considérés.
- Neuro-Flou
Ces méthodes basées sur des réseaux de neurones et de la logique floue, ont aussi reçu
une grande attention de la part de la communauté s’intéressant à la commande tolérante aux
défauts. Ces méthodes ont le principal avantage de très bien s’appliquer sur des systèmes
non linéaires habituellement modélisés par des modèles flous de Takagi-Sugeno (Takagi and
Sugeno, 1985). Les modèles de Takagi-Sugeno se représentent par des ’règles’(rules) de la façon
suivante : IF z(t) ∈ Mj THEN
½
ẋ(t) = Aj x(t) + Bj u(t)
(1.5)
y(t) = Cj x(t) + Dj u(t)
avec Mj représentant un ensemble flou et j ∈ [1, . . . , r] représentant le nombres de règles.
Les capacités d’apprentissage de ces méthodes rendent possible l’adaptation du modèle à
la suite de l’occurrence d’un défaut sur le système. Pour plus de détails sur ces méthodes
neuro-flou pour le FTC, le lecteur intéressé pourra se référer aux travaux de (Chen and
Narendra, 2001) concernant la synthèse d’une loi de commande adaptative utilisant les
multi-modèles, (Diao and Passino, 2001) pour une commande tolérante au défauts appliquée
sur un moteur, (Lopez-Toribio et al., 1998), (Lopez-Toribio et al., 1999) et (Patton and
Lopez-Toribio, 2000) pour une loi de commande tolérante basée sur une représentation
floue de type Takagi-Sugeno. Cette dernière approche a pour mérite de traiter des systèmes
non linéaires et considère notamment des représentations multi-modèles avec des fonctions
d’activation floues c.à.d définies de manière arbitraires et ne tenant pas compte de l’apparition
d’un défaut. Elles sont synthétisées de telle manière que la dynamique du modèle représente
au mieux la dynamique du système. Ces fonctions d’activation sont parfois fondées sur un
banc d’observateurs qui considèrent un ensemble restreint de défaut pouvant survenir sur le
système.
Les régulateurs linéaires fonctionnent généralement correctement pour des petites variations
28 Chapitre 1 : Concepts et principes des systèmes tolérants aux défauts
Cette approche est une alternative de l’approche de linéarisation par retour où l’on considère
3 stratégies : Explicite (Morse and Ossman, 1990), Implicite (Huang and Stengel, 1990) et
enfin l’approche Multiple Model Kalman filtering (Napolitano and Swaim, 1991). L’approche
par modèles de référence est une méthode attractive pour la nouvelle synthèse du régulateur
d’un système associé à une commande tolérante aux défauts. En effet, le but est d’émuler
les caractéristiques des performances du modèle désiré en présence ou non de défauts et de
défaillances. Classiquement, l’approche de poursuite de modèles (Model Following), considère
un modèle de référence de la forme :
½
xM M
k+1 = AM xk + BM rk
(1.6)
ykM = CxMk
uk = K r r k + K x x k (1.7)
permettant d’être le plus proche possible du modèle de référence. Ainsi, le modèle de
référence et le système en boucle fermée sont représentés sous la forme suivante :
½
xM M
k+1 = AM xk + BM rk
(1.8)
yk+1 = (CA + CBKx )xk + CBKr rk
tel que le "Perfect Model Following" puisse être réalisé en sélectionnant :
un problème très important qu’il faut souligner car la conduite d’un procédé automatisé
en dépend. Afin d’éviter d’estimer les paramètres du système, la méthode directe(implicite)
du "Model Following" peut être utilisée directement en estimant les matrices de gains du
régulateur Kx et Kr au moyen d’un schéma adaptatif. Deux approches distinctes de "Direct
Model Following" existe : une méthode d’erreur de sortie et une méthode d’erreur d’entrée.
Pour de plus amples détails, le lecteur pourra se référer aux travaux suivants (Bodson and
Groszkiewiecki, 1997), (Gao and Antsaklis, 1992), (Zhang and Jiang, 2002). Cette méthode ne
requiert pas de module FDI ce qui ne permet pas de savoir si le système a un défaut ou non et
de plus, la méthode n’incorpore pas les incertitudes. Cette méthode est cependant classée dans
les méthodes actives étant donné qu’elle présuppose une modélisation du système en défaut,
c.à.d une méthode de diagnostic faîte initialement avant d’appliquer cette méthode.
- Commande Adaptative
La commande adaptative est une commande très appropriée dans le terme de commande
Active tolérante aux défauts. En effet, ce type de commande a pour capacité d’adapter
automatiquement les paramètres du régulateur en fonction des changements du système. Ce
type de méthode ne requiert donc pas de module FDD comme c’est le cas dans les schémas
de AFTC. Les méthodes de commandes avec paramètres linéaires variant dans le temps ou
Linear Parameter Varying (LPV) dédiées au FTC sont incluses dans la classe des commandes
adaptatives comme celles développées dans la thèse de (Kanev, 2004). D’autres méthodes
adaptatives comme (Landau, 1999), (Jiang et al., 2003), (Dionisio et al., 2003) et (Boskovic
and Mehra, 2003) illustrent les propos de la commande adaptative. Cependant, ces méthodes
n’utilisent pas le FDI, il n’y a pas de module de supervision et des problèmes de convergence
lors de l’estimation de paramètres peuvent apparaître.
Nous allons expliciter plus en détails une approche basée sur les multi-modèles. Après un
bref aperçu de la commande par multi-modèles en l’absence de défauts, nous présenterons
diverses approches de commande active tolérante en multi-modèles.
½
xk+1 = fj (xk , uk )
(1.10)
yk = gj (xk , uk )
où fj (xk , uk ) et gj (xk , uk ) sont des fonctions connues pour chaque modèle j. Ces modèles
sont souvent considérés comme des modèles de défauts, où chaque modèle représente un type
de défaut. Ainsi, pour chaque modèle j, un régulateur Rj est synthétisé. L’objectif est de
synthétiser en ligne la loi de commande à appliquer au système au travers une combinaison
30 Chapitre 1 : Concepts et principes des systèmes tolérants aux défauts
pondérée, de différentes lois de commande issues de chaque régulateur Rj (Athans et al., 2005)
dans "Issues on Robust Adaptive Feedback Control" session plénière du 16ème World IFAC,
(Maybeck and Steven, 1991), (Zhang and Jiang, 2001) et (Demetriou, 2001). Cette loi de
commande pondérée est également définie comme une conjugaison de lois de commande, en
anglais "blending control law" (Griffin and Maybeck, 1991), (Tayebi and Zaremba, 2002),
(Theilliol et al., 2003a). La figure (1.2) illustre la stratégie multi-modèle avec des régulateurs
locaux pondérés par des fonctions d’activation dépendant de différents paramètres comme le
vecteur d’entrée, de sortie, . . . permettant de synthétiser une loi de commande globale sur le
système. La loi de commande appliquée au système est définie selon la formulation générale
suivante :
M
X
uk = ϕj (η) ujk , (1.11)
j=1
Dans le cadre des multi-modèles représentant chacun un défaut particulier, les désavantages
résident dans le fait qu’un nombre fini et prédéterminé de défauts est capable d’être détecté.
En effet, selon la plupart des approches multi-modèles proposées, celles-ci ne considèrent
qu’un seul défaut pouvant intervenir à la fois sur le système et que par conséquent un seul
modèle j est sélectionné. Si le modèle représentant le système à l’instant k n’appartient pas à
l’ensemble des modèles prédéfinis, la commande alors associée n’est pas optimale correspondant
à une pondération inadéquate de plusieurs modèles à la fois conduisant le système à l’instabilité.
U Y
Système
j
Entrée, U
Commande
Régulateur R
*
u Sortie,
+ *
Régulateur R Résidu Y
u
Régulateur R
* Autres ...
ϕ (η ) ϕ (η )
ϕ η
ϕ j (η ) Sortie,
Résidu
Y
Autres
...
défaut est décrit par un modèle différent. Ces modèles sont implantés en parallèle, où chacun
possède un régulateur propre comme illustré à la figure (1.3). Le problème est alors équivalent
à définir quel couple de modèle(M)/régulateur(K) est le plus approprié pour une situation
particulière à chaque instant. En présence d’un défaut, la représentation du système est
supposée changer (en termes de distance notamment) d’un modèle nominal M0 à un modèle
de défaut Mf dans l’espace des paramètres. La méthode MMST permet de converger sur le
modèle correct de défaut plus rapidement qu’une approche de modèle unique.
Considérons les systèmes représentés sous la forme suivante (Jones, 2002) :
½
ẋ = A0 (p(t))x + B0 (p(t))u
S= (1.12)
y = C0 (p(t))x
avec x ∈ Rn , u ∈ Rm , y ∈ Rk , A0 ∈ Rn×n , B0 ∈ Rn×m , C0 ∈ Rk×n et p(t) ∈ S ∈ Rl
définissent les paramètres du système. p(t) varie dans le temps de manière brutale et représente
les scénari de défauts.
L’ensemble de modèles M est un ensemble de N modèles linéaires
M : {M1 , . . . , MN } (1.13)
tel que ½
ẋj = Aj xj + Bi u
Mj = (1.14)
yj = Ci xj + Di u
32 Chapitre 1 : Concepts et principes des systèmes tolérants aux défauts
MN
^Y
N
…
eN
^Y
1
M1
e1
Système Y
U
…
K1
KN
Fig. 1.3: Schéma de principe de la méthode Multiple Model Switching and Tuning
Z t
2
Jj (t) = αεj (t) + β e−λ(t−τ ) ε2j (τ )dτ
0
α ≥ 0, β > 0, λ > 0 (1.15)
où α et β sont choisis pour donner une combinaison désirée des mesures exactes à court et
long termes. Un facteur λ assure que l’indice de performance Jj (t) est borné en fixant un seuil
maximum à εj . Le couple modèle/régulateur, Mj /Kj possédant le plus petit index est alors
choisi et une période d’attente Tmin > 0 est imposée pour prévenir des commutations trop
rapides. Les algorithmes MMST inclus une partie "tuning" qui apparaît durant la période où
le régulateur Kj est actif. Or durant cette période, les paramètres du modèle Mj correspondant
sont réactualisés en utilisant une technique appropriée d’identification (Astrom and Wit-
tenmark, 1995). Le théorème suivant énonce des résultats de stabilité de cette approche MMST :
avec β, λ, Tmin>0 et α ≥ 0. Alors, pour chaque système avec le vecteur des paramètres p ∈ S, il
existe un nombre positif Ts et une fonction µ(p, Tmin ) > 0, tels que si :
alors tous les signaux de tous les systèmes, en fonction des indices de performances Jj (t),
sont uniformément bornés. Ici, Ts dépend uniquement de S, et µs dépend de β, λ, α et S.
Ainsi, le théorème 1 établit que le système MMST est stable si l’ensemble de modèles Mj
est suffisamment dense dans l’espace des paramètres S et que le taux d’échantillonnage est
suffisamment rapide. La densité et la rapidité dépendent essentiellement du type de système
considéré. Cependant, le théorème 1 ne donne pas de précision sur le choix de la sélection de
M ou de Tmin .
Plusieurs études ont utilisées ce type d’approche. Dans (Boskovic and Mehra., 1998) et
(Boskovic et al., 2000), un régulateur MMST est consacré à un avion. 11 modèles ont été requis
pour couvrir les scénari de défauts et un intervalle de commutation de 25ms a été fixé pour
assurer la stabilité. Cependant, cette approche ne pouvait pas considérer de défauts multiples.
Toujours dans le domaine de l’aviation, (Boskovic and Mehra, 1999) utilise un schéma MMST
avec pertes d’efficacité des actionneurs. Seulement 5 modèles sont requis pour satisfaire aux
conditions de performance mais encore une fois l’accommodation aux défauts multiples ne
peut être réalisée.
Pour des systèmes avec relativement peu de modes de défaillances ou des modes parfaitement
connus, la commutation de modèles multiples possède l’avantage d’être très rapide et stable.
Des travaux dans le cadre non linéaire de la commande MMST (Narendra et al., 2003) ont
permis d’étendre des résultats du cadre linéaire vers le non linéaire. Cependant, les défauts non
répertoriés peuvent toujours apparaître constituant la principale limitation de ces méthodes.
L’explosion du nombre de modèles avec le nombre de défauts simultanés considérés représente
également une autre limitation.
Un autre aspect de la commutation entre modèles peut être géré par des automates dans le
cadre d’une approche hybride alliant un système sous forme continue et un automate discret
gérant les transitions entre les différents modèles. La commande hybride tolérante aux défauts
se base sur un aspect commun avec l’approche multi-modèle dans le sens où cette approche
considère que le système peut être représenté par un ensemble fini N de modèles, où chaque
modèle représente un mode particulier. Ce mode est directement lié au défaut apparaissant
sur le système (Clements, 2003) dans le cadre de la commande hybride et (Cocquempot et
al., 2003) dans le cadre du développement du diagnostic sur les systèmes hybrides. Scott
Clements considère notamment un graphe permettant d’allier à la fois la partie discrète du
système et la partie continue avec les équations dynamiques du système. La commutation
d’un mode de défaut à un autre se fait au travers ce type de graphe que l’on retrouve dans
le livre de (Blanke et al., 2003). La communauté scientifique se penche sur la question et sur
les formalismes à adopter en ce qui concerne l’alliance des travaux provenant du domaine dis-
34 Chapitre 1 : Concepts et principes des systèmes tolérants aux défauts
cret avec celui provenant du domaine continu comme dans l’AS Systèmes Dynamiques Hybrides.
La méthode d’Interaction des Modèles Multiples (en anglais Interacting Multiple Model)
repousse les limitations de la méthode MMST en considérant que les modèles de défauts sont
représentés par une combinaison convexe de modèles dans un ensemble de modèles. (Zhang and
Jiang, 1999b) considèrent chaque défaut comme un modèle particulier tout en commandant les
systèmes décrits sous forme de systèmes stochastiques hybrides linéaires à partir de l’algorithme
d’IMM développé par Blom (Blom and Bar Shalom, 1988) et amélioré par (Rong et al., 2002).
Une modélisation mathématique plus appropriée est obtenue en utilisant une modélisation
des systèmes sous forme « hybrides » stochastiques qui diffèrent des systèmes stochastiques
de type classique par le fait que les premiers peuvent changer d’état de façon abrupte. (Val
et al., 2002) traitent des systèmes linéaires à sauts Markoviens (Markov jump linear systems)
lorsqu’une partie de l’état n’est pas mesurée afin de synthétiser un régulateur.
Un système linéaire discret stochastique soumis à des défauts peut être considéré comme un
système hybride avec un séquencement de mode traduit sous forme de chaînes de Markov en
assimilant les défauts à des modes de fonctionnement en tenant compte des probabilités d’oc-
currence des défauts/défaillances. Néanmoins, (Blom and Bar Shalom, 1988) ont développé cet
algorithme pour résoudre le problème de l’estimation d’état au sein des systèmes linéaires dont
les coefficients basculent brusquement d’un modèle à l’autre afin d’être exploité à des fins de
commande de systèmes (Li and BarShalom, 1993). (Zhang and Li, 1998) ont été parmi les pre-
miers à prendre en compte une telle hypothèse considérant l’algorithme IMM, pour synthétiser
une approche permettant de détecter et de localiser ainsi des probabilités d’occurrence entre
les défauts, et d’estimer le vecteur d’état de chaque filtre au moyen des modes de probabilités.
L’interaction des modèles multiples consiste en un banc de filtres de Kalman où chaque filtre
représente un mode de fonctionnement du système. Cette technique a la capacité d’estimer
l’état sous une réduction significative du bruit, sans pour autant augmenter la charge de calcul
(Li and BarShalom, 1993). L’estimation initiale au début de chaque cycle, est une combinaison
appropriée des estimations récentes, ce qui permet à l’algorithme IMM de prendre en compte
l’historique des modes du système. La méthode d’interaction des modèles multiples, utilise une
modélisation de changement abrupt du système sous forme hybride. La probabilité de chaque
modèle est calculée pour indiquer le mode actuel et le mode de transition à chaque instant.
Le système se définit sous la forme d’un modèle dynamique hybride selon la représentation
suivante :
(
x(k + 1) , A(k, m(k + 1))x(k) + B(k, m(k + 1))u(k) + ω(k, m(k + 1)),
(1.16)
y(k) , C(k, m(k + 1))x(k) + ν(k, m(k + 1)),
½
x(k + 1) = (A(k) + ∆Aj (k))x(k) + (B(k) + ∆Bj (k))u(k) + ωj (k),
mj (1.17)
x(k + 1) = Aj (k)x(k) + Bj (k)u(k) + ωj (k),
½
y(k) = (C(k) + ∆Cj (k))x(k) + νj (k),
mj (1.18)
y(k) = Cj (k)x(k) + νj (k) ∀j ∈ (1, 2, · · · , M ),
où ∆Aj (k), ∆Bj (k), et ∆Cj (k), représentent des changements sur les composants du
système, sur les actionneurs et sur les capteurs liés à l’occurrence des défauts. En l’absence de
défauts, ces matrices sont considérées comme nulles.
L’ensemble M = [m1 , m2 , . . . , mM ] représente les modèles conçus pour décrire toutes les
conditions de fonctionnement du système sous certaines hypothèses de défauts, ils sont nommés
« modes » dans l’ensemble M. Dans ce contexte, m1 représente le mode de fonctionnement
sans défaut et [m2 , m3 , . . . , mM ] représentent les "modes" avec des conditions particulières de
défauts.
Par ailleurs, le mode m(k) du système est défini comme une chaîne de Markov du premier
ordre où à chaque instant d’échantillonnage, la probabilité de transition d’un mode mi à un
mode mj peut être définie par :
∀j ∈ (1, . . . , M ) ΣM
j=1 πij (k) = 1, (1.20)
πji est la probabilité de transition du mode mj au mode mi ; l’événement mj qui a lieu
au temps k est décrit par mj , {m(k) = j}. La plus grande difficulté dans l’exploitation de
l’algorithme IMM réside dans la détermination de la matrice πji .
génération de résidus à partir de laquelle on définit quel modèle représente le mieux le système
à un instant t. Récemment, une approche (Yamé and Kinnaert, 2003) a été proposée où la
commutation est réalisée par la surveillance du système en boucle fermée. Dans (Mahmoud
et al., 2001) une attention particulière a permis la synthèse d’un banc de régulateurs, en
supposant que l’apparition des défauts sont des procédés markoviens du premier ordre avec
des matrices de transitions de probabilités données. Il existe des approches développées sur
la commutation de régulateur notamment dans (Maki et al., 2001) et (Médar et al., 2002).
Le problème de réduction des périodes transitoires lors des commutations a été récemment
considéré par (Kovacshazy et al., 2001). Le principal inconvénient de cette approche est de
ne considérer l’apparition que d’un seul défaut à la fois. En revanche, la modélisation des
incertitudes peut être prise en compte en synthétisant des régulateurs locaux robustes aux
incertitudes.
La figure (1.4) permet de classifier de manière plus précise les diverses méthodes de
commande tolérante aux défauts recensées dans ce mémoire.
Commande Tolérante
aux défauts
Passive Active
Commande robuste
Adaptatif Synthèse
Multiples Modèles De
régulateur
Commutation de
Modèles multiples Commande adaptative Placement
Par Modèles de référence de
structure
propre
Interaction de
Linéarisation par retour
modèles Pseudo-
adaptatif
multiples (IMM) inverse
Il faut toutefois noter que la plupart du temps dans la synthèse de loi de commande
tolérante aux défauts, il est supposé un "principe de séparation" des modules FDI/FTC
comme par exemple dans la reconfiguration de la loi de commande des systèmes LPV (Ganguli
et al., 2002). En effet, le module FDI est la plupart du temps considéré comme "parfait"
1.2 Diagnostic de défauts à base de multi-modèles 37
permettant une détection et une estimation en ligne du défaut sans incertitudes ni retard à
la détection. Des travaux de recherche (Shin, 2003) soulignent ce problème encore ouvert, où
la phase transitoire liée au retard à la détection du module FDI est quantifiée afin de définir
si le système peut être rendu instable par ce temps de retard. Ce problème définit à lui seul
un problème d’automatique ainsi qu’un axe de recherche d’interaction commande/diagnostic
(Jacques et al., 2003) lors de la reconfiguration de la loi de commande et nous nous placerons
dans un contexte où le module de FDI sera supposé parfait.
Dans cette première section, nous avons classé les plus importantes approches de com-
mande tolérante aux défauts notamment celles utilisant l’approche multi-modèle. Nous nous
focalisons désormais sur les méthodes dédiées aux systèmes non linéaires représentés par des
multi-modèles.
Précédemment, nous avons montré comment l’approche multi-modèle pouvait être utilisée
dans le cadre de la commande, nous proposons de découvrir comment ceux-ci ont été utilisés à
des fins de diagnostic de défauts.
(
xk+1 = Aj xk + Bj uk + ωkj
mj (1.21)
yk = Cj xk + Dj uk + νkj
où x ∈ Rn est le vecteur d’état, u ∈ Rp est le vecteur de commande, y ∈ Rm est le vecteur
de sortie, ωkj et νkj sont deux bruits blancs gaussiens, de covariance Qj et Rj respectivement.
Les matrices Aj , Bj , Cj , Dj sont des matrices d’état connues et de dimensions appropriées. Afin
de réaliser simultanément l’estimation d’état et l’identification du défaut, l’algorithme suppose
qu’une seule hypothèse mj peut être vérifiée à la fois parmi les N valeurs possibles. De ce
fait, à chacune des hypothèses mj correspond un système linéaire stochastique à temps discret
décrivant un mode de fonctionnement identifié et déterminé. Les hypothèses considèrent que
le résidu résultant de la différence entre le système et chaque filtre, suit une loi de distribution
normale centrée permettant de calculer une densité de probabilité. A partir du Théorème de
Bayes, le calcul de la probabilité de chaque modèle pjk est réalisée de la manière suivante :
℘jk pjk
pjk+1 = PN (1.23)
l=1 ℘lk plk
Cette dernière utilise une fonction de densité normale centrée, avec le résidu γkj exprimant
la différence entre la sortie du système et la sortie du jème filtre :
estimations d’état des modèles pondérés par les probabilités. L’état global se représente alors
de la manière suivante :
N
X
x
bk+1 = bjk pjk
x (1.25)
j=1
Sur la figure (1.5) un banc de filtres de Kalman basés sur l’entrée et la sortie du système
génère des résidus utilisés pour définir les probabilités de chaque modèle. Ces probabilités
pondèrent les estimations de chaque filtre de Kalman pour obtenir une estimation globale
de l’état du système (1.25). D’autre part, les probabilités déterminent à chaque instant quel
modèle ou combinaison de modèles, représente ou approxime, le comportement dynamique du
système.
U Y
Système
Modèles linéaires ^X
1
FK1 *
r1 Estimation
^
X
^
X2
FK2 * Globale
r2 ^
X i Σ
FKj *
. ri
.
. ^X
N
*
FKN
Banc de Filtres
rN
de Kalman
p1
Évaluation p2
Probabilités pj
.
.
.
pN
Depuis (Zadeh, 1965) qui fût un des instigateurs de la logique floue dans la decomposition
des systèmes non linéaires en de multiples systèmes linéaires, d’autres comme (Takagi and
Sugeno, 1985), (Tanaka et al., 1996) et (Zhao, 1995) ont suivi cette approche. L’approche floue
propose un ensemble de règles "si prémisse alors conséquence"(IF-THEN-RULES), telle que
la conséquence d’une règle est la sélection d’un modèle. Le modèle global est alors obtenu par
l’agrégation des différents modèles locaux.
La modélisation de systèmes non linéaires par les multi-modèles a été d’un intérêt croissant
comme il est possible de l’appréhender dans les travaux de (Hadjili and Wertz, 2002), (Bhagwat
et al., 2003) et (Venkat et al., 2003). Ces derniers proposent notamment des fonctions de
pondération à pente douce en fonction de l’entrée du système. (Zheng et al., 2002) modélisent
un CSTR (Continuous Stirred Tank Reaction) par approche multi-modèles autour de différents
points de fonctionnement caractéristiques du système. D’autre part, les travaux de (Leith and
Leithead, 2000) sont orientés sur les fonctions de pondération douces des modèles en l’absence
de défaut.
Dans le cadre de l’approche multi-modèle, les systèmes étudiés se représentent sous forme
d’une interpolation entre les modèles linéaires locaux. Chaque modèle local est un système
dynamique LTI valide autour d’un point de fonctionnement. Selon l’information disponible,
plusieurs méthodes distinctes peuvent être utilisées pour l’obtention d’un multi-modèle. Deux
méthodes sont principalement utilisées pour obtenir les modèles locaux d’une représentation
multi-modèles d’un système non linéaire :
- Identification de type boîte noire lorsque le système non linéaire n’a pas de forme
analytique,
- Linéarisation du système autour de plusieurs points de fonctionnement.
Si l’on ne dispose par exemple que des mesures d’entrées-sorties du système, il faut procéder
par identification (Gasso et al., 2002) en cherchant ou en imposant la structure multi-modèle
1.2 Diagnostic de défauts à base de multi-modèles 41
Il est parfois possible en connaissant les équations qui régissent l’ensemble d’un système de
définir un modèle unique non linéaire. Toutefois, il est bien souvent préférable de linéariser
ce modèle pour pouvoir utiliser des techniques de commande ou de diagnostic faites pour les
cas linéaires. Même si notre but n’est pas l’identification des systèmes non linéaires par les
multi-modèles, un des points fondamentaux dans cette décomposition reste le choix du nombre
ainsi que l’emplacement des points de fonctionnement afin de refléter au mieux l’évolution
intrinsèque du système. Il est important de définir des critères pour une meilleure sélection des
régimes linéaires :
De manière à illustrer ces propos, considérons un système non linéaire pour lequel nous
cherchons à obtenir une représentation multi-modèles permettant de décrire le comportement
de ce système. Ainsi sur la figure (1.6), la représentation statique révèle l’importance du choix
du nombre optimal de modèles locaux à utiliser. On peut aisément comprendre sur cet exemple,
l’utilité de la décomposition en plusieurs modèles car il apparaît alors évident qu’un seul
modèle ne peut simuler le fonctionnement du système sur toute la plage de fonctionnement.
En revanche, le choix d’une décomposition en trois modèles linéaires paraît plus judicieux
pour réaliser un compromis entre la représentation du système non-linéaire et la charge de calcul.
N
X
βj (x(t), u(t))fj (x(t), u(t))
j=1
ym (t) = N
(1.26)
X
βj (x(t), u(t))
j=1
et posons
42 Chapitre 1 : Concepts et principes des systèmes tolérants aux défauts
Sortie Y
PF
PF
PF
Non linéaire
1 modèle linéaire
3 modèles linéaires
PF Point de fonctionnement
Entrée U
βj (x(t), u(t))
γj (x(t), u(t)) = N
X (1.27)
βj (x(t), u(t))
j=1
En combinant alors les équations (1.26) et (1.27), on obtient l’expression générale d’une
structure multi-modèles (Johansen and Foss, 1993) :
N
X
ym (t) = γj (x(t))fj (x(t), u(t)) (1.28)
j=1
N
X
γj (x(t), u(t)) = 1
j=1
Soient f et g les fonctions non linéaires continues telles que le système non linéaire étudié
ait une représentation d’état de la forme :
1.2 Diagnostic de défauts à base de multi-modèles 43
( ¡ ¢
xk+1 = f xk , uk
¡ ¢ (1.30)
y k = g x k , uk
où x ∈ Rn est le vecteur d’état et u ∈ Rp est le vecteur d’entrée. Nous supposerons dans la
suite que le comportement dynamique du système non linéaire (1.30) se caractérise par une
représentation multi-modèle, composée de plusieurs modèles locaux linéaires ou affines, tel
que chaque modèle local est obtenu en linéarisant le système non linéaire autour d’un point
de fonctionnement défini (xj , uj ) ∈ Rn × Rp . Le choix suggéré par (Johansen and Foss, 1993)
et (Gasso, 2000), nous a incité à considérer un développement au premier ordre de la série
de Taylor. D’un point de vue mathématique, ceci correspond à approximer une fonction non
linéaire par son plan tangent au point (xj , uj ). On suppose que les différents modèles locaux
sont issus d’une linéarisation autour de N points de fonctionnement (xj , uj ) ∈ [1, . . . , N ]. La
notation multi-modèles se représente alors sous la forme suivante :
N
X ¡ ¢
xk+1 = γj (xk , uk ) Aj xk + Bj uk + ∆Xj
j=1
N
(1.31)
X ¡ ¢
yk = γj (xk , uk ) Cj xk + Dj uk + ∆Yj
j=1
avec
¯ ¯
∂f (x, u) ¯¯ ∂f (x, u) ¯¯
Aj = , Bj = , ∆Xj = f (xj , uj ) − Aj xj − Bj uj
∂x ¯ x=xj ∂u ¯ x=xj
¯ u=uj
¯ u=uj
(1.32)
∂g(x, u) ¯¯ ∂g(x, u) ¯¯
Cj = , Dj = , ∆Yj = g(xj , uj ) − Cj xj − Dj uj
∂x ¯ x=xj ∂u ¯ x=xj
u=uj u=uj
P
notamment les systèmes LPV affines de la forme A0 + N j
j=1 Θk Aj . De nombreux travaux
existent dans ce domaine attractif où (Arzelier et al., 2001) et (Reberga et al., 2005) traitent
des diverses formes de modèles pouvant s’écrire sous une forme LPV. Une autre représentation
intéressante des systèmes LPV est la représentation polytopique utilisée par (Angelis, 2001),
(Hensen et al., 2000), ainsi que dans (Glover, 2003), (Angeli et al., 2000) où ceux-ci modélisent
PN ej ( Voir Annexe D), similaire
les systèmes non linéaires sous une forme polytopique 2j=1 ρjk A
à celle utilisée en multi-modèles. Cette forme polytopique est une généralisation des systèmes
affines. Dans (Rosinova and Vesely, 2004), il est question d’un système avec des incertitudes
paramétriques mis sous forme LPV affine puis sous forme polytopique. On notera toutefois
que la présence de défauts y est rarement mentionnée et reste donc peu traitée.
Nous allons désormais traiter des multi-modèles, au sens de modèles définis autour de
plusieurs points de fonctionnement, et de diagnostic de manière générale permettant la
détection, l’isolation et l’estimation des défauts.
½
xk+1 = Aj xk + Bj uk + Fxj dk + ∆Xj
(1.35)
yk = Cj xk + Dj uk + Fyj hk + ∆Yj
où les matrices (Aj , Bj , Cj , Dj ) sont des matrices invariantes définies autour du jème point
de fonctionnement (PF j ). La matrice de distribution des défauts actionneurs et capteurs
sont représentées respectivement par Fxj ∈ Rn×p et Fyj ∈ Rm×n . dk ∈ Rp représente le
vecteur des défauts actionneur et hk ∈ Rp le vecteur des défauts capteur. ∆Xj et ∆Yj
représentent les vecteurs constants dépendants du jème point de fonctionnement définis pré-
cédemment. Ainsi, de manière similaire au formalisme de (Johansen et al., 1998) en l’absence
de défauts, le système linéaire (1.35), résultant de la modélisation d’un processus non li-
néaire autour du jème point de fonctionnement, peut être spécifié par un ensemble de matrices :
· ¸
Aj Bj Fxj ∆Xj
Sj = , ∀j = [1, . . . , N ] (1.36)
Cj Dj Fyj ∆Yj
1.3 Conclusions et problématique 45
Afin de pouvoir représenter le système non linéaire (1.30), l’ensemble de modèles linéaires
(1.36) est utilisé à chaque instant par Sk une séquence de matrices variant dans un ensemble
convexe, définie par :
( )
PN PN
Sk := j=1 ρjk Sj : ρjk ≥ 0, j=1 ρjk = 1 (1.37)
Cette séquence Sk caractérise à chaque instant le système non linéaire et par conséquent, la
dynamique du système non linéaire peut être représentée par un ensemble convexe de multiples
modèles linéaires invariants. Comme considéré dans (Murray-Smith and Johansen, 1997) et
(Theilliol et al., 2003b), un modèle apte à représenter toute la plage de fonctionnement du
système est constitué de N modèles locaux pondérés par des fonctions de pondération ρjk .
Ces fonctions de pondération ou d’activation ρjk ∀j ∈ [1, . . . , N ] évoluent dans un ensemble
convexe Ω tel que
( N
)
X
Ω := ρjk : ρjk ≥ 0, ρjk = 1 (1.38)
j=1
Ces fonctions de pondération ρjk dépendent du vecteur d’état xk du système ainsi que de
l’entrée uk du système telles que celles-ci s’écrivent de manière similaire à (1.2.2) sous la forme
ρj (xk , uk ) = ρjk .
D’après (Park et al., 1994) et sans nuire à la généralité de la méthode présentée, les
défauts capteurs considérés comme des incertitudes structurées, peuvent être interprétés
mathématiquement comme des défauts actionneurs par une augmentation d’état en supposant
une dynamique lente du défaut capteur. Il est alors possible de redéfinir la représentation
(1.36) avec une matrice de distribution des défauts Fj ∈ Rn+m de rang q et un vecteur unique
de défauts dk de dimensions appropriées, de la manière suivante :
· ¸
Aj Bj Fj ∆Xj
Sj = , ∀j = [1, . . . , N ] (1.39)
Cj Dj ∆Yj
Cette dernière représentation du système non linéaire va nous permettre dans les chapitres
suivants, de pouvoir avoir une représentation à la fois du système autour de différents points
de fonctionnement tout en pouvant effectuer un travail de diagnostic de défauts.
Il est apparu au cours de cette étude que ces stratégies d’AFTC étaient essentiellement consa-
crées à des systèmes linéaires et le problème reste ouvert, en ce qui concerne le développement
de stratégies pour des systèmes non linéaires ou variant dans le temps que sont majoritairement
les systèmes industriels.
De plus, comme nous avons pu le constater, les méthodes développées se basent sur la
détection et l’accommodation d’un seul défaut, ne permettant pas de traiter des défauts
multiples. Il est essentiel de pouvoir, dans le cas de défauts multiples, développer une stratégie
permettant d’une part de détecter, isoler et estimer plusieurs défauts à la fois et d’autre part,
il apparaît intéressant de développer une stratégie qui tienne compte des incertitudes pour une
meilleure prise de décision.
Dans l’approche multi-modèle, nous avons pû constater que les modèles représentent soit
un type de défaut soit un modèle défini autour d’un point de fonctionnement. Très peu de
stratégies multi-modèles permettent d’appréhender le multi-modèle avec des modèles issus
d’identification locale avec une prise en compte des défauts incorporés sur ces modèles. De
plus, peu d’approches multi-modèle s’attachent à rendre robuste aux défauts les fonctions
d’activation.
Les hypothèses de travail sur lesquelles cette thèse repose sont : un système inconnu (dont
les équations physiques nous sont inconnues (Athans et al., 2005)), avec des connaissances
uniquement locales du système autour de plusieurs points de fonctionnement. Autour de ces
PF, il est supposé que l’on dispose d’une représentation d’état du système ainsi que les entrées
Uej et sorties Yej du système associé. Ainsi, l’objectif est d’effectuer un diagnostic de défauts
et plus tard, de remédier à l’occurrence de ces derniers par la reconfiguration sur une plage
connue du système. Ceci afin de pallier la présence de défauts pour rejoindre les performances
nominales du système autour de ces points de fonctionnement. Ce type d’hypothèses se
retrouvent notamment dans la conduite des procédés chimiques industriels tels que les cuves de
réaction (CSTR) dans (Gatzke and Doyle, 1999), (Zheng et al., 2002), (Ozkan et al., 2003) et
(Wan and Kothare, 2004), où des modèles locaux sont identifiés parce qu’ils sont intéressants
d’un point de vue rendement et\ou économique. Le procédé est vu comme un ensemble de
modèles définissant des conditions de fonctionnement spécifiques. En aucun cas, un aspect
plus approfondi sur la partie modélisation a été envisagé. Nous avons considéré que le nombre
de modèles requis ou à considérer pour une plus grande plage de fonctionnement faisait partie
d’une recherche en soi (Gasso, 2000) et n’a pas été le but de cette thèse.
D’autre part, le diagnostic à base de filtres de Kalman sera basé sur la représentation du
système inconnu au travers ses N modèles linéaires. Ceux-ci, à la manière d’(Athans et
al., 2005), devront permettre une évaluation du système représenté par ces multi-modèles.
Les fonctions de pondération ou d’activation des différents modèles sont bien souvent issues
de mesures sur le système (entrées-états-sorties). Or, il est évident que de telles mesures
peuvent être sujettes aux défauts (ainsi que l’état du système) engendrant alors des fonctions
d’activation corrompues par la présence de défaut et une mauvaise sélection du modèle
représentant le système. Si l’on développe une stratégie permettant d’assurer la robustesse des
1.3 Conclusions et problématique 47
fonctions d’activation, il est alors possible d’avoir à la fois une représentation de la dynamique
du système non linéaire et d’avoir connaissance du ou des défauts présents sur le système. La
stabilité de ce schéma FDD doit pouvoir être vérifiée pour permettre d’assurer la fiabilité du
système en présence de défauts.
Ainsi réalisé, le schéma de diagnostic dédié aux systèmes non linéaires représentés par
des multi-modèles, permet la synthèse d’une stratégie de commande active tolérante aux
défauts sur de tels systèmes. Les stratégies d’AFTC en multi-modèles notamment, considèrent
qu’une modélisation du système en défaut est disponible, restreignant le type et le nombre
de défauts potentiellement détectables, ce qui est difficile et n’est pas toujours possible. Il
est intéressant de pouvoir synthétiser une stratégie d’AFTC permettant de considérer dans
un premier temps plusieurs défauts potentiels arrivants sur le système. Puis dans un second
temps, il semble intéressant que la stratégie à développer puisse tenir compte de toute la plage
de fonctionnement du système de manière analogue à celles vues dans le cadre multi-modèles
précédemment et à l’image du schéma (1.1). Enfin, la stabilité de l’ensemble doit pouvoir être
vérifiée assurant un ensemble solide permettant au système d’être robuste et plus fiable. La
stratégie doit pouvoir tenir compte de l’apparition des défauts en ligne afin de synthétiser de
nouveaux gains de régulateurs assurant d’une part l’accommodation aux défauts et d’autre
part, la stabilité du système en boucle fermée.
48 Chapitre 1 : Concepts et principes des systèmes tolérants aux défauts
Chapitre 2
" Douter de tout ou tout croire sont deux solutions également commodes, qui l’une et l’autre nous dispensent
de réfléchir." Henri Poincaré
2.1 Introduction
Diverses méthodes de diagnostic basées sur des représentations analytiques existent dans le
cadre linéaire (Cf. Chapitre 1) telle la synthèse d’observateurs à entrées inconnues présentée
dans le livre de (Chen and Patton, 1999), les filtres de détection dont une édition spéciale
leur est entièrement consacrée (Edelmayer, 2002), l’affectation de structures propres (Liu and
Patton, 1998) et les équations de parité structurées en considérant la redondance temporelle
(Gertler, 1998). L’état de l’art de (Frank and Ding, 1997) constitue une bonne base sur la
génération de résidus robustes ainsi que les diverses méthodes de diagnostic qui s’y rapportent.
tels (Hammouri et al., 2001) et (Persis and Isidori, 2001), et par méthodes analytiques :
(Alcorta-Garcia and Frank, 1997). Dans le cadre du diagnostic des systèmes non linéaires par
découplage exact, on pourra citer les références suivantes (Join, 2002) et (Kinnaert, 2003). Ces
méthodes sont utilisées s’il existe une description mathématique du système ; malheureusement
cette condition n’est pas facile à remplir de part la complexité des systèmes non linéaires,
engendrant ainsi l’impossibilité d’effectuer un découplage.
Si les représentations non linéaires peuvent quant à elles être très difficiles à obtenir,
un autre type de représentation consiste à définir différents points de fonctionnement et à
considérer un modèle linéaire autour de chaque point de fonctionnement. Les multi-modèles
constituent une autre manière de représenter la dynamique d’un système non linéaire sur toute
sa plage de fonctionnement (Cf. Chapitre 1).
Nous nous attachons plus particulièrement ici aux méthodes de filtres de détection,
d’isolation et d’estimation de défauts.
(
xk+1 = Aj xk + Bj uk + Fj dk + ∆Xj + ωkj
(2.1)
yk = Cj xk + Dj uk + ∆Yj + νkj
où les matrices (Aj , Bj , Cj , Dj , ∆Xj , ∆Yj ) sont des matrices invariantes définies autour
du jème point de fonctionnement (PF j ). Les termes ωkj et νkj sont deux bruits gaussiens,
indépendants, de moyenne nulle et de matrices de variance-covariance respectivement Qj et
Rj pour le jème point de fonctionnement. Dans la suite de ce chapitre, nous noterons j le
modèle local représentant le système et i le filtre de Kalman établi autour du jème point de
fonctionnement.
En considérant les travaux de (Banerjee et al., 1995) réalisés dans le cadre de la commande
et l’estimation d’état de systèmes non linéaires ainsi que, dans le cadre du diagnostic, ceux
d’ (Athans et al., 2005) en multi-modèles : soit un banc de N filtres de Kalman (i) exploités
autour de N points de fonctionnement (j). Afin d’expliciter la problématique de l’obtention
de fonctions de pondération lors de l’apparition de défauts sur le système, un filtre de Kalman
est établi en considérant que le système évolue autour d’un PF j , et se représente sous la forme :
(
x̂ik+1 = Ai x̂ik + Bi uk + Kki (yk − ŷki ) + ∆Xi
(2.2)
ŷki = Ci x̂ik + Di uk + ∆Yi ∀i ∈ [1, . . . , N ]
où x̂i est l’estimation du vecteur d’état et ŷ i est l’estimation du vecteur de sortie. Kki ∈ Rn×m
correspond à la matrice de gain du filtre de Kalman. ∆Xi et ∆Yi représentent les vecteurs
constants dépendants du ième modèle considéré. La figure (2.1) illustre la représentation du
système autour de plusieurs points de fonctionnement ainsi qu’un banc de filtres de Kalman
dédiés autour de chacun ces PF.
De la même façon que (Banerjee et al., 1995) et (Murray-Smith and Johansen, 1997) le
proposent, nous synthétisons des fonctions de validité des modèles linéaires comme pouvant
être définies par des probabilités établies sur la base de résidus rki = yk − ŷki . Celles-ci
permettent de déterminer une pondération à chaque modèle linéaire lors de la reconstruction
du modèle non linéaire sous un ensemble convexe Ω. Comme suggéré par (Maybeck, 1999),
le résidu est utilisé pour calculer la densité de probabilité sous l’hypothèse de suivre une
loi de distribution gaussienne autour de chaque point de fonctionnement. Si le jème mo-
dèle décrit exactement le système, alors l’innovation rki du ième filtre est de moyenne nulle
et a pour matrice de variance-covariance Θi . La densité de probabilité, notée ℘ik est définie par :
Banc de N
Modèles linéaires
Y
U
Modèle 1
.
.
Modèle j
Modèle N
FK1
.
.
FKi
.
.
FKN .
Banc de N Filtres
de Kalman
Chacun des filtres de Kalman du banc permet d’obtenir une erreur d’estimation, lorsque le
système est représenté par le modèle j correspondant à l’estimateur i( j = i) en l’absence de
défaut (dk = 0), alors l’erreur d’estimation ainsi que le résidu r̄ki sont équivalents à :
ε̄ik = xk − x̂ik
¡ ¢ (2.4)
ε̄ik+1 = Ai − Kki Ci ε̄ik − Kki νkj + ωkj
et
r̄ki = yk − ŷki
(2.5)
r̄ki = Ci ε̄ik + νkj
Les notations ε̄ik et r̄ki signifient que le système est considéré en l’absence de défaut.
εik = xk − x̂ik
¡ ¢ (2.6)
εik+1 = Ai − Kki Ci εik − Kki νkj + ωkj + Fj dk
et
rki = yk − ŷki
(2.7)
rki = Ci εik + νkj
L’erreur d’estimation (2.6) étant corrompue par la présence de défauts reflétée par le terme
Fj dk , l’exploitation d’un banc de filtres de Kalman aboutit à l’obtention de vecteurs de résidus
(2.7) corrompus par la présence de défauts.
εik = xk − x̂ik
¡ ¢
εik+1 = Ai − Kki Ci εik − Kki νkj + ωkj (2.8)
+ (∆∆iXj − Kki ∆∆iYj )ξji (k)
et
rki = yk − ŷki
(2.9)
rki = Ci εik + νkj + ∆∆iYj ξji (k)
où ξji ∈ ℜ(n+p+1)×1 correspond à la distance entre le système non linéaire représenté par le
j ème modèle linéaire et le ième modèle linéaire utilisé dans la synthèse du filtre de Kalman.
∆∆iXj ∈ ℜn×(n+p) et ∆∆iYj ∈ ℜm×(n+p) , sont les matrices de distribution des incertitudes
associées respectivement à l’équation d’état, et à l’équation de sortie. Leur dimension est
liée aux possibles incertitudes sur les matrices d’état. Le vecteur des erreurs d’estimation et
de résidus sont corrompus par la présence des incertitudes. On notera que ces incertitudes
structurées représentent la non adéquation entre le système et le modèle.
εik = xk − x̂ik
¡ ¢
εik+1 = Ai − Kki Ci εik − Kki νkj + ωkj (2.10)
+ Fj dk + (∆∆iXj − Kki ∆∆iYj )ξji (k)
54 Chapitre 2 : Synthèse d’un filtre de détection, d’isolation et d’estimation de défauts
et
rki = yk − ŷki
(2.11)
rki = Ci εik + νkj + ∆∆iYj ξji (k)
Dans ce dernier cas, le vecteur des erreurs d’estimation et de résidus sont corrompus par
la présence des incertitudes mais également des défauts : deux types d’information interfèrent
sur la génération de résidus.
Les équations (2.5, 2.7, 2.9 et 2.11) peuvent se résumer de la façon suivante :
Dans le but de savoir quel est le modèle le plus représentatif à chaque instant dans le cas
sans et avec défaut, nous nous sommes intéressés à une nouvelle synthèse de résidus découplés
des défauts permettant de générer un premier signal insensible aux défauts et un second
sensible aux défauts et pouvant s’exprimer comme suit :
· ¸
Σi i
r̃ki = r (2.13)
Ξi k
où Σi et Ξi sont des termes introduits dans le but de découpler les résidus dans des directions
adéquates avec des dimensions appropriées, et r̃ki définit le nouveau vecteur des résidus. Cette
idée nous a poussé à étudier plus en profondeur les filtres de détection générant des résidus
découplés des défauts comme dans (Keller, 1999), que nous avons étendu et intégré dans le
2.1 Introduction 55
i
rki = r̄ki + ∆∆iXj ξj,k i
+ ρk,kd [dkd dkd +1 . . . dk−1 ] + βk,ke [ξj,k e
i
ξj,k e +1
i
. . . ξj,k−1 ] (2.14)
avec
Γik,kd +1 Fj
Γik,kd +2 Fj
ρk,kd = Ci (2.15)
···
Fj
et
Γik,ke +1 (∆∆iXj − Kki e ∆∆iYj )
Γi (∆∆iXj − Kki e +1 ∆∆iYj )
βk,ke = Ci k,ke +2 (2.16)
···
i i
(∆∆Xj − Kk−1 ∆∆iYj )
où
Qk−1
Γik,(kd ,ke ) = i
τ =(kd ,ke ) Lτ
(2.17)
Lik = (Ai − Kki Ci )
En l’absence de défaut, le vecteur de l’erreur d’estimation est représenté par ε̄i et le vecteur
de résidus de sortie est noté r̄ki . L’équation (2.14) nous permet de confirmer que le résidu est
affecté aussi bien par les effets des défauts et des erreurs de modélisation. Le but étant de
générer des résidus insensibles aux effets des défauts mais sensibles seulement aux erreurs de
modélisation :
³ ´
Ai − Kki Ci Fi = 0 (2.18)
Si l’équation (2.18) est vérifiée et si l’on suppose que le nombre de défauts est strictement
inférieur aux nombres de sorties (c..d, ∀i, rang(Ci Fi ) = q < m), une solution à (2.18) a été
proposée par (Keller, 1999) paramétrisant le gain du filtre de Kalman tel que :
i
rki = r̄ki + ∆∆iXj ξj,k i
+ Ci Fi [dk−1 ] + βk,ke [ξj,k e
i
ξj,k e +1
i
· · · ξj,k−1 ] (2.20)
Sous les conditions d’existence et de stabilité présentées et étudiées dans (Keller, 1999),
chaque filtre est décrit par :
(
i
X̂k+1 = Ai X̂ki + Bi Uk + (ωi Ξi + K̄ki Σi )(Yk − Ŷki ) + ∆Xi
(2.21)
Ŷki = Ci X̂ki + ∆Yi
où
K̄ki = Āi P̄ki C̄iT (C̄i P̄ki C̄iT + V̄i )−1 (2.22)
i
P̄k+1 = (Āi − K̄ki C̄i )P̄ki (Āi − K̄ki C̄i )T + K̄ki V̄i (K̄ki )T + Q̄i (2.23)
avec Āi = (Ai − ωi Ξi Ci ), C̄i = Σi Ci , V̄i = Σi Ri ΣTi et Q̄i = Qi + ωi Ξi Ri ΞTi ωiT . Les paires
(Āi , C̄)∀i ∈ [1, . . . , N ] sont supposées observables. En relation avec (2.19) et les propriétés
des matrices précédentes, un vecteur de résidus r̃ki peut être obtenu comme suggéré dans (2.13) :
· ¸ · i¸ " #
i i
γ Σ r
i k Σ (Y
i k − Ŷ )
r̃ki = ki = = k
(2.24)
Ωk Ξi rki Ξi (Yk − Ŷki )
où γki ∈ ℜm−q est le vecteur des résidus découplés des défauts et Ωik ∈ ℜq est le vecteur
des résidus sensibles aux défauts. Par les propriétés des matrices Σi Ci Fj = 0 et Ξi Ci Fj = I,
chaque résidu est défini par l’équation (2.24) et peut être développé avec l’équation (2.14), en
des vecteurs insensibles et sensibles aux défauts respectivement, s’exprimant comme suit :
Les équations (2.25) et (2.26) soulignent qu’une génération de résidus respectivement insen-
sibles et sensibles aux défauts est possible au moyen de ce type de filtre. Nous allons utiliser ce
type de filtre en banc en assignant chaque filtre autour d’un point de fonctionnement pour que
celui-ci génère d’une part un résidu sensible aux défauts et d’autre part un résidu insensible
aux défauts. C’est ce dernier résidu insensible qui est intéressant pour une détermination du
point de fonctionnement du système.
Suivant ces suppositions, lorsqu’un système opère autour du jème point de fonctionnement,
le nouveau résidu insensible aux défauts γki satisfait :
2.1 Introduction 57
½
γki ∼ N if i = j
∀d, (2.27)
γki ≁ N if i 6= j
Considérant que le résidu γki suit une loi de distribution gaussienne autour du jème point
de fonctionnement, le vecteur des résidus peut alors être utilisé pour calculer la densité de
probabilité telle que :
où Θik définit la matrice de covariance des résidus γki , égale à (C̄i P̄ki C̄iT + V̄i ). La probabilité
de mode insensible aux défauts se représente alors comme suit :
℘i ϕi (γ i )
ϕi (γk+1 ) = PN k h k h (2.29)
h
h=1 ℘k ϕ (γk )
Ces probabilités de modes permettent alors de déterminer avec précision où le système non
linéaire opère. Ces probabilités sont utilisées pour déterminer le point de fonctionnement et
par conséquent définissent des fonctions de pondération robustes aux défauts.
Sur la base de ces fonctions de pondération robustes aux défauts, le comportement dyna-
mique du système peut être représenté autour et lors du passage d’un point de fonctionnement
spécifique, à l’aide d’un ensemble convexe Ω de modèles LTI comme définis en (1.38) selon une
séquence de matrices variant à chaque instant :
( )
PN PN
Sk⋆ := i=1 ϕi (γk )Si : ϕi (γk ) ≥ 0, i=1 ϕi (γk ) = 1 (2.30)
où Sk⋆ représente le modèle global comme défini en (4.2) et Si étant définie par (Cf. Chapitre
1) :
· ¸
Ai Bi Fi ∆Xi
Si = , ∀i = [1, . . . , N ] (2.31)
Ci ∆Yi
Notons que sans perte de généralité, nous n’avons pas considéré pour Si le cas avec une
entrée directe Di uk sur le vecteur de sortie.
(
xk+1 = A⋆k xk + Bk⋆ uk + Fk⋆ dk + ∆⋆x,k
(2.32)
yk = Ck⋆ xk + ∆⋆y,k
N
X
avec des matrices (·)⋆k égale à ϕi (γk )(·)i obtenues grâce aux hypothèses faîtes sur le bruit
i=1
à l’équation (2.1) tandis qu’aucune hypothèse sur le bruit n’est faîte sur le système (2.32).
Sur la base de la représentation d’état (2.32) du système décrit par des multi-modèles
possédant des fonctions d’activation robustes à la présence de défauts, nous pouvons désormais
nous attacher à développer une méthode de diagnostic adaptée. Afin de détecter, isoler et
estimer l’amplitude des défauts et fort de l’expression acquise à travers l’élaboration d’un
banc de filtres découplants, nous nous sommes attachés à générer des résidus en synthétisant
un filtre compatible avec la représentation convexe (Rodrigues et al., 2002), (Theilliol et
al., 2002b) et garantissant la stabilité sur la plage de fonctionnement demandée. La synthèse et
l’étude de stabilité de ce filtre que nous dénommons filtre adaptatif dans la suite, est présentée
dans la section suivante.
N
¡X ¢
ϕi (γk )Fi dk (2.33)
i=1
Afin de permettre le découplage des résidus sur l’ensemble des points de fonctionnement
considéré, l’écriture des défauts (2.33) va être reformulée selon le Théorème 2 suivant où la
matrice Fih (respectivement ℑh ) définit la hème colonne de la matrice Fi (respectivement ℑ).
2.2 Synthèse d’un filtre adaptatif 59
où d ∈ Rq représente le vecteur des défauts et f ∈ Rq est alors une image du vecteur des
défauts, et ℑ ∈ Rn×q est une matrice de distribution des défauts dont les vecteurs colonnes sont
colinéaires aux vecteurs colonnes des matrices Fi . ¤
Preuve :
µX
N ¶ µX
N ¶
i
ϕ (γk )Fi dk = ϕ i
(γk )[Fi1 . . . Fih . . . Fiq ] dk
i=1 i=1
N
X N
X N
X
£ ¤
= ϕi (γk )Fi1 . . . i
ϕ (γk )Fih . . . ϕi (γk )Fiq dk (2.34)
i=1 i=1 i=1
d1k
..
.
or par définition, dk = d h
k
..
.
dqk
Ainsi,
µX
N ¶ N N N
£X X X ¤
i
ϕ (γk )Fi dk = ϕ i
(γk )Fi1 d1k ... ϕ i
(γk )Fih dhk ... ϕi (γk )Fiq dqk (2.35)
i=1 i=1 i=1 i=1
P
En considérant l’élément N i h h
i=1 ϕ (γk )Fi dk et en soulignant la colinéarité de chaque colonne,
la contribution des défauts dans la représentation d’état peut être notée suivant :
µ ¶ µ ¶
PN PN
ϕi (γk )Fih dhk =
i=1
i h h h
i=1 ϕ (γk )(αi ℑ ) dk
µ ¶ (2.36)
h
PN i h h
ℑ i=1 ϕ (γk )αi dk = ℑh fkh
P
où N i h h h
i=1 ϕ (γk )αi est un scalaire et dk et fk définissent le hème élément du vecteur des
défauts.
60 Chapitre 2 : Synthèse d’un filtre de détection, d’isolation et d’estimation de défauts
En considérant l’égalité (2.35) pour chacun des q éléments de dk , on obtient une matrice ℑ
fixe. Une matrice constante de plein rang colonne ℑ et une image du vecteur des défauts
T
fk = [fk1 fk2 ... fkq ] sont alors générés. Chaque élément fkh est une interpolation du hème
élément du vecteur des défauts dk . Par conséquent, la matrice ℑ et le vecteur des défauts fk
peuvent alors être représentés de la manière suivante :
µ ¶
PN i
i=1 ϕ (γk )Fi dk = ℑfk (2.37)
avec, ∀i
h i
ℑ= 1
F1 1 F2
α1i i α2i i
... 1
Fq
αqi i (2.38)
" µ ¶T µ ¶T # T
PN i 1 1
PN i q q
fk = i=1 ϕ (γk )αi dk ... i=1 ϕ (γk )αi dk
⋄
Remarque n˚1 : La matrice ℑ n’est pas unique par sa synthèse. Les scalaires αih
sont
déterminés et sont fixés, et de plus ils ne sont pas nuls si les conditions de rang du Théorème
1 sont respectées.
Remarque n˚2 : L’obtention d’une unique matrice de distribution des défauts ℑ est directe
dans le cadre des défauts capteurs car ces derniers peuvent être considérés, après une augmen-
tation d’état (Park et al., 1994), par un ensemble de 1 et de 0.
P
Remarque n˚3 : Sous l’hypothèse que la matrice ( N i
i=1 ϕ (γk )Fi ) soit de plein rang colonne,
les défauts dk peuvent être estimés par une matrice de Moore-Penrose appliquée à (2.37), et
nous obtenons alors :
µ ¶+
PN
dbk = i=1
i
ϕ (γk )Fi ℑfk (2.39)
Remarque : n˚4 :
Dans le cas de défauts actionneurs et si la matrice de commande B est unique quels que
soient les points de fonctionnement, il est possible que la matrice de défauts soit unique
simplifiant ainsi le problème.
2.2.2 Synthèse
Dans le but de détecter et d’isoler les défauts, un filtre découplant possédant un gain
Kk adéquat, peut être synthétisé avec les matrices A⋆k et C définies en (2.32), selon la
représentation d’état discrète suivante :
(
x̂k+1 = A⋆k x̂k + Bk⋆ uk + Kk (yk − ŷk ) + ∆⋆x,k
(2.41)
ŷk = C x̂k + ∆⋆y,k
où x̂ et ŷ représentent respectivement l’état estimé et la sortie estimée.
Suivant (2.41) l’erreur d’estimation ek (ek = xk − x̂k ) et le résidus de sortie rk (rk = yk − ŷk )
peuvent être écrit suivant :
½
ek+1 = (A⋆k − Kk C)ek + ℑfk
(2.42)
rk = C ek
où ℑ = F si quelque soit le point de fonctionnement considéré la matrice de distribution
des défauts est constante. Sous l’hypothèse que le défaut apparaît à l’instant kd (k > kd ), le
vecteur résiduel est défini tel que :
Kk = ωk Π + K̄k Σ (2.45)
avec Π = (Cℑ)+ , ωk = A⋆k ℑ, ΣC = C̄, Ā⋆k = A⋆k − ωk ΠC et Σ = α(Im − CℑΠ) où
α est une matrice arbitraire déterminée telle que Σ soit de plein rang ligne. Les paires
(Āi , C̄)∀i ∈ [1, . . . , N ] sont supposées observables.
(
ek+1 = A⋆k x
x ek + Bk⋆ uk + ∆⋆x,k + (ωk Π + K̄k Σ)(yk − yek )
(2.46)
yek xk + ∆⋆y,k
= Ce
où x
ek et yek sont respectivement l’état estimé et la sortie estimée.
· ¸ · ¸ · ¸
γk⋆ Σ Σr̄k
= rk = (2.48)
Ω⋆k Π Πr̄k + fk−1
Il peut être noté que γk⋆ ∈ Rm−q est un vecteur de résidus insensible aux défauts et Ω⋆k
∈ Rq est un vecteur de résidus sensibles aux défauts et permet d’estimer par la même occasion
le vecteur des défauts fk . En présence d’un défaut actionneur, l’indice de détectabilité (Cf.
(Liu, 1996) et (Keller, 1999)) est équivalent à 1 comme il est possible de le constater dans
l’équation (2.48). Une estimation dbk de dk peut être réalisée au moyen d’une matrice de
µ ¶+
P
Moore-Penrose telle que dbk = N i
i=1 ϕ (γk )Fi ℑΩ⋆k .
Le gain K̄k , défini en (2.45), est le seul degré de liberté dans la synthèse du filtre adaptatif. Il
est synthétisé comme une interpolation de gains K̄i à la manière de (Stiwell and Rugh, 1999) ou
XN
(Leith and Leithead, 2000). Nous allons synthétiser un gain K̄k = ⋆
ϕi (γk )K̄i afin d’assurer
i=1
la stabilité du filtre adaptatif. Pour la détermination de K̄k⋆ , chaque K̄i est calculé hors-ligne
en utilisant la stabilité quadratique de Lyapunov de l’erreur d’estimation du filtre adaptatif et
les inégalités matricielles linéaires (LMI).
En prenant l’erreur d’estimation du filtre adaptatif (2.42) en l’absence de défaut, notée
ēk , avec le gain Kk en (2.45) et les définitions des matrices du filtre adaptatif, l’écriture devient :
¡ ¢ ¡ ¢
ēk+1 = A⋆k − Kk C ēk = A⋆k − (ωk Π + K̄k⋆ Σ)C ēk
¡ ¢
= A⋆k (I − ℑΠC) − K̄k⋆ ΣC ēk
¡ ¢
= Ā⋆k − K̄k⋆ C̄ ēk (2.49)
N
X
avec Ā⋆k = ϕi (γk )Āi et Āi = Ai (I − ℑΠC).
i=1
½
(Āi − K̄i C̄)T P (Āi − K̄i C̄) − P < 0
(2.50)
P > 0, ∀i ∈ [1, . . . , N ]
Le complément de Schür (Boyd et al., 1994) transforme l’inégalité (2.50) de la façon suivante :
µ ¶
P (Āi − K̄i C̄)T P
> 0, ∀i ∈ [1, . . . , N ] (2.51)
P (Āi − K̄i C̄) P
Or cette dernière inégalité n’est pas linéaire en les variables P et K̄i . En effectuant un
changement de variables, il est possible de linéariser cette inégalité avec P K̄i = Mi :
µ ¶
P ĀTi P − C̄ T MiT
> 0, ∀i ∈ [1, . . . , N ] (2.52)
P Āi − Mi C̄ P
N
X
En multipliant chacune des LMI (2.52) par ϕ(γki ) tel que ϕ(γki ) ≥ 0, ϕ(γki ) = 1, et en
i=1
les additionnant une à une, on obtient la LMI suivante :
N
X
P ϕ(γki )(ĀTi P − C̄ T MiT )
i=1 > 0, ∀i ∈ [1, . . . , N ] (2.53)
XN
ϕ(γki )(P Āi − Mi C̄) P
i=1
En résolvant l’inégalité (2.53), les matrices (Āi − K̄i C̄) sont quadratiquement stables avec
l’égalité K̄i = P −1 Mi , ∀i ∈ [1, . . . , N ].
Ainsi, trouver une unique solution P pour tout i = [1, . . . , N ] assure la stabilité du filtre
(2.46).
Remarque : n˚5 :
Il faut noter qu’il est toutefois possible de synthétiser des LMI moins restrictives afin d’assurer
la stabilité quadratique de l’erreur d’estimation. En effet, des méthodes faisant appel à la
stabilité polyquadratique sont explicitées dans (Daafouz and Bernussou, 2001) et (Bara, 2001).
Cette méthode permet de synthétiser plusieurs matrices définies positives Pi ainsi que d’obtenir
des degrés de liberté supplémentaires avec l’adjonction de matrices G qui ne sont pas forcément
définies positives. Cependant, nous ne sommes pas intéressés dans notre problématique de
diagnostic à développer plus en profondeur de tels outils.
!"# $
SYSTEME
Filtre de
Kalman
découplant 1
Filtre de
i
Kalman A* = A * i A*
découplant 2 B*
Fonctions de FILTRE
pondération ADAPTATIF
robustes
i
%
B* = B * i
Filtre de
Kalman
découplant N Diagnostic Estimation
&
pondération est obtenue par un banc de filtres de Kalman découplant où chacun de ces filtres
est synthétisé autour d’un point de fonctionnement particulier. L’utilisation de la partie du
résidu insensible aux défauts permet de déterminer autour de quel point de fonctionnement le
système évolue (ou autour de quelle pondération de modèles locaux celui-ci évolue) et d’obtenir
une représentation d’état en ligne adéquate du système à un instant donné.
Le filtre adaptatif, qui est l’élément clef de ce module de diagnostic, est directement basé sur
la représentation d’état résultante.
On notera toutefois que l’estimation des défauts ne peut se faire que si la modélisation du
système est adéquate, c.à.d si les points de fonctionnement considérés représentent la plage de
fonctionnement étudiée. En d’autres termes, si l’on s’éloigne trop des points de fonctionnement
considérés(ou connus), le filtre ne sera plus capable de discerner les incertitudes des défauts
car ces dernières deviendront trop importantes si le système évolue trop loin de tous les points
de fonctionnement connus. Ainsi, les défauts considérés sont des défauts de faibles amplitudes
définis autour des points de fonctionnement recensés. La section suivante va permettre d’illustrer
nos propos.
2.3 Exemples 65
2.3 Exemples
Le premier exemple met en exergue la méthode et permet de montrer l’efficacité du filtre.
Dans ce premier exemple, nous ne nous attachons pas à la synthèse des fonctions d’activation
mais nous le montrons dans le second exemple. Le second apporte un regard plus pratique et
montre les avantages et inconvénients de la méthode développée.
7
1
6 U
0.8 ↑ ↑ ↑
5
↓ ր ϕ1k ϕ2k
4 0.6 ϕ3k
3 d2 = 5 0.4
2
ր 0.2
1
d1 = 2 0
0
−1 −0.2
0 50 100 150 200 250 0 50 100 150 200 250
Time (s) Time (s)
Un banc de 3 filtres de Kalman découplant est élaboré selon (2.21) afin de montrer
l’obtention d’un modèle adéquat et la représentation non linéaire du système lorsque le
vecteur de résidus est corrompu par deux informations différentes : une évolution du point de
fonctionnement et une occurrence de défaut. A la figure (2.3)(b), il est possible d’observer qu’en
présence de défauts les probabilités permettent une sélection robuste du modèle. Les résultats
obtenus montre une détermination des fonctions de pondérations insensibles à l’apparition
de défauts. La même figure montre la transition du modèle 1 au modèle 2 puis au modèle 3
sans que les probabilités soient affectées par l’occurrence des défauts. La sélection de modèle
permet de représenter le système (2.40) au travers d’un ensemble convexe de modèles LTI.
Selon la synthèse du filtre adaptatif développée dans les précédentes sections, différentes
conditions doivent être vérifiées telles que : rank(Cℑ) = q < m avec q = 2 et m = 3 sur
cet exemple. De plus, les conditions de rang spécifiées dans le T heorem 2 sont vérifiées afin
d’obtenir une unique matrice de distribution des défauts ℑ mentionnée ci-dessous. Les paires
(Āi , C̄), ∀i sont observables et une unique matrice P > 0 résout les 3 LMI et par conséquent
la stabilité du filtre adaptatif est garantie tout en considérant les matrices ℑ et α attenantes à
l’équation (2.45) :
0 0 1.547 0 0 0
5 0 £ ¤ 0 1.575 0 0
ℑ=
0
, α = 1e − 5∗ 10 30 50 et P = 1e + 2∗
7 0 0 1.575 0
0 0 0 0 0 1.575
Après avoir obtenu la matrice P > 0, on obtient les 3 gains K̄i = P −1 Mi , ∀i ∈ [1, . . . , 3]
selon les inégalités (2.52) et (2.53)qui ont pour valeur :
0 0 0
£ ¤
0 0 0
K̄1 = 1e + 2∗ , K̄2 = , K̄3 = 1e + 2∗ et C̄ = 1e − 3∗ 0 0 0 0.5
0 0 0
4.5 30 6
2.3 Exemples 67
La figure (2.4) montre le vecteur des résidus qk⋆ généré par le filtre adaptatif proposé. Ce
vecteur des résidus, image fk du défaut de référence dk comme défini dans (2.39), est sensible
aux défauts. Ce résidu, sensible aux défauts et robuste envers les variations de paramètres qui
sont dûes aux changement de point de fonctionnement, rend possible la détection et l’isolation
des défauts. En l’absence de défaut, chaque composant du résidu qk⋆ est proche de zéro, et
chaque composant est différent de zéro lorsqu’un défaut survient.
3
¯
¯ f
f ¯¯ 1
2.5
f2 f2 −→
2
1.5
1
ր
0.5
f1
0
−0.5
0 50 100 150 200 250
Time (s)
Comme illustré dans la figure (2.5), le calcul de la pseudo-inverse (2.39) permet l’obtention
de l’estimation de l’amplitude du défaut où d est une estimation du défaut qk⋆ . Les bonnes
performances du filtre adaptatif en termes de détection, isolation de défaut et retard à la
détection peuvent être visualisés sur la même figure. De ce résidu, il est aisé d’imaginer un test
d’évaluation de résidus avec une logique de décision élémentaire dans le but de développer un
module de détection, isolation et estimation de multiples défauts intégré dans une plateforme
de supervision.
6
¯
¯ d
5 d¯¯ 1
d2
4
ր
3 d2
2
տ
1
d1
0
−1
0 50 100 150 200 250
Time (s)
La figure (2.6) illustre le vecteur des résidus γk⋆ ∈ ℜ1 . Dans cet exemple académique, où les
incertitudes ou erreurs de modèles ne sont pas considérées, les résidus synthétisés dans le but
d’être insensible aux défauts, sont de moyenne nulle durant l’expérimentation. Cependant, en
68 Chapitre 2 : Synthèse d’un filtre de détection, d’isolation et d’estimation de défauts
pratique, cette propriété statistique des résidus γk⋆ n’est pas conservée du fait des incertitudes et
erreurs de modèles :ce vecteur de résidu pourra indiquer le degré de confiance du filtre adaptatif.
−4
x 10
1.5
γ1
1
ւ
0.5
−0.5
−1
−1.5
0 50 100 150 200 250
Time (s)
Ce premier exemple numérique permet d’illustrer la synthèse même du filtre adaptatif dans
un cas idéal. Dans l’exemple suivant, nous allons illustrer la stratégie complète appliquée à un
système hydraulique en simulation.
dl1 (t)
S = q1 (t) − q13 (t)
dt
dl2 (t)
S = q2 (t) + q32 (t) − q20 (t) (2.54)
dt
dl (t)
S 3 = q13 (t) − q32 (t)
dt
où qmn représente la vitesse du flux du liquide de la cuve m à n (m, n = 1, 2, 3 ∀m 6= n), et
s’exprime sous l’hypothèse d’un écoulement laminaire selon la loi de Torricelli par :
p
qmn (t) = µmn Sp sign(lm (t) − ln (t)) 2g | lm (t) − ln (t) | (2.55)
2.3 Exemples 69
p
q20 (t) = µ20 Sp 2gl2 (t) (2.56)
'()*+, '()*+-
., 8 8 .-
9
0 0 0
, 1 -
µ ,1 µ1- µ-/
. ,1 . 1-
. -/
234+ 5 234+ 6 234+ 7
Sous l’hypothèse qu’en l’absence ou en présence de défaut la propriété l1 > l3 > l2 est
conservée, les 3 conditions opératoires répertoriées dans le tableau (2.2) sont considérées.
Autour de chacun de ces points de fonctionnement, le modèle du système (2.54) est linéarisé,
définissant 3 modèles linéaires associés. Soulignons l’hypothèse prise à la fin du premier
chapitre, dans la quelle nous expliquons qu’en se plaçant dans un contexte industriel, la
modélisation du système n’est effectuée que localement afin de réguler le système autour de
points de fonctionnement parfaitement définis.
½
xk+1 = Ai xk +Bi uk +∆Xi
(2.57)
yk = Cxk +∆Yi
70 Chapitre 2 : Synthèse d’un filtre de détection, d’isolation et d’estimation de défauts
½
xk+1 = Ai xk +Bi uk +Fi dk +∆Xi
(2.59)
yk = Cxk +∆Yi
où dk ∈ R2 représente le défaut. Dans notre cas, par le fait que seuls des défauts ac-
tionneurs sont considérés, la matrice de distribution Fi est égale à Bi , et dû au système
lui-même : ∀i, Bi = B. Par conséquent, ∀i Fi est égale à une unique matrice F et le ré-
sidu sensible aux défauts Ω∗k est directement équivalent à l’image du défaut dbk (voir section 2.2).
L’analyse de la stabilité du filtre adaptatif résultant a été réalisée comme dans la section
2.2.3 et les gains K̄i synthétisés assurent une stabilité quadratique autour de chaque point de
fonctionnement PF i .
La figure (2.9) montre l’historique des entrées directement générées par l’interpolation
suivante :
3
X
uk = ̺ik ∗ uie (2.60)
i=1
où ̺ik est une variable de séquencement associée à chaque mode opératoire générée par nos
soins dans le cadre de cette étude en BO, telle que pour k = 1 à 4000 :
2.3 Exemples 71
1
̺1k =
(1 + exp(0.05 ∗ (k − 510)))
1
̺2k = + exp(0.05 ∗ (k − 2520)))
(1 + exp(−0.05 ∗ (k − 510))
̺3k = 1 − ̺1k − ̺2k (2.61)
Sur la base des fonctions de pondération issues des filtres de Kalman découplant, les résidus
générés par le filtre adaptatif sont présentés sur la figure (2.11) définis à l’équation (2.48). Dans
cette étude, 2 résidus sont générés en concordance des deux défauts actionneurs. Il peut être
noté que les résidus Ω⋆1 et Ω⋆2 , dédiés à l’estimation de l’amplitude des défauts des deux pompes,
sont de moyenne nulle. Les 2 résidus sont seulement légèrement différent de zéro lors de la
transition d’un point de fonctionnement à un autre. Ces imperfections sont directement liées
au retard des fonctions d’activation estimées par rapport à celles de références (qui modélisent
le séquencement du système). Cependant, considérant que ce sont de faibles amplitudes, les 2
résidus peuvent être considérés équivalent à zéro.
b) En présence de défauts :
90
l1
80
70
60
l3
50
%
40
30 l2
20
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
sec x104
60
50
q1
40
%
30
20
q2
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
sec x 104
P
la synthèse de régulateur en boucle fermée uk = − 3i=1 ̺ik ∗ K i xk pourraient être dramatiques.
En effet, la mauvaise sélection ou pondération du régulateur par rapport à la dynamique du
système à un instant donné t pourrait engendrée de graves problèmes telle l’instabilité du
système, etc. En revanche, les fonctions de pondération basées sur l’innovation γki des 3 filtres
de Kalman découplant évoluent de la même façon en l’absence de défaut qu’en présence de
défaut et peuvent être considérées comme robustes aux défauts actionneurs. (Cf. figure (2.14a)).
Les résultats du filtre adaptatif se visualisent sur la figure (2.15) présentant les vecteurs
des résidus Ω∗1 et Ω∗2 sensibles aux défauts. On peut observer la dynamique des résidus et
déceler l’apparition brutale des défauts actionneurs aux instants 5000s et 11500s. L’estimation
de l’amplitude des défauts illustrent les performances et l’efficacité du filtre adaptatif. Comme
lors de l’étude en absence de défaut, durant la transition d’un point de fonctionnement à
un autre, les résidus sont sensibles aux erreurs de modélisation. La figure (2.16) appuie nos
propos car en injectant les probabilités de références au lieu de celles estimées, les défauts sont
2.3 Exemples 73
1
1 ϕ2 (γ) ϕ3 (γ)
0.5 ϕ (γ)
a)
0
̺1 ̺2 ̺3
0.5
b)
0
0
%
−1
−2 Ω⋆1
a)
−3
0 0.5 1 1.5 2
4
x 10
2
0
%
−1
−2
Ω⋆2
b)
−3
0 0.5 1 1.5 2
sec 4
x 10
Fig. 2.11: Résidu sensible aux défauts provenant filtre adaptatif en l’absence de défaut
74 Chapitre 2 : Synthèse d’un filtre de détection, d’isolation et d’estimation de défauts
90
80
70
l1
60
50 l3
%
40
30
l2
20
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
sec x10
4
2.4 Conclusion
La problématique du diagnostic de défauts présents au sein de systèmes non linéaires basés
sur une représentation multi-modèles a été développée dans ce chapitre. Nous avons montré
que la synthèse de fonctions de pondérations robustes aux défauts constituait un élément
essentiel. Ces fonctions de pondération robustes permettent de reproduire la dynamique du
système sur une grande plage de fonctionnement en présence ou en l’absence de défaut. On
pourra remarquer qu’en boucle fermée, les fonctions de pondération robustes peuvent être des
variables efficaces dans les techniques de commande, de séquencement de gain non mesurables
ou corrompues par la présence de défaut.
2.4 Conclusion 75
60
50
q1
40
%
30
20
q2
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
sec 4
x10
1
ϕ1 (γ) ϕ2 (γ) ϕ3 (γ)
0.5
a)
0
1
̺1 ̺2 ̺3
0.5
b)
0
Un filtre adaptatif robuste est synthétisé pour détecter, isoler et estimer les défauts
au travers d’une représentation multi-modèle du système. Afin de garantir la stabilité du
filtre adaptatif, une étude de stabilité est réalisée au moyen de LMI. Le premier exemple
explicite les performances du filtre découplant tandis que le second plus pratique, illustre son
76 Chapitre 2 : Synthèse d’un filtre de détection, d’isolation et d’estimation de défauts
Occurrence du défaut
0
%
−2 Ω⋆1
−4 a) Amplitude du défaut
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
4
x10
2
Occurrence du défaut
0
−2
Ω⋆2
%
−4
−6
b) Amplitude du défaut
−8
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
sec x104
0
Occurrence du défaut
%
−2
Ω⋆1
−4
a)
−6
0 0.5 1 1.5 2
4
x 10
2
Occurrence du défaut
0
−2
%
−4
Ω⋆2
−6
b)
−8
0 0.5 1 1.5 2
sec 4
x 10
Fig. 2.16: Résidus sensibles aux défauts basés sur les fonctions de pondération de référence
potentiel ainsi que ses limites. En effet, lorsque les défauts éloignent de manière trop forte le
système de son point de fonctionnement initial, le filtre n’est plus alors capable de fournir
une estimation du défaut adéquate. Cependant, une solution serait de définir d’autres points
de fonctionnement autour desquels le filtre serait à même de pouvoir effectuer un diagnostic
correct. De même, on pourrait envisager un apprentissage du type de défauts ainsi que de leurs
éventuelles amplitudes, comme c’est le cas en aéronautique, afin de définir plus précisément les
besoins pour effectuer un diagnostic correct du système. Afin de pallier ses limitations, nous
2.4 Conclusion 77
0
Occurrence du défaut
−5
Ω⋆1
−10
0
Occurrence du défaut
−5
−10 Ω⋆2
−15
−20
b) Amplitude du défaut
−25
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
sec x 104
Fig. 2.17: Estimation des défauts avec commande réduite de 60% de sa valeur nominale
proposons de tenir compte de ces erreurs de modélisation qui n’affectent pas les fonctions de
pondération mais seulement l’estimation des défauts.
78 Chapitre 2 : Synthèse d’un filtre de détection, d’isolation et d’estimation de défauts
Chapitre 3
"Seuls les croyants qui demandent à la science de leur remplacer le catéchisme auquel ils ont renoncé,
verront d’un mauvais oeil qu’un savant poursuive et développe ou même qu’il modifie ses idées". Sigmund Freud
3.1 Introduction
Les travaux de recherche développés dans ce chapitre ont pour but de prendre en considé-
ration les perturbations affectant la génération de résidus. Le type de perturbations sur lequel
nous nous sommes focalisé sont les erreurs de modélisation. Ces erreurs de modélisation nuisent
à la détection de défauts autour des points de fonctionnement mais aussi lors des transitions de
points de fonctionnement à un autre. De plus, elles peuvent engendrer de fausses alarmes lors
de la détection des défauts ou interférer sur leur estimation. Sous l’hypothèse que les défauts
actionneurs et capteurs puissent être modélisés sous la forme d’incertitudes structurées et que
dans ce contexte multi-modèles les fonctions d’interpolation soient insensibles aux défauts, la
contribution de ces travaux résident en la synthèse d’un générateur de résidus robustes. Nous
reprenons par ailleurs les hypothèses formulées au premier chapitre à la section 1.3, concernant
la modélisation des systèmes autour de différents points de fonctionnement ainsi que leur
représentation dynamique.
Dans les travaux précédents de (Theilliol et al., 2003b), (Rodrigues et al., 2004) et dans le
80 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
précédent chapitre, les erreurs de modélisation (perturbations) avaient été prises en compte
mais aucun découplage ne permettaient de les éliminer de la génération de résidus. De ce fait,
ce chapitre se propose de prendre en compte ces dernières dans le schéma de diagnostic des
systèmes représentés par des multi-modèles et de s’attacher à éliminer ces informations qui
perturbent les résidus pour la détection des défauts.
A des fins de robustesse, les observateurs à entrées inconnues ont été développés initialement
dans le domaine de la commande afin que l’erreur d’estimation converge vers zéro en présence
de perturbations (entrées inconnues) modélisées sous forme d’incertitudes structurées. Après
l’observateur de (Luenberger, 1966), un grand nombre d’approches ont été proposées pour
concevoir des observateurs à entrées inconnues telle la décomposition en valeurs singulières de
(Fairman et al., 1984) ou l’approche algébrique de (Hou and Muller, 1992) avec des obser-
vateurs d’ordre réduit. En considérant les défauts comme des perturbations, les observateurs
à entrées inconnues ont inspiré un grand nombre de chercheurs depuis ces vingt dernières
années (Frisk, 1996). Une synthèse bibliographique ainsi que la mise en oeuvre de techniques
à base d’entrées inconnues sont présentées dans le livre de (Chen and Patton, 1999), dans
l’état de l’art de (Frank and Ding, 1997) et les références qui s’y rapportent. Cependant, ces
méthodes ne permettent pas la prise en compte à la fois de l’évolution dynamique du système
sur plusieurs points de fonctionnement et du découplage des perturbations sur les résidus.
Parmi les méthodes de découplage et de par la représentation des défauts considérés dans
le cas polytopique, nous proposons d’utiliser des observateurs à entrées inconnues, largement
traités dans le cas linéaire (Chen and Patton, 1999), mais conduisant ici à la synthèse
spécifique d’observateurs polytopiques. La stabilité et la convergence de l’erreur d’estimation
sont étudiées au travers l’utilisation de LMI alliant les contraintes de découplage et l’ensemble
polytopique sur lequel le système est représenté. La synthèse de ces différents observateurs à
entrées inconnues (en anglais Unknown Inputs Observer, UIO) va notamment dépendre des
matrices de découplage des erreurs de modélisation.
Par exemple, soit un système modélisé avec des variations de paramètres pouvant être
décrites comme suit :
3.2 Modélisation des perturbations et problématique pour la génération de résidus robustes 81
N
X N
X
∆A(t) = ai (t)Ai ∆B(t) = bi (t)Bi (3.2)
i=1 i=1
où Ai et Bi sont des matrices constantes et connues, les termes ai (t) et bi (t) sont des
scalaires variant dans le temps. Dans ce cas, les erreurs de modèles peuvent être approximées
de la manière suivante :
a1 (t)x(t)
...
aN (t)x(t)
∆A(t)x(t) + ∆B(t)u(t) = [A1 . . . AN . . . B1 . . . BN ] = Ed(t) (3.3)
b1 (t)u(t)
...
bN u(t)
D’autre part, dans le domaine de la commande robuste, il est fréquent d’avoir des matrices
∆A et ∆B bornées supposées satisfaire la condition suivante :
Dans un autre contexte, considérons les matrices d’un système dépendant d’un vecteur de
paramètres α ∈ Rk :
Si le vecteur des paramètres est défini autour de la valeur nominale α = α0 , l’équation (3.5)
peut se mettre sous la forme suivante (Chen and Patton, 1999) :
Ed(t)
z }| {
X k
∂A ∂B (3.6)
ẋ(t) = A(α0 )x(t) + B(α0 )u(t) + [ δαi x(t) + δαi u(t)]
i=1
∂αi ∂αi
82 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
∂A ∂B ∂A ∂B
E = [ ∂α | |...| ∂α
1 ∂α1
| ]
k ∂αk
(3.7)
d(t) = [δα1 xT |δα1 xT |...|δαk xT |δαk xT ]T
De manière similaire, lors du calcul de la dérivée d’une fonction f (x) par le théorème de
Taylor, les dérivées de l’ordre 2 à n peuvent être considérées comme des incertitudes et le
polynôme de Taylor Pf,a,n (x) s’écrit alors :
n
X f l (a)
Pf,a,n (x) = f (a) + (x − a)l (3.8)
l=1
l!
N
X Xn ¯ Xn ¯
¡ ∂ l f (x, u) ¯¯ l ∂ l
f (x, u) ¯
¯ l
ẋ(t) = γi (x(t)) Ai x(t) + Bi u(t) + ∆xi + l ¯ x=xi (x − x i ) + l ¯ x=xi (u − ui )
i=1 l=2
l!∂x u=u l=2
l!∂u u=u
i i
(3.9)
avec
¯ ¯
∂f (x, u) ¯¯ ∂f (x, u) ¯¯
Ai = , Bi = , ∆xi = f (xi , ui ) − Ai xi − Bi ui (3.10)
∂x ¯ x=xi ∂u ¯ x=xi
u=ui u=ui
N
X ¡
ẋ(t) = γi (x(t)) Ai x(t) + Bi u(t) + ∆xi + Ei d(t) (3.11)
i=1
avec
h ¯ ¯ ¯ ¯ i
∂ 2 f (x, u) ¯¯ ∂ 2 f (x, u) ¯¯ ∂ n f (x, u) ¯¯ ∂ n f (x, u) ¯¯
Ei = 2 ¯ x=xi 2 ¯ x=xi . . . n!∂xn ¯ x=xi n ¯ x=xi (3.12)
2!∂x 2!∂u n!∂u
u=ui u=ui u=ui u=ui
et
3.2 Modélisation des perturbations et problématique pour la génération de résidus robustes 83
(x − xi )2
(u − ui )2
d(t) = ..
(3.13)
.
(x − xi )n
(u − ui )n
Ainsi, nous avons pu voir à travers quelques exemples, qu’il est possible de ramener l’écriture
de variations de paramètre sous une forme additive Ed(t). Par la suite et en admettant qu’il
est possible de s’y ramener, nous utiliserons ce type de représentation pour les perturbations
intervenant sur le système dans le cas discret. Notons que dans (Chen and Patton, 1999),
plusieurs travaux permettent de déterminer les matrices de distribution des erreurs de
modélisation autour de différents points de fonctionnement. Ainsi ces matrices de distribution
pourront provenir de tels travaux. Cependant, il est toutefois possible que des perturbations
(entrées inconnues) apparaissent directement sur le vecteur de sortie du système. Ce cas sera
étudié dans ce chapitre à la section 3.3.
Nous allons voir dès à présent la problématique de la génération de résidus corrompue par
la présence de ce type de perturbations.
xk+1 = Ai xk + Bi uk + Ei dk + Fi fk + ∆xi
(3.14)
yk = Ci xk
Les matrices de distribution des entrées inconnues et de défauts sont notées respectivement
Ei ∈ Rn×q et Fi ∈ Rn×f supposées toutes deux de plein rang en colonne. D’autre part et d’un
point de vue de détectabilité des défauts (Armeni, 2004), nous supposerons que les matrices
Fi , ∀i ∈ [1 . . . N ] sont monics c.à.d que si fk 6= 0 alors Fi fk 6= 0. De plus, il faut noter que de
manière classique et à des fins de détectabilité de défauts, le diagnostic des systèmes linéaires
(Willsky, 1976), (Frank and Ding, 1997) ou (Chen and Patton, 1999), impose que le nombre
de perturbations et\ou défauts, soit inférieur strictement au nombre de sorties du système.
Tout module de diagnostic, basé sur la génération de résidus, est donc tributaire du nombre
de sorties du système afin de pouvoir détecter et isoler les défauts. De ce fait et comme au
chapitre 2, il sera spécifié que le nombre de sorties du systèmes est supérieur strictement au
nombre de défauts et perturbations à détecter. Le fait de considérer comme connue la matrice
Ei se définit par le terme "d’incertitudes structurées".
PN £ ¤
xk+1 = i=1 ρik Ai xk + Bi uk + Ei dk + Fi fk + ∆xi
(3.15)
yk = Cxk
Concernant (3.15), il est à noter que bien souvent il est possible de se ramener à une seule et
même matrice d’observation C s’il n’y a pas de non linéarités ni d’incertitudes sur l’équation
de sortie du système. De la même façon qu’au chapitre 1, le système défini autour du point de
fonctionnement PF i peut être représenté par un ensemble Ξi de matrices, noté :
· ¸
Ai Bi Ei Fi ∆xi
Ξi = , ∀i ∈ [1, . . . , N ] (3.16)
C
où Ξi correspond aux sommets d’un ensemble Θ convexe Co{Ξ1 , ..., ΞN } tel que :
( N N
)
X X
Θ := Ξ(ρ) : Ξ(ρ) = ρi Ξi , ρi = 1, ρi ≥ 0 (3.17)
i=1 i=1
Dans le cadre du diagnostic, un observateur est souvent destiné à estimer le vecteur de sortie
d’un système. Pour le concevoir, on suppose que les modèles locaux sont localement observables,
c’est-à-dire que toutes les paires (Ai , Ci ) sont observables (Chen and Patton, 1999). Dans le
domaine de la logique floue, l’utilisation de multiples observateurs de Luenberger a souvent
été utilisée afin de servir à une estimation d’état en ligne du système (Tanaka et al., 1996),
(Lopez-Toribio et al., 1998). Cependant, cette stratégie n’intègre pas toujours la robustesse
vis-à-vis des défauts et encore moins vis-à-vis des incertitudes. Les fonctions d’activation sont
imposées comme des "règles" ou "lois" en fonction d’un vecteur de décision fonction des valeurs
que prennent les entrées, l’état du système ou des variables du système supposées mesurables
et connues. Cependant, il n’y a pas d’étude de robustesse des fonctions d’activation vis-à-vis
des défauts qui peuvent corrompre ce vecteur de décision. De plus, les systèmes sont souvent
3.2 Modélisation des perturbations et problématique pour la génération de résidus robustes 85
des modèles de défauts où est supposé connu un certain nombre de modèles du système en
défaut, ce qui n’est pas en adéquation avec nos hypothèses. Cette stratégie couvre dans le
cadre de la détection de défauts, un nombre forcément limité de modèles en défauts connus
alors que notre étude se veut plus générale permettant une détection de défauts plus large.
(
x̂k+1 = Ai x̂k + Bi uk + Ki (yk − ŷk ) + ∆xi
(3.18)
ŷk = Ci x̂k
∀i ∈ [1, . . . , N ] avec Ki le gain de l’observateur local, x̂ l’estimation de x et ∆xi un terme
connu dépendant du point de fonctionnement considéré. L’erreur d’estimation ek = xk −x̂k ∈ Rn
et le résidu rk = yk − ŷk ∈ Rm s’expriment de la manière suivante :
(
ek+1 = (Ai − Ki Ci )ek + Ei dk + Fi fk
(3.19)
rk = yk − ŷk = Ci (xk − x̂k ) = Ci ek
Comme nous l’avons vu au chapitre 2, l’erreur d’estimation et le résidu (3.19) sont
corrompus par deux types d’informations différentes : les défauts fk et les perturbations dk .
Cependant, sans aucun découplage supplémentaire, c’est-à-dire en n’annulant pas l’effet d’un
terme spécifique sur les résidus, le résidu ne sera pas robuste à la présence de perturbations
additionnelles et ne permettra pas d’effectuer un diagnostic correct du système. Le diagnostic
s’avère alors impossible étant donné qu’un défaut ne peut être discerné d’une erreur de
modélisation avec un tel observateur.
Les observateurs à entrées inconnues, ont été développés pour estimer l’état d’un système
en dépit de la présence d’entrées inconnues ou des perturbations en les éliminant dans les
équations d’état. Cet outil a été parfaitement défini pour les systèmes linéaires (Chen and
Patton, 1999), (Frisk, 1996) et est adapté pour rejeter les informations à ne pas prendre en
compte au moyen d’un découplage exact basé sur la connaissance des matrices de distribution
des incertitudes autour des PF i . Cependant, aucune étude à notre connaissance ne permet de
découpler les erreurs de modélisation dans leur ensemble au travers tous les points de fonction-
nement identifiés : il semble donc intéressant de définir une méthode permettant d’effectuer
le découplage de ces erreurs même lors des transitions. Au cours de notre étude sur les UIO,
des travaux effectués en parallèle dans un autre contexte utilisant les UIO sous la même
dénomination polytopique, ont été publiés comme (Millerioux and Daafouz, 2004a) où ceux-ci
traitent du problème de la synchronisation dans un contexte de cryptage de l’information ainsi
que dans un contexte plus général dans (Millerioux and Daafouz, 2004b). Cependant, ceux-ci
ne traitent pas de diagnostic de défauts mais utilisent les UIO pour estimer une entrée ou un
état, même si toutefois les outils utilisés restent les mêmes : UIO, LMI,. . . . Dans le même
temps, la thèse de (Akhenak, 2004) se situe dans le même axe de recherche des multi-modèles
86 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
et un chapitre est consacré à la synthèse de multi observateurs utilisant les UIO. Néanmoins,
l’estimation d’état reste le but principal de la méthode alors que nous désirons nous consacrer
à la génération de résidus robustes pour la détection de défauts sur des systèmes représentés
par des multi-modèles. Les résultats sont toutefois assez similaires sur la façon de synthéti-
ser les UIO pour des systèmes représentés par des multi-modèles à la différence que nous
synthétisons un module de détection, d’isolation et d’estimation des défauts dans son ensemble.
XN
£ ¤
xk+1 = ρi (γk ) Ai xk + Bi uk + Ei dk + Fi fk + ∆xi
i=1 (3.20)
yk = Cxk + Gdk
avec
N
X
ρi (γk ) = 1
i=1 (3.21)
0 ≤ ρi (γk ) ≤ 1 , ∀i ∈ [1, . . . , N ]
où xk ∈ Rn représente le vecteur d’état, uk ∈ Rp est le vecteur d’entrée et y ∈ Rm est
le vecteur de sortie. Ei ∈ Rn×q et G ∈ Rm×q sont les matrices de distribution des entrées
inconnues intervenant respectivement sur l’équation d’état et de sortie. La matrice d’état
du ième modèle local est Ai ∈ Rn×n , la matrice de commande est Bi ∈ Rn×p et la matrice
de sortie est C ∈ Rm×n . Les matrices de distribution des défauts sont notées Fi ∈ Rn×f , et
fk ∈ Rf représente le vecteur des défauts. Le terme ∆xi ∈ Rn×1 est un vecteur dépendant du
3.3 Synthèse d’un observateur polytopique à entrées inconnues : 1ère Partie 87
ième point de fonctionnement. Afin d’isoler les défauts, une condition nécessaire consiste à
définir que le nombre de sorties doit être supérieur au nombre de perturbations sur le système
(Hou and Muller, 1994), (Darouach and Zasadzinski, 1994) et (Frank and Ding, 1997). Ainsi,
on supposera que le nombre des incertitudes q ajouté à celui des défauts f , est inférieur à m
représentant la dimension de la sortie du système : q + f < m. Les principes d’isolation des
défauts seront énoncés dans la dernière section de ce chapitre. De même, on supposera que
les paires (Ai , C) sont observables. Les fonctions d’activation des modèles locaux sont notées
ρi (γk ) et γk représente le vecteur de variables de décision qui peuvent dépendre des sorties
et/ou des entrées. Pour alléger les notations, ρi (γk ) sera noté ρik . Ces fonctions d’activation
pourraient être obtenues comme nous l’avons vu au chapitre précédent.
N
X £ ¤
zk+1 = ρik Si zk + T Bi uk + Ki yk + ∆zi
i=1 (3.22)
x
bk+1 = zk+1 + Hyk+1
b ∈ Rn est l’estimation de l’état et z ∈ Rn est l’état de l’observateur. Si ∈ Rn×n est
où x
la matrice d’état de l’observateur, Ki ∈ Rn×m est le gain, ∆zi ∈ Rn est un vecteur constant
dépendant du point de fonctionnement et une matrice T ∈ Rn×n . L’UIO permet de rejeter les
informations non désirables au moyen du découplage des entrées inconnues. Dans la suite, la
P
notation X(ρ) = N i
i=1 ρk Xi est adoptée pour l’ensemble des matrices écrites sous cette forme.
L’erreur d’estimation entre le système (3.68) et l’UIO (3.22) s’exprime selon
ek+1 = xk+1 − x
bk+1
= xk+1 − (zk+1 + Hyk+1 )
(3.23)
= xk+1 − H(Cxk+1 + Gdk+1 ) − zk+1
= [I − HC]xk+1 − HGdk+1 − (S(ρ)zk + T B(ρ)uk + K(ρ)yk + ∆z(ρ))
En décomposant le gain K(ρ) sous la forme K(ρ) = K 1 (ρ) + Π(ρ), l’équation (3.23) devient :
T = I − HC
T Ei = Ki1 G
Si = T Ai − Ki1 C
Πi = Si H
T ∆xi = ∆zi (3.26)
HG = 0
N
X
ρik Si est stable
S(ρ) =
i=1
N
X
ēk+1 = S(ρ)ēk = ρik Si ēk
(3.28)
i=1
r̄k+1 = C ēk+1
La décroissance de l’erreur asymptotique ēk dépend de la matrice S(ρ) car la stabilité
locale des matrices Si ne permet pas de garantir la stabilité globale de l’erreur d’estimation.
Il est donc nécessaire d’étudier la stabilité de la matrice S(ρ) sur l’ensemble convexe pour
pouvoir assurer la convergence de cette erreur d’estimation. Les paires (Āi , C) seront supposées
détectables.
L’équation dynamique (3.28) est globalement asymptotiquement stable, s’il existe une
matrice symétrique définie positive P , telle que :
½
SiT P Si − P < 0, ∀i ∈ [1 . . . N ]
(3.29)
P > 0
Ainsi, en se fondant sur l’équation (3.29), l’erreur d’estimation d’état converge asymptoti-
quement vers zéro si toutes les paires (Ai , C) sont observables et si les conditions suivantes
sont vérifiées :
SiT P Si − P < 0
P > 0
T = I − HC
T Ei = Ki1 G
Si = T Ai − Ki1 C, ∀i ∈ [1 . . . N ]
(3.30)
Πi = Si H
T ∆xi = ∆zi
HG = 0
Πi = Si H
Ki = Ki1 + Πi
On peut remarquer la première inégalité de (3.30) est une inégalité bilinéaire devant être
résolue sous les contraintes linéaires T Ei = Ki1 G et HG = 0 de (3.30). Afin de résoudre ce
problème, nous utilisons un changement de variables pour linéariser les inégalités.
½
Qi = P Ki1
(3.31)
M = P H, ∀i ∈ [1 . . . N ]
Les contraintes des lignes (4) et (8) de (3.30) peuvent être réécrites de la sorte :
½
MG = 0
(3.32)
(P − M C)Ei = Qi G, ∀i ∈ [1 . . . N ]
A l’aide du complément de Schur (Cf. Annexe A), il est possible de transformer l’écriture
de la première inégalité de (3.30) sous la forme suivante :
µ ¶
P ∗
> 0, ∀i ∈ [1 . . . N ] (3.33)
P Si P
90 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
µ ¶
P ∗
> 0, ∀i ∈ [1 . . . N ] (3.34)
P T Ai − Qi C P
L’écriture devient alors :
µ ¶
P ∗
> 0, ∀i ∈ [1 . . . N ] (3.35)
P Ai − M CAi − Qi C P
Cette dernière inégalité est linéaire par rapport aux matrices P, M et Qi . Il est possible de
pondérer cette LMI sur un ensemble convexe pour assurer la stabilité de l’erreur d’estimation.
La LMI (3.35) peut être résolue sous contrainte des égalités (3.32).
Remarque :
Il faut noter qu’en résolvant les LMI (3.35), la condition de détectabilité des paires (T Ai , C)
est incluse (Cf. (Millerioux and Daafouz, 2004a)). De plus, étant donné que nous avons pris
pour condition que le nombre de perturbations et défauts était inférieur au nombre de sorties
tel que : q + f < m, les valeurs propres des Si peuvent être arbitrairement placées ; différents
cas de détectabilité et observabilité, en fonction des paramètres m et (q + f ), sont étudiés dans
(Millerioux and Daafouz, 2004a). ¤
Les autres matrices de l’observateur polytopique peuvent alors être déduites en connaissance
des matrices P, M et Qi , ∀i ∈ [1 . . . N ] :
H = P −1 M
T = I − HC
T ∆xi = ∆zi
Ki1 = P −1 Qi (3.36)
Si = T Ai − Ki1 C
Πi = Si H
Ki = Ki1 + Πi
Dans cette dernière partie, nous avons montré comment passer de contraintes BMI
(inégalités matricielles bilinéaires) à des contraintes LMI par changements de variables.
est important d’effectuer un placement de pôles aux sommets Si du polytope afin d’assurer
qu’autour de ses sommets l’UIO a une dynamique adéquate. Par la suite, nous allons utiliser
une région du plan complexe définissant un cercle à l’intérieur du cercle unité afin de pouvoir
assurer une décroissance par l’intermédiaire du paramètre r sur l’erreur d’estimation (en
anglais decay rate). Le paramètre q 6= 0 permet de régler le centre du cercle afin de converger
ailleurs que vers zéro avec les LMI et d’obtenir un placement de pôles adéquat.
Proposition 1 Soit D, une région LMI définissant un disque de centre (−q, 0), et de rayon
r avec (q + r) < 1 pour définir un placement de pôles dans le cercle unité (Chilali and
Gahinet, 1996). L’erreur d’estimation (3.28) est dite quadratiquement D-stabilisable (tous les
pôles complexes restent dans la région LMI spécifiée D) si il existe des matrices Qi , M pour
i = [1 . . . N ] et une matrice définie positive P > 0 avec des dimensions appropriées telle que :
µ ¶
−rP ∗
< 0, ∀i ∈ [1 . . . N ] (3.37)
qP + P Ai − M CAi − Qi C −rP
sous contraintes
½
MG = 0
(3.38)
(P − M C)Ei = Qi G
avec
½
Qi = P Ki1
(3.39)
M = PH
¥
Preuve :
µ ¶
−rP ∗
1 < 0, ∀i ∈ [1 . . . N ] (3.40)
qP + P (T Ai − Ki C) −rP
où T = I − HC. En notant Āi = T Ai , les pôles des matrices (Āi − Ki1 C) restent dans
le cercle de centre (−q, 0) et de rayon (q + r) < 1 (Cf. voir définition des régions LMI
élémentaires dans (Chilali and Gahinet, 1996)). En pondérant chaque LMI (3.40) par ρik et
P
en les additionnant par rapport à i avec N i
i=1 ρk = 1, l’inégalité (3.40) devient alors
à PN !
i 1 T
−rP qP + i=1 ρk (Āi − Ki C) P
PN i 1
< 0, ∀i ∈ [1 . . . N ] (3.41)
qP + P i=1 ρk (Āi − Ki C) −rP
92 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
PN i
où les matrices 1 1
i=1 ρk (Āi − Ki C) peuvent s’écrire (Ā(ρ) − K (ρ)C) sous un ensemble
convexe Ω, assurant que les pôles de l’erreur d’estimation ēk de (3.28) restent dans la région
PN i −1
D avec les gains K 1 (ρ) = i=1 ρk P Ri , ∀i ∈ [1, . . . , N ]. L’erreur d’estimation est dite
quadratiquement D-stable. ¤
Si cette condition est vérifiée, elle permet d’assurer que le découplage des entrées inconnues
n’altère pas la détection des défauts sur l’erreur d’estimation. Cette condition s’interprète de
manière géométrique suivant :
N
[
Im(Fi ) ⊆ Im(T T ) (3.44)
i=1
Si l’image de l’union des matrices Fi est incluse dans l’image de la matrice de découplage
T
T , alors la détection des défauts est possible sur toute la plage de fonctionnement. Cette
relation est équivalente à :
3.3 Synthèse d’un observateur polytopique à entrées inconnues : 1ère Partie 93
N
[ \
Im(Fi ) Ker(T ) = {0}
i=1
\
= Im([F1 . . . Fi . . . FN ]) Ker(T ) = {0} (3.45)
N
X
¡ ¢
x
bk+1 = bk + Bi uk + Ei dbk + ∆xi
ρik Ai x
i=1 (3.46)
yk xk + Gdbk
= Cb
L’estimation des entrées inconnues peut s’effectuer comme suit lorsque fk = 0 :
N N
£X ¤ £X ¡ ¢¤
i b bk+1 −
ρk Ei dk = x ρik Ai x
bk + Bi uk + ∆xi
i=1 i=1 (3.47)
Gdbk = yk − Cb
xk
XN
Sous l’hypothèse que la matrice L = [( ρik Ei )T GT ]T soit de plein rang colonne, alors
i=1
le problème se ramène à un système d’équations linéaires en dk équivalent à un problème
d’optimisation linéaire résolu par la méthode des moindres carrés. La solution numérique de
ce problème est basée sur le calcul de la pseudo-inverse de la matrice L. Une estimation de
l’entrée inconnue est alors déduite :
N
£X i
¡ ¢¤
x
b − ρk Ai x
bk + Bi uk + ∆xi
dbk = (LT L)−1 LT k+1 (3.48)
i=1
y − Cb
xk
et L est égale à :
94 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
N
X
ρik Ei
L= (3.49)
i=1
G
Remarquons que si la matrice G est de plein rang colonne alors le calcul de l’estimation des
perturbations peut s’effectuer de la manière suivante selon la 2ème équation de (3.46) :
avec ybk = Cbxk . Cette méthode, en l’absence de défaut, peut être utilisée pour faire de la
détection et de l’estimation de perturbation. Elle peut également servir à estimer des défauts
qui auraient la structure des perturbations.
Ainsi, l’Observateur polytopique peut avoir de multiples usages en fonction de ce que l’on
cherche à détecter et à estimer.
Afin d’illustrer cette section, nous allons présenter un premier exemple avec des pertur-
bations à la fois sur l’état et sur les sorties du système ainsi qu’en présence d’un défaut
actionneur. Cet exemple permet de souligner le découplage des perturbations et la conservation
de la détection des défauts sur les résidus.
3.3.5 Exemple
Considérons un système représenté par 3 modèles locaux définis autour de 3 points de
fonctionnement comportant 4 états et 4 sorties décrit par :
XN
¡ ¢
xk+1 = ρik Ai xk + Bi uk + Ei dk + Fi fk + ∆xi
i=1 (3.51)
yk = Cxk + Gdk + υk
Ces modèles locaux sont définis respectivement pour les valeurs de la commande uk associée
autour des points de fonctionnement i tel que u1e = 2, u2e = 5, u3e = 7. On suppose connues
les fonctions d’activation provenant par exemple d’un banc de filtres découplant comme
nous l’avons vu au second chapitre. Un bruit additif gaussien centré υk de variance 0.004
est ajouté à la sortie yk . Les valeurs numériques des matrices Ai , Bi , Ei , G, C sont les suivantes :
0.15 0 0 0 0.01 0 0 0 0.20 0 0 0
0 0.375 0 0 0 0.025 0 0 0 0.50 0 0
A1 =
0
A2 = A3 = (3.52)
0 0.60 0 0 0 0.04 0 0 0 0.80 0
0 0 0 0.225 0 0 0 0.015 0 0 0 0.30
3.3 Synthèse d’un observateur polytopique à entrées inconnues : 1ère Partie 95
1 0.4 0.5 0.5 1 1 0 0 0
1 −1 −1 −0.5 1 0 1 0 0
Bi =
1 E1 = 0.5
E2 =
−0.3 E3 = −0.7
G =
1 C = 0
(3.53)
0 1 0
1 0.5 0.3 0.2 1 0 0 0 1
0.50 0.494 −0.752
1.68
∆x1 = 1e − 4 ∗
0 ∆x2 = ∆x3 = −2.062 (3.54)
0 4.2 −3.875
−0.35 0.813 −1.158
Étant donné que nous avons considéré un défaut actionneur, les matrices Fi sont équi-
valentes aux matrices Bi = B. L’observateur polytopique synthétisé est alors défini comme suit :
N
X £ ¤
zk+1 = ρik Si zk + T Bi uk + Ki yk + ∆zi
i=1 (3.55)
x
bk+1 = zk+1 + Hyk+1
En appliquant la méthode développée dans la section précédente, les valeurs numériques de
l’observateur polytopique sont :
0.01 0 0 0 −1.2179 0.3336 −0.6267 2.5109
0 0.01 0 0 −1.2179 0.3336 −0.6267 2.5109
S1 = S2 = S3 =
0 T = (3.56)
0 0.01 0 −1.2179 0.3336 −0.6267 2.5109
0 0 0 0.01 −1.2179 0.3336 −0.6267 2.5109
−0.1927 0.1251 −0.3760 0.5650 −0.0222 0.0083 −0.0251 0.0377
−0.1827 0.1151 −0.3760 0.5650 −0.0122 −0.0017 −0.0251 0.0377
K1 =
−0.1827
K2 = (3.57)
0.1251 −0.3860 0.5650 −0.0122 0.0083 −0.0351 0.0377
−0.1827 0.1251 −0.3760 0.5550 −0.0122 0.0083 −0.0251 0.0277
−0.2536 0.1668 −0.5014 0.7533 2.2179 −0.3336 0.6267 −2.5109
−0.2436 0.1568 −0.5014
0.7533 1.2179 0.6664 0.6267 −2.5109
K3 =
−0.2436 H= (3.58)
0.1668 −0.5114 0.7533 1.2179 −0.3336 1.6267 −2.5109
−0.2436 0.1668 −0.5014 0.7433 1.2179 −0.3336 0.6267 −1.5109
0.2248 0 0 0
0 0.2248 0 0
P = 1e − 014 ∗
(3.59)
0 0 0.2248 0
0 0 0 0.2248
avec r = 0.005 et q = 0.1 de façon à obtenir une convergence rapide ainsi qu’une dynamique
adéquate de l’UIO par rapport aux valeurs propres des matrices Ai , i ∈ [1, 2, 3].
Le séquencement des modèles est représenté sur la figure (3.2). La commande appliquée au
système est visualisée sur la figure (3.1) et est définie comme suit :
3
X
uk = ρik ∗ uie (3.60)
i=1
96 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
0
0 50 100 Sec 150 200 250
0.9 ρ1k
0.8
0.7
ρ3k
0.6
ρ2k
0.5
0.4
0.3
0.2
0.1
0
0 50 100 Sec 150 200 250
0.5
−0.5
50 100 150 200 250
2
0
0 50 100 150 200 250
2
0
0 50 100 150 200 250
0.5
−0.5
50 100 Sec 150 200 250
Fig. 3.3: Evolution des résidus en fonction des diverses situations : a) Résidu sans défaut et
sans perturbation, b) Résidu en présence de défaut, c) Résidu en présence de défaut
et de perturbations, d) Résidu en présence de perturbations
0.8
0.6
0.4
0.2
−0.2
0 50 100 150 200 250
Sec
1.4
1.2
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250
Sec
faut alors résoudre le découplage suivant pour tous les points de fonctionnement considérés :
T Ei = 0, i ∈ [1, . . . , N ] (3.61)
Même si le découplage autour de chaque PF est possible, il n’est pas intéressant de le faire
dans le sens où on ne maîtriserait pas le découplage des perturbations (donc le diagnostic) lors
des transitions. De plus, la synthèse d’une matrice de découplage Hi pour chaque P Fi géné-
rerait un problème non-convexe dans les LMI de synthèse de l’UIO (3.37) avec G = 0. En effet,
µ ¶
P ∗
1 > 0, ∀i ∈ [1, . . . , N ] (3.62)
P Ti Ai − P Ki C P
avec Ti = I − Hi C. Cette inégalité serait alors non linéaire en les paramètres P , Ki1 et Ti ,
et sa résolution ne peut se faire avec les outils standard LMI.
Soit R l’ensemble des N matrices de distribution des erreurs de modélisation tel que :
R = [E1 . . . Ei . . . EN ] (3.63)
où i ∈ [1, . . . , N ], Ei ∈ Rn×q soit donc R ∈ Rn×(N ×q) . Le problème de calculer une matrice E ∗
permettant d’approximer au mieux l’ensemble R est équivalent au problème de la minimisation
du critère suivant :
100 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
R = U diag(σ1 , . . . , σk )V T (3.65)
R ∗ = R1 R2 (3.67)
où R1 ∈ Rn×q est de rang plein en colonne et R2 ∈ Rq×(N ×q) . D’après (3.67), la matrice
E ∗ de rang q cherchée est équivalente à R1 , composante de la solution R∗ . Le rang de E ∗ est
souhaité de rang q < n de sorte que l’on puisse d’une part effectuer le découplage des erreurs de
modélisation (que nous verrons dans la section suivante), et d’autre part à des fins de diagnostic
de défauts, il est essentiel de pouvoir avoir une matrice E ∗ de rang q tel que q + f < m : c’est-
à-dire que la dimension du vecteur des erreurs de modélisation q et de défauts f soit inférieur
au nombre de sorties m du système dans l’objectif d’isoler les défauts.
3.4.2 Synthèse
Nous allons voir au cours de cette section, comment les incertitudes influent sur le décou-
plage et modifient les conditions de stabilité et de convergence de l’UIO polytopique. Le
travail précédent sur un ensemble de matrices d’erreurs de modélisation va nous permettre,
dans la synthèse de observateur polytopique, d’obtenir une unique matrice T ∗ de découplage
permettant d’assurer la stabilité de l’erreur d’estimation sur la base d’une approximation des
erreurs de modélisation.
PN £ ¤
xk+1 ≃ i=1 ρi (γk ) Ai xk + Bi uk + E ∗ dk + Fi fk + ∆xi
(3.68)
yk = Cxk
avec
N
X
ρi (γk ) = 1
i=1 (3.69)
0 ≤ ρi (γk ) ≤ 1 , ∀i ∈ [1, . . . , N ]
avec E ∗ ∈ Rn×q la matrice unique sur laquelle est basée le découplage des erreurs de
modélisation de plein rang colonne. De la même façon que précédemment, nous supposerons
les paires (Ai , C) observables et que le nombre des incertitudes q ajouté à celui des défauts f ,
est inférieur à m représentant la dimension de la sortie du système soit : q + f < m. ρi (γk ) sont
les fonctions d’activation des modèles locaux et γk représente le vecteur de variables de dé-
cision qui peuvent dépendre de l’état, des sorties et/ou des entrées. Elles sont supposées connues.
N
X £ ¤
zk+1 = ρik Si zk + T Bi uk + Ki yk + ∆zi
i=1 (3.70)
bk+1 = zk+1 + H ∗ yk+1
x
où x
b est l’estimation de l’état et z l’état de l’observateur. L’erreur d’estimation entre le
système (3.68) et l’UIO (3.70) s’exprime selon
ek+1 = xk+1 − x
bk+1
= xk+1 − (zk+1 + H ∗ yk+1 )
(3.71)
= xk+1 − H ∗ (Cxk+1 ) − zk+1
= [I − H ∗ C]xk+1 − (S(ρ)zk + T B(ρ)uk + K(ρ)yk + ∆z(ρ))
En décomposant le gain K(ρ) sous la forme K(ρ) = K 1 (ρ) + Π(ρ), l’équation (3.71) devient :
Les matrices S(ρ), T, K(ρ) et H ∗ doivent être synthétisées dans le but d’assurer la conver-
gence et la stabilité de l’erreur d’estimation ek = xk − x
bk en l’absence de défaut (fk = 0).
Si les conditions suivantes sont vérifiées alors il s’agit d’un découplage parfait (effectué sur
une matrice de distribution d’erreur de modélisation E ∗ ) (Rodrigues et al., 2005a) :
(I − H ∗ C)E ∗ = 0
T = I − H ∗C
Si = T Ai − Ki1 C
Πi = Si H ∗
Ki = Ki1 + Πi (3.74)
T ∆xi = ∆zi
N
X
ρki Si est stable
S(ρ) =
i=1
Ces conditions (a) et (b) constituent une extension au cas polytopique de celles énoncées
par (Chen and Patton, 1999) dans le cas linéaire.
H ∗ = E ∗ (CE ∗ )+ (3.76)
D’autre part, la condition (b) assure l’existence d’un gain Ki1 permettant d’obtenir des ma-
trices Si = T Ai − Ki1 C, ∀i ∈ [1, . . . , N ] qui soient Hürwitz par placement de pôles ainsi qu’une
erreur d’estimation ek tendant vers zéro en l’absence de défaut. Il est à noter que la matrice
E ∗ est fixe ∀i ∈ [1, . . . , N ] et que dans un but de détection des défauts, il est important de
contraindre : q + f < m, c’est-à-dire que le rang de la matrices des erreurs de modèles ajouté
au rang de la matrice des défauts doit être inférieur au nombre de sorties du système stricte-
ment pour pouvoir détecter et isoler les défauts. Cette condition permet aussi de pouvoir placer
arbitrairement les valeurs propres des matrices Si (Millerioux and Daafouz, 2004a).
3.4 Observateur polytopique à entrées inconnues 2ème Partie : 103
Pour isoler les défauts, il suffit d’utiliser l’UIO en banc avec pour entrées inconnues une
nouvelle matrice Enew = [E ∗ F j (ρ)] où F j (ρ) représente la jème colonne de la matrice F (ρ)
comme dans les structures Dedicated Observer Scheme (DOS)(Garcia and Frank, 1996) ou
Generalized Observer Scheme (GOS) (Frank and Wunnenberg, 1989).
N
X
ēk+1 = S(ρ)ēk = ρik Si ēk
(3.77)
i=1
r̄k+1 = C ēk+1
L’erreur d’estimation est asymptotiquement stable s’il existe une matrice symétrique et
définie positive P > 0, telle que :
SiT P Si − P < 0
(3.78)
P > 0, ∀i ∈ [1, . . . , N ]
En se basant sur l’équation (3.78), il vient que l’erreur d’estimation de l’observateur
polytopique entre le système (3.68) et l’observateur (3.70) converge asymptotiquement vers
zéro, si toutes les paires (Ai , C) sont observables et si les conditions suivantes sont vérifiées
∀i ∈ [1, . . . , N ] :
T
Si P S i − P < 0
P > 0
T = I − HC
Si = T Ai − Ki1 C (3.79)
T ∆xi = ∆zi
Πi = Si H ∗
Ki = Ki1 + Πi
A l’aide du complément de Schür (Annexe A et équivalences d’écritures), il est possible de
transformer l’écriture des deux premières inégalités de (3.30) sous la forme suivante avec P > 0 :
µ ¶
P ∗
> 0, ∀i ∈ [1, . . . , N ] (3.80)
P Si P
En remplaçant Si par T Ai − Ki1 C, la LMI (3.80) devient alors :
µ ¶
P ∗
1 > 0, ∀i ∈ [1, . . . , N ] (3.81)
P T Ai − P K i C P
104 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
Or ces inégalités (3.81) sont non linéaires par rapport aux variables P et Ki1 . C’est pourquoi
nous proposons d’utiliser une méthode de linéarisation par changement de variables permettant
d’éliminer ce problème BMI.
Une fois déterminée la matrice H ∗ de l’équation (3.76) sous les conditions de rang de la
matrice Rang(CE ∗ ) = Rang(E ∗ ), il est alors possible d’effectuer le changement de variable
suivant :
Qi = P Ki1 (3.82)
qui permet de réécrire les inégalités (3.81) comme suit
µ ¶
P ∗
> 0, ∀i ∈ [1, . . . , N ] (3.83)
P T Ai − Qi C P
Cette dernière inégalité est linéaire par rapport aux matrices P et Qi . Il est possible de
pondérer cette LMI sur un ensemble convexe pour assurer la stabilité quadratique de l’erreur
d’estimation. Ayant ainsi résolu ce problème et obtenu des solutions P et Qi vérifiant (3.83),
on en déduit les gains Ki1 :
Ki1 = P −1 Qi (3.84)
Finalement les matrices H, T, Ki1 ayant été déterminées, on en déduit les matrices d’état Si
et les matrices Ki , ∆zi :
Si = T Ai − Ki1 C
∆zi = T ∆xi
(3.85)
Πi = Si H ∗
K
i = Ki1 + Πi
Ainsi, l’erreur d’estimation en l’absence de défaut notée ēk , tend asymptotiquement vers zéro
si l’ensemble de ces conditions (3.74) est vérifié.
ēk+1 = S(ρ)ēk
(3.86)
r̄k+1 = C ēk
Ā(ρ)
z }| {
ēk+1 = S(ρ)ēk = T A(ρ) −K 1 (ρ)C ēk (3.87)
r̄k+1 = C ēk+1
3.4 Observateur polytopique à entrées inconnues 2ème Partie : 105
N
X
1
où K (ρ) = ρik Ki1 . Afin d’assurer une bonne dynamique de la convergence de l’UIO
i=1
polytopique, il est nécessaire de définir une région du plan complexe où l’on désire placer les
valeurs propres de la matrice S(ρ).
Proposition 2 (Rodrigues et al., 2005a) Soit D(r) une région LMI définissant un disque
circulaire inclus dans le cercle unité avec un centre d’affixe (−q, 0) et un rayon q + r < 1.
L’erreur d’estimation (3.87) est dite quadratiquement D-stabilisable (tous les pôles sont dans
la région LMI nommée D) si il existe des matrices Ri pour i = [1 . . . N ] et une matrice
symétrique définie positive P > 0 avec des dimensions appropriées telles que :
µ ¶
−rP qP + ĀTi P − C T RiT
< 0, ∀i ∈ [1 . . . N ] (3.88)
qP + P Āi − Ri C −rP
avec Ri = P Ki1 et Āi = T Ai . ¥
Preuve :
Si (3.88) est vérifiée ∀i ∈ [1 . . . N ], alors en utilisant la notation Ri = P Ki1 , on déduit que
µ ¶
−rP qP + (Āi − Ki1 C)T P
< 0, ∀i ∈ [1 . . . N ] (3.89)
qP + P (Āi − Ki1 C) −rP
Les pôles de la matrice (Āi − Ki1 C) sont dans le cercle de centre (−q, 0) et de rayon q + r < 1
(Cf. Voir les définitions élémentaires des régions LMI dans (Chilali and Gahinet, 1996)). En
P
pondérant chacune des LMI (3.89) par ρik et en les additionnant une à une avec N i
i=1 ρk = 1,
l’inégalité (3.89) devient
à PN !
i 1 T
−rP qP + i=1 ρk (Āi − Ki C) P
PN i 1
< 0, ∀i ∈ [1 . . . N ] (3.90)
qP + P i=1 ρk (Āi − Ki C) −rP
P
où la matrice N i 1 1
i=1 ρk (Āi − Ki C) peut être écrite comme (Ā(ρ) − K (ρ)C) sous l’ensemble
convexe Ω, assurant que les pôles de l’erreur d’estimation ēk in (3.87) sont dans la région D
P
avec des gains K 1 (ρ) = N i −1
i=1 ρk P Ri , ∀i ∈ [1, . . . , N ]. L’erreur d’estimation est dite quadra-
tiquement D-stable. ¤
Les conditions de détection de défauts restent les mêmes que celles énoncées dans la première
partie. On vérifie de la même façon que le découplage sur les entrées inconnues E ∗ n’altère pas
la détection des défauts sur les résidus.
D’autre part, l’erreur d’estimation (3.75) et le résidu associé ne sont pas corrompus par
les erreurs de modélisation. Il ne faut toutefois pas omettre que le découplage est basé sur
l’optimisation de la matrice des erreurs de modélisation E ∗ sur N points de fonctionnement.
Par conséquent, il existe une erreur si minime soit elle par le biais du critère de minimisation
106 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
(3.64) sous contrainte de rang, la perte d’informations dépend directement de la somme des
valeurs singulières négligées.
L’exemple qui suit, est un système de cuve continuement remuée ou CSTR où nous
appliquons l’observateur polytopique avec une unique matrice E ∗ afin de détecter un défaut
actionneur.
L’illustration de l’UIO polytopique robuste porte sur le diagnostic de défauts d’un système
non linéaire étudié en boucle ouverte : un CSTR (Rodrigues et al., 2005a). Une description plus
complète du système CSTR peut être trouvée dans (Chen et al., 1995). Ce système possède
plusieurs caractéristiques non linéaires telles que : la multiplicité des entrées, le changement
de signe du gain de la caractéristique statique, une réponse asymétrique et une réponse avec
minimum et non-minimum de phase (Gatzke and Doyle, 1999), (Gatzke and Doyle, 2002). La
réaction considérée est une cuve de réaction remuée continuement : la réaction principale est
donnée par la transformation du cyclopentadiene (substance A) pour produire du cyclopentenol
(substance B). Le cyclopentendiene réagit dans une réaction parallèle mais non désirée pour
produire du dicyclopentadiene (substance D). De plus, le cyclopentanediol (substance C) se
forme dans un réaction involontaire et parallèle pour produire du cyclopentenol. Cette réac-
tion se nomme communément la réaction de Van der Vusse et se résume sous la forme suivante :
A ⇛ B avec B ⇛ C et 2A ⇛ D.
C˙A = V̇
Vr
(CA0 − CA ) − k1 (v)CA − k3 (v)CA2
C˙B =
V̇
C + k1 (v)CA − k2 (v)CB
Vr B
v̇ = V̇
(v0 − v) −
2 ∆H
k1(v)CA ∆HRAB +k2(v)CB ∆HRBC k1(v)+k3 (v)CA RAD (3.91)
Vr ρCp
k w Ar
+ ρCp Vr
(v − vk )
1
v˙k = mk CP K
× ((Q̇k − vk ) + kw Ar (v − vk ))
Ei
où ki (v) = ki0 e v+273.15
Ce modèle possède 4 états : la concentration de A (CA ) de concentration initiale CA0 , la
concentration de B (CB ), la température du réacteur v initialement fixée à v0 et la température
du circuit primaire vk . Les états sont supposés directement mesurables excepté vk . Les com-
mandes du système sont : le débit volumique VV̇r et un débit de chaleur Q̇k . Les autres variables
sont des paramètres constants définis dans le tableau (3.4.5.3).
3.4 Observateur polytopique à entrées inconnues 2ème Partie : 107
1.2 CB3
CB2
1
CB2
Concentration CB
CB1
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30 35 40
Débit volumique VV̇r
Fig. 3.6: Courbe de gain statique
Une condition évoquée dans le benchmark (Chen et al., 1995), souligne le fait que la
concentration du produit B doit rester comprise entre [0.8, 1.09] mol.l−1 pour des entrées de
commande comprises dans l’intervalle [3h−1 ; 35h−1 ] associé à VV̇r et [−9000kJ.h−1 ; 0] associé
à Q̇k . Au vue des caractéristiques physiques d’utilisation, la température d’entrée v0 est
considérée constante à 105o C comme précisé dans (Chen et al., 1995). Dans le cas de notre
étude et sur la base des équations d’état définies en (3.91), la simulation du CSTR réalisée en
boucle ouverte avec des bruits de mesures de trés faible amplitude suivant une loi gaussienne.
Les conditions d’exploitation en BO ont comme objectif de produire plusieurs concentrations
prédéterminées définissant chacune un point de fonctionnement particulier. Ainsi, le système
CSTR conduira à la production d’une palette de différentes concentrations CB amenant à
étudier ce système autour de plusieurs points de fonctionnement. D’après la caractéristique
statique du système, illustrée à la figure (3.6), et dans l’objectif d’exploiter le système sur
toute sa plage de fonctionnement, les concentrations considérées sont CB1 , CB2 , CB3 prenant
les valeurs respectives 0.85, 1.00, 1.09mol.L−1 . Toutefois, il faudra noter qu’au vue de la
caractéristique statique de la figure (3.6) entre l’entrée VV̇r et la sortie CB , la concentration
V̇
CB2 = 1.00mol.L−1 peut être obtenue pour deux valeurs distinctes de commande Vr
.
La figure (3.7) illustre l’évolution dynamique des états mesurables résultant de la simulation
du système CSTR soumis à un débit volumique illustrée figure (3.8) permettant de solliciter
toute la plage de fonctionnement à travers quatre points de fonctionnement. On pourra
remarquer les réponses à non minimum de phase lors des changements de consigne sur les
concentrations des éléments A et B notamment.
Dans la suite de notre étude, nous supposons que le système est exploité uniquement
autour de quatre points de fonctionnement. Sur la base des équations d’état définies en (3.91),
108 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
A
Concentration C
3
0
5 10 15 20 25 30 35 40 45 50 55 60
Temps en min
B
Concentration C
1.2
0.8
0.6
5 10 15 20 25 30 35 40 45 50 55 60
Temps en min
Température réacteur
116
114
112
110
108
5 10 15 20 25 30 35 40 45 50 55 60
Temps en min
40
35
30
25
20
15
10
0
10 20 30 40 50 60
Temps en min
l’obtention des quatre modèles linéaires s’effectue directement à partir d’une linéarisation du
premier ordre et non à travers la construction de modèles boîtes noires suivant une procédure
classique.
1
k10 = 1.287.101 2h−1 k20 = 1.287.101 2h−1 k30 = 9.043.109 molAh
Possédant les quatre modèles linéaires, conformément au cadre de notre étude consacrée à la
synthèse et l’analyse d’un observateur polytopique, nous supposons les fonctions d’activation
connues et insensibles à l’occurrence des défauts. En appliquant cette technique, la figure (3.9)
retrace la séquence des modèles actifs tout au long de l’expérience, générée de la même façon
qu’au second chapitre à l’équation (2.61).
0.9
0.8
0.7
0.6
0.4
0.3
0.2
0.1
0
0 10 20 30 40 50 60
Temps en min
avec une région LMI définie avec les paramètres : r = 0.1 et q = 0.5. Les pôles de l’observateur
sont synthétisés comme dans (3.88) assurant ainsi la stabilité de l’UIO polytopique. Les
valeurs numériques des différentes matrices utiles à la synthèse de l’UIO polytopique sont
données à la fin de cet exemple.
Les performances de l’UIO polytopique sont dans une première étape évaluées en l’absence
de défauts en soumettant une entrée de commande semblable à celle définie précédemment.
La figure (3.11) présente la norme des résidus générés par l’UIO polytopique en l’absence et
en présence de défaut. Dans le cas sans défaut, cette norme est différente de zéro autour des
différents points de fonctionnement car il ne s’agit pas d’un découplage local exact mais d’un
découplage optimal sur l’ensemble de ceux-ci permettant néanmoins de minimiser l’impact
des incertitudes lors des transitions. Il est à noter qu’une technique à seuil adaptatif doit
permettre de tenir compte des conditions de synthèse de l’UIO polytopique pour aboutir à
une évaluation des résidus efficaces.
Une seconde expérience est effectuée en présence d’un défaut actionneur représenté par
la figure (3.10) où il est possible de visualiser la commande en défaut appliquée au système
et la commande nominale exploitée par l’observateur polytopique à entrées inconnues. Cette
expérience a pour but de simuler dans un premier temps un actionneur qui resterait bloqué
entre les PF 1 et PF 2 . Puis dans une seconde étape lors de la transition entre les PF 2 et PF 3 ,
un défaut émulant la perte partielle de l’actionneur apparaît pour finalement disparaître lors
du dernier changement de point de fonctionnement.
40
35
30
25
20
U nominale
15
10
U en défaut
5
0
0 10 20 30 40 50 60
Time (min)
Le défaut actionneur se répercute évidemment sur l’erreur d’estimation et sur les résidus
(3.11). Comme illustrée à la figure (3.11), la norme des résidus générés par l’UIO polytopique
est sensible à l’occurrence du défaut actionneur et robuste aux incertitudes de modèles.
3.4 Observateur polytopique à entrées inconnues 2ème Partie : 111
En présence de plusieurs actionneurs, un banc d’UIO polytopique peut être envisagé. Dans
le cas de notre étude, l’isolation de l’unique défaut actionneur se réduit à un simple problème
de détection, ne remettant pas en cause l’efficacité de la méthode développée en terme de
diagnostic de défauts.
2
1.8
1.2
0.8
0.6
0
10 20 30 40 50 60
Time (min)
Fig. 3.11: Comparaison des normes des résidus en présence et absence de défaut
Cependant, dans l’exemple du CSTR, nous n’avons pas montré la possible détection de
défauts multiples du fait des dimensions mêmes du système par rapport aux conditions de
détection et isolation. Nous allons montrer par la suite que l’UIO généré peut tout à fait être
utilisé en banc pour isoler de multiples défauts.
Les matrices ayant permis la synthèse de l’UIO polytopique du CSTR ainsi que celles
assurant la stabilité de l’erreur d’estimation, sont données par la suite.
112 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
−0.8142 1.3831 0.4289 −0.4933 −0.0398
−0.0032 −1.6090
E∗ = H ∗ = −0.4933 0.5739 −0.0344 (3.92)
11.7210 0.0956 −0.0398 −0.0344 0.9972
0 0 0 0 0
0.4300 0.5161 0.0343 0.3878 0.4710 0.0292
0.5439 0.2455 0.0296 0.5079 0.2070 0.0253
K11 = 1
0.0439 0.0359 −0.1976 K2 = 0.0414 0.0332 −0.1979
(3.93)
3.7878 3.2781 0.7970 3.6401 3.2116 0.7846
0.4108 0.5010 0.0324 0.3033 0.4148 0.0252
0.5271 0.2322 0.0279 0.4342 0.1577 0.0217
K31 = 1
0.0427 0.0351 −0.1977 K4 = 0.0346 0.0285 −0.1983
(3.94)
3.8198 3.2521 0.7925 3.8482 3.1264 0.7560
1.5003 0.2468 0.0199 −0.0601
0.2468 1 0 0 0
1.4257 0.0171 −0.0517
X = 1.0e + 003 ∗
0.0199
,C = 0 1 0 0 (3.95)
0.0171 1.2148 −0.0042
0 0 1 0
−0.0601 −0.0517 −0.0042 0.0049
Les matrices R1 , R2 , R3 , R4 ne sont pas mentionnées ici car elles se déduisent de par la
relation Ki1 = X −1 Ri .
Nous donnons dans ce paragraphe, les principes permettant d’isoler de multiples défauts au
travers une utilisation en banc des UIO préalablement synthétisés.
u1 y
ui Système
up
^
y
UIO 1
polytopique
^
y
UIO i Logique
polytopique De
décision
^
y
UIO N
polytopique
Dans le cas de défaut actionneur, la matrice de défaut Fi est représentée par la matrice Bi .
Supposons que celle-ci soit fixe quelque soit le point de fonctionnement considéré, nous allons
montrer comment l’UIO développé peut être utilisé en banc pour effectuer une procedure de
diagnostic. Soit le système suivant :
· ¸
PN £ ∗ dk
xk+1 = j=1 ρi (γk ) Aj xk + Buk + [E Fd ] + Fx∗ fk∗ + ∆xj ]
fkd (3.96)
yk = Cxk
avec
N
X
ρi (γk ) = 1
i=1 (3.97)
0 ≤ ρi (γk ) ≤ 1 , ∀i ∈ [1, . . . , N ]
En dissociant la matrice de distribution des défauts actionneurs sous la forme : Fi = [Fd Fx∗ ]
avec la matrice Fd égale à B i qui représente la ième colonne de B, et la matrice Fx∗ égale à B̄ i
qui est la matrice B sans la ième colonne. La matrice [E ∗ Fd ] fait office de nouvelle matrice de
distribution des perturbations à découpler et la matrice Fx∗ représente les défauts à détecter.
La restriction pour pouvoir estimer ces défauts actionneurs sera d’imposer que le système
puisse être représenté avec une unique matrice de commande B quels que soient les points de
fonctionnement concernés.
N
X £ ¤
zk+1 = ρik Si zk + T Buk + Ki yk + ∆zi
i=1 (3.98)
bk+1 = zk+1 + H ∗ yk+1
x
114 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
Les conditions de détection des défauts sont les mêmes que celles évoquées lors de la
première partie. Si les conditions (3.74-3.76) sont vérifiées, un observateur à entrées inconnues
produit une estimation du vecteur d’état, pour générer un vecteur de résidus rkl = yk − Cb xk
d
(l ∈ [1, . . . , p]), indépendant de fk . Ceci signifie que rk = 0 si fk = 0 et rk 6= 0 si fk 6= 0
∗ ∗
¡ ¢
fbkd = Fd+ xbk+1 − A(ρ)b
xk − Buk − ∆x(ρ) (3.100)
Preuve :
3.5 Conclusion
Dans ce chapitre, une nouvelle méthode de génération de résidus robustes aux erreurs de
modélisation et sensibles aux défauts a été développée pour des systèmes représentés par des
multi-modèles. La synthèse d’observateurs polytopiques à entrées inconnues dépend directe-
ment de la représentation multi-modèles du système ainsi que des matrices de distribution
des erreurs de modélisation. La contribution de nos travaux s’inscrit dans la synthèse d’un
observateur polytopique à entrées inconnues UIO qui permet de générer des résidus découplés
des erreurs de modélisation avec un gain d’observation construit de manière polytopique à
partir de l’utilisation de LMI sur un ensemble convexe. Cette stratégie permet d’assurer
non seulement la stabilité mais aussi le placement de pôles de l’UIO avec des outils dont
l’implémentation est aisée. Le diagnostic de défauts d’un système non linéaire est ainsi
réalisé en présence d’erreurs de modélisation et de défauts actionneurs et/ou capteurs sans
connaissance préalable de leurs amplitudes ni des instants d’apparition.
Afin de générer des résidus robustes aux erreurs de modélisation permettant la détection
de défauts, nous avons synthétisé des Observateurs Polytopiques. Nous avons pu voir qu’en
fonction de l’apparition des perturbations sur le système, si elles apparaissent directement
sur l’état et/ou sur la sortie, différents UIO polytopiques ont été synthétisés. Ces UIO ont
leurs propres caractéristiques en fonction du découplage des perturbations qui influencent
directement l’étude de la stabilité de l’erreur d’estimation et du résidu.
Étant donné que les systèmes étudiés sont représentés par des multi-modèles sur des
ensembles convexes, l’outil utilisé pour l’étude de la stabilité a été les LMI. Cet outil est
particulièrement bien adapté aux ensembles convexes que nous avons traités. Les problèmes
de découplage des perturbations, qui avait entraîné des résolutions de type BMI, ont pu être
solutionné en linéarisant celles-ci par changements de variables.
Nous fondant sur des travaux de (Lou et al., 1986), (Chen and Patton, 1999), nous avons
pû approximer un ensemble de matrices d’erreurs de modélisation permettant de contribuer à
un découplage unique sur plusieurs points de fonctionnement même lors des transitions. Nous
avons aussi donné des conditions permettant de tester la détection des défauts sur la génération
de résidus robustes. Ces travaux ont été appliqués sur des exemples de type académique et aussi
sur un CSTR pour montrer l’efficacité de la méthode appliquée à un problème non linéaire.
Le diagnostic est réalisé en synthétisant un banc d’UIO polytopiques permettant d’isoler les
défauts à la manière des structures GOS, DOS existant dans le cas linéaire. L’estimation de
défauts actionneurs peut alors être réalisée via ces structures.
116 Chapitre 3 : Synthèse d’observateurs polytopiques à entrées inconnues pour le diagnostic
Chapitre 4
"La science a-t-elle promis le bonheur ? Je ne le crois pas. Elle a promis la vérité, et la question est de
savoir si l’on fera jamais du bonheur avec de la vérité." Emile Zola
L’objectif de ce chapitre est de synthétiser une loi de commande active tolérante aux défauts
actionneurs pour des systèmes représentés par des multi-modèles.
Les études sur des modules de diagnostic ont été développées dans les 2 chapitres précédents
sur des systèmes représentés de la sorte. La synthèse de commande active tolérante aux défauts
que nous proposons de développer ici, consiste à s’appuyer sur un module de diagnostic qui
pourvoit à l’estimation du ou des défaut(s) actionneur(s) considéré(s). Cette estimation du
défaut actionneur doit pouvoir permettre une synthèse en ligne du nouveau régulateur qui est
un des principes de la commande tolérante active aux défauts.
Dans le paragraphe suivant, nous retraçons brièvement la synthèse de régulateur par retour
d’état en multi-modèles. Nous soulignons notamment les effets des défauts actionneurs au sein
du système avec ces régulateurs nominaux. Puis, au travers d’un existant dans le domaine de
la synthèse des régulateurs en vue d’une accommodation de défauts (Cf. Chapitre 1), nous
expliquons nos objectifs de reconfiguration par une loi de commande tolérante aux défauts
actionneurs. Une étude de cas d’un système linéaire avec une redondance matérielle permettra
de discerner plus justement nos propos lors de la reconfiguration de la loi de commande en
multi-modèles. Différents exemples permettent d’illustrer les propositions de reconfiguration
118 Chapitre 4 : Commande active tolérante aux défauts
N
X
x = ρjk [Aj xk + Bj uk ]
k+1
j=1
N
(4.1)
X
y = ρjk [Cj ]xk
k
j=1
( N N
)
X X
Sk := ρjk Sj : ρjk ≥ 0, ρjk = 1 (4.2)
j=1 j=1
avec Sj = [Aj , Bj , Cj ]. De manière similaire aux précédents chapitres, les fonctions d’activation
ρjk sont supposées robustes aux défauts, pouvant provenir des travaux du chapitre 2 ou de
travaux de (Narendra et al., 1995). Le but de ce chapitre n’est pas l’obtention de ces fonctions
mais bien de reconfigurer la loi de commande lors de défauts actionneur et d’assurer la stabilité
en Boucle Fermée. Ces fonctions d’activation seront supposées connues et robustes aux défauts
occurrent sur le système.
½
xk+1 = Aj xk + Bj (−Kj xk )
(4.3)
= (Aj − Bj Kj )xk
Les gains Kj ∈ [1, . . . , N ] sont calculés de façon à stabiliser l’équation (4.3). Ils peuvent être
synthétisés de manière différente comme en commande floue (Tanaka et al., 1996), en tenant
compte des performances particulières telles les commandes LQG (Huzmezan, 1998), par
placement de pôles etc. . . . Cependant, toutes ces méthodes, notamment celles développées en
flou, ne permettent pas de prendre en compte les défauts actionneurs qui peuvent déstabiliser le
système en amenant ses valeurs propres par exemple en dehors du cercle unité dans le cas discret.
(
xk+1 = Aj xk + Bjf uk
(4.4)
= Aj xk + Bj (Ip×p − γk )uk
avec
Il faut noter que chaque composante γki dépend du temps k. En prenant un simple retour
d’état, le système (4.4) s’écrit alors :
(
xk+1 = Aj xk + Bjf (−Kj xk )
(4.6)
= (Aj − Bjf Kj )xk = (Aj − Bj (I − γk )Kj )xk
Il est clair que les gains nominaux Kj des régulateurs ne peuvent garantir la stabilité du
système en boucle fermée (4.6) par la présence du/des défauts actionneurs, car ceux-ci sont
prévus pour stabiliser les paires (Aj , Bj ) et en aucun cas les paires (Aj , Bjf ). Comme exposé
dans le premier chapitre, il est nécessaire de synthétiser de nouveaux gains par exemple, par
la méthode Pseudo-inverse (Gao and Antsaklis, 1991), ou par placement de structure propre
(Zhang and Jiang, 1999a), permettant de contraindre les valeurs propres du système en défaut
en Boucle Fermée (BF) à rester égales ou le plus proche possible à celles du cas nominal (en
l’absence de défaut). Cependant, les travaux de (Zhang and Jiang, 2003b) et récemment (Zhang
et al., 2005) considèrent des modèles linéarisés de systèmes non linéaires autour d’un unique
point de fonctionnement dans le domaine de l’aéronautique. Ils partent de l’hypothèse qu’il est
possible de connaître le modèle du système en défaut pour divers scénari de défauts, or nous
désirons considérer plusieurs points de fonctionnement. De plus, ces travaux considèrent des
défauts parfois de fortes amplitudes mais pas de perte d’actionneur. En partant de ces travaux
réalisés dans ce domaine, notre activité s’inscrit directement dans l’optique de la synthèse de
régulateurs assurant la stabilité du système en BF en regard des performances nominales lors
de la perte d’un actionneur au travers de multiples points de fonctionnement.
Les hypothèses de travail seront de supposer qu’un module de FDI est réalisé et qu’il fournit
une estimation exacte, en un temps minimal, de multiples défauts actionneurs apparaissant
sur le système. Les chapitres 2 et 3 permettent d’assurer une détection et/ou une estimation
120 Chapitre 4 : Commande active tolérante aux défauts
Module de détection
de défauts et diagnostic
Défauts
Défauts Défauts
actionneurs
système capteurs
U
Y Mécanisme
Référence Actionneurs Système Capteurs de
- reconfiguration
Régulateur de retour
reconfigurable
Fig. 4.1: Schéma de principe général avec commande tolérante aux défauts
du défaut sur des systèmes représentés par des multi-modèles. Ces méthodes (Filtre Adaptatif
et Observateurs polytopiques à entrées inconnues) ont notamment permis de montrer qu’il
était possible d’effectuer un diagnostic des défauts sur de tels systèmes. Ainsi, dans la suite
de la méthode présentée et de la même façon que (Zhang and Jiang, 2003b), nous considé-
rerons qu’il possible d’estimer en ligne l’amplitude du ou des défaut(s) actionneur γk sur le
système. Nous supposerons que cette estimation γ bk est parfaite et qu’il n’y a pas d’incertitudes :
γk = γ
bk (4.7)
Comme mentionné au chapitre 1 à la section (1.1.5), l’hypothèse principale repose sur
le fait que les modules de FDI/FTC sont synthétisés indépendamment l’un de l’autre et
le module de FDI est supposé parfait. D’autre part, nous ne tiendrons pas compte du
retard à la détection dans la synthèse de notre loi de commande comme évoqué dans
(Shin, 2003). Nous supposerons de même, que les fonctions de pondérations sont robustes aux
défauts actionneurs et peuvent être générées par les travaux précédents initiés en multi-modèles.
(
xk+1 = Aj xk + Bj (ujk + fka )
(4.8)
= Aj xk + Bj ujk + Fj fka
4.1 Systèmes tolérants aux défauts en multi-modèles 121
avec les égalités suivantes Fj = Bj et fka est le terme en défaut de l’entrée de commande.
L’objectif de la méthode est de synthétiser une loi de commande urk qui annule l’effet des
défauts sur le système en BF. Chaque loi de commande locale est synthétisée pour chaque
régulateur de la façon suivante :
où ujad définit une loi de commande additive locale et ujk représente un gain de retour d’état
nominal tel que ujk = −Kj xk . Le terme ujad est synthétisé afin de compenser le défaut (Theilliol
et al., 1998), (Noura et al., 2000) et (Theilliol et al., 2002a), dans la représentation d’état (4.8)
par la résolution de l’égalité suivante :
xk+1 = Aj xk + Bj urk + Fj fka
= Aj xk + Bj (ujk + ujad ) + Fj fka
= (Aj − Bj Kj )xk + Bj ujad + Fj fka (4.11)
| {z }
=0
= (Aj − Bj Kj )xk
=<
=>?@A =<
aROHJRG =>?@A =B deLKJPEHMRO
MOc FH RFHc FH
h
h =>?@A =C
DEFGHI JKK
:; < JKLMNFEG
h
:; i
B
f@`] g
:;C
:;C ?@UX`X>V
DEFGH LKOLMHMPK JKLMNFEG
représentés par des multi-modèles. Le module de FDD utilisé était un banc de filtres adaptatifs
(Rodrigues et al., 2004) que nous avons présenté au second chapitre. Ceux-ci permettaient
notamment, de détecter, isoler et estimer l’amplitude du défaut fka et par ce fait, de déterminer
le terme additif ujad dans l’équation (4.9). Le schéma de la figure (4.2) permet d’illustrer la
stratégie alors mise en place. Dans cette approche, aucune identification préalable de modèles
du système en défaut n’était requise et de plus, les fonctions d’activation étaient rendues
robustes aux apparitions des défauts en utilisant un banc de filtres découplant (Cf. Chapitre 2).
Néanmoins, comme dans (Zhang and Jiang, 2003b), cette étude ne permettait pas la prise
en compte des pertes d’actionneur car seule l’accommodation était permise. C’est pourquoi
afin d’étendre ces travaux dans le contexte de défauts actionneurs représentés sous forme
multiplicative, nous avons décidé de nous focaliser sur les pertes d’actionneur et l’analyse de
la synthèse de régulateurs adéquats assurant la stabilité en BF du système.
(4.12)
Dans un premier temps, afin d’illustrer le cas de défaillance d’actionneur (c.à.d lors de
la perte d’un actionneur), nous allons supposer que le système dispose d’une redondance
matérielle suffisante. Cette première hypothèse va nous permettre d’expliciter la loi de
commande lors d’une reconfiguration d’actionneur, avec l’ensemble des actionneurs en défaut
et celui en mode nominal comme illustré dans l’équation (4.12). Dans cette première approche
et afin de souligner l’apport de la loi de commande, nous considérons le cas d’un système linéaire.
4.2 Stratégie de reconfiguration en présence de défauts actionneurs : vers une solution 123
En s’appuyant sur cette nouvelle représentation des défauts actionneurs au sein du système,
l’idée est de calculer une loi de reconfiguration de commande urk à partir de la loi de commande
nominale uk , de telle façon que les effets des défauts soient totalement compensés et que le
système reconfiguré puisse être stable.
Ainsi, Γk est une matrice diagonale et contient sur ses entrées diagonales seulement des 1
(absence de défaut) et des 0 (représentant des défauts totaux). Nous omettrons la dépendance
au temps sur les matrices γ et Γ pour permettre une meilleure lisibilité des indices. Sans perte
de généralité, il est possible de considérer que
µ ¶
Ip−h 0
Γ= (4.16)
0 0h
où nous avons noté le nombre d’actionneurs totalement perdus par h, et p − h les actionneurs
qui fonctionnent normalement ou qui sont en défaut mais non défaillants (γ i 6= 1). La matrice
Γ correspond au cas où la matrice γ est représentée par :
124 Chapitre 4 : Commande active tolérante aux défauts
µ ¶
γp−h 0
γ= (4.17)
0 Ih
avec γp−h étant une matrice diagonale contenant sur sa diagonale les entrées diagonales de
i
γp−h ,i∈ [1, . . . , p] qui sont différentes de 1. Il faut noter que (Ip−h − γp−h ) est une matrice
non-singulière par définition rendant possible son inversion. Considérons la partition de la
matrice B suivant (4.17) telle que
B = [Bp−h Bh ] (4.18)
où nous avons défini la nouvelle loi de commande en défaut urp−h ∈ Rp−h , c.à.d les
actionneurs restant qui peuvent être utilisés pour commander le système. On notera que le
système en défaut (4.20) diffère de (4.14) seulement en terme de dimension sur le signal de
commande, c.à.d dans (4.20) les signaux de commande qui ne peuvent être utilisés ont été
tout simplement supprimés. Afin de synthétiser une loi de commande urk capable de stabiliser
le système en présence de perte d’actionneur et de compenser l’effet des défauts, l’hypothèse
suivante sera considérée :
Hypothèse préliminaire :
où R(B) est l’espace engendré par les colonnes de la matrice B = [b1 , . . . , bp ] ∈ Rn×p définie
telle que
p
X
n
R(B) = span(b1 , . . . , bp ) = {v ∈ R : v = βi bi , βi ∈ R, i = 1, . . . , p} (4.22)
i=1
4.2 Stratégie de reconfiguration en présence de défauts actionneurs : vers une solution 125
Cette hypothèse exprime le cas de redondance matérielle sur un système. Cette hypothèse
semble à première vue une hypothèse forte et restrictive, mais dans le domaine de l’aéronau-
tique, aérospatiale, aviation,. . . il est beaucoup plus probable et moins pessimiste de considérer
cette hypothèse due au fait de la présence d’actionneurs redondants comme des actionneurs
symétriques sur les avions, les élévateurs droit et gauche, etc. Ainsi, dans le cas où un de ces
actionneurs est défaillant alors le modèle du système en défaut est supposé satisfaire à cette
hypothèse.
Sous cette hypothèse, une première stratégie de reconfiguration peut être explicitée. A cette
fin, considérons la partition de la loi de commande nominale u(k), correspondant à la partition
(4.18), comme
µ ¶
up−h (k)
u(k) = (4.23)
uh (k)
Le régulateur est synthétisé pour le système nominal, et ne change pas quelque soit
l’apparition des défauts. L’idée est de trouver ur (k) telle que l’équation résultante (4.14) ou
par équivalence l’équation (4.20) adhère parfaitement au cas nominal (4.14) avec γa = 0. Le
schéma de principe est illustré à la figure (4.3). La commande nominale passe dans un système
de reconfiguration du régulateur afin de définir une nouvelle commande ur (k) appliquée sur le
système en défaut.
Défaut
Ur(k)
Actionneur Système Capteur
Module FDI
Reconfiguration Régulateur
du régulateur U(k) nominal
· ¸
r Ip−h £ ¤
u (k) = [Ip−h − γp−h ]−1 Ip−h 0(p−h)×h u(k) (4.24)
0h×(p−h)
126 Chapitre 4 : Commande active tolérante aux défauts
appliquée au système en défaut (4.14) revient au système nominal (4.13) diminué des h
actionneurs défaillants. ¥
Preuve :
Nous allons montrer que le système en défaut (4.14) avec les défauts de (4.17) s’écrit comme
en (4.20) où seuls les premières (p − h) commandes peuvent être utilisées. Ainsi, les p dernières
commandes (correspondant aux actionneurs défaillants) qui sont par définition inutilisables,
sont mises à zéro.
Le système (4.14) avec les défauts (4.17) peut s’écrire sous la forme suivante
xk+1 = Axk + Bp−h (Ip−h − γp−h )(Ip−h − γp−h )−1 up−h (k)
= Axk + Bp−h up−h (k) (4.26)
Or, du fait de l’hypothèse (4.21), le système (4.26) reste commandable par les (p − h)
actionneurs non défaillants du système. Le système en défaut (4.14), qui avec les défauts de
(4.17) s’écrit comme en (4.20), est ramené au cas nominal (4.26) par la loi de commande
(4.24). ¤
Nous avons étudié le cas d’un système avec des défauts actionneurs en considérant la perte
possible d’actionneurs dans le cas de redondance matérielle d’actionneurs. Nous avons vu
comment la loi de commande de reconfiguration pouvait permettre au système en défaut de
continuer d’opérer avec le reste des actionneurs non hors-service. Maintenant, nous allons
formaliser une technique dédiée aux systèmes multi-modèles commandables pour chaque paires
(Aj , Bji ), ∀j ∈ [1, . . . , N ] où Bji représente la ième colonne de la matrice Bj avec i ∈ [1, . . . , p]
sans pour autant parler de redondance matérielle. Les notions évoquées dans l’étude de ce cas
linéaire et notamment les notations (4.18), (4.17) et (4.16), vont nous servir à comprendre la
stratégie développée par la suite.
Note : La commande de reconfiguration peut aussi s’écrire ur (k) = (I − γ)+ u(k) avec (·)+
représentant la matrice de Moore-penrose, la pseudo-inverse,
· qui peut être −1
calculée
¸ par décom-
(Ip−h − γp−h ) 0
position en valeurs singulières (SVD) telle que (I − γ)+ =
0 0
4.3 Commande tolérante active sur de multiples points de fonctionnement 127
Étant donné que nous considérons des systèmes représentés par des multi-modèles avec des
défauts et pertes d’actionneur, nous proposons de synthétiser des régulateurs avec des outils
adéquats tels les LMI. En effet, celles-ci permettent de synthétiser des gains pour des systèmes
représentés sous forme polytopique (Daafouz and Bernussou, 2001) et\ou d’effectuer du pla-
cement de pôles (Chilali and Gahinet, 1996) dans le cadre de la commande robuste par exemple.
N p
X £ X ¤
xk+1 = ρjk Aj xk + Bji (I − γk )uk
j=1 i=1
N
X
yk = ρjk Cj xk (4.27)
j=1
128 Chapitre 4 : Commande active tolérante aux défauts
p
X
et Bj = Bji = [b1j , b2j , . . . , bpj , ] avec bij ∈ Rn×1 . Il est supposé que chaque colonne de Bj est
i=1
de plein rang colonne quel que soit le PF j . La matrice des défauts actionneurs γk se modélise
de la façon suivante :
Hypothèse 2 :
Les paires (Aj , bij ), ∀i = 1, . . . , p sont supposées commandables ∀j = 1, . . . , N . ¤
Soit D, une région LMI définissant un disque de centre (−q, 0), et de rayon r avec
(q + r) < 1 définissant le cercle unité (Voir Annexe C). Considérons tout d’abord le système
(4.27) dans le cas nominal c.à.d I = IN (ou γ = 0). Suivant l’hypothèse 2 que pour chaque
PF j chaque paire (Aj , bij ) est commandable, alors il est possible déterminer des matrices de
Lyapunov Xi > 0 et des gains de retour d’état Ki avec Yi = Ki Xi tels que pour chaque colonne
Bji , il existe des matrices Xi = XiT > 0 et Yi , ∀j = 1, . . . , N, ∀i = 1, . . . , p vérifiant les LMI
suivantes :
à !
−rXi qXi + (Aj Xi − Bji Yi )T
<0 (4.30)
qXi + Aj Xi − Bji Yi −rXi
Théorème 3 (Rodrigues et al., 2005d) Soit un système (4.27) en l’absence de défaut (γk = 0)
défini pour tout PF j , j = 1, . . . , N : il est possible de définir un gain de retour d’état constitué
de matrices prédéfinies Ki = Yi Xi−1 pour chaque actionneur i tel que l’inégalité (4.30) soit
vérifiée pour tout j = 1, . . . , N avec les paires (Aj , bij ), ∀i = 1, . . . , p supposées commandables
∀j = 1, . . . , N . La commande par retour d’état pour chaque point de fonctionnement est donnée
par :
4.3 Commande tolérante active sur de multiples points de fonctionnement 129
p p
X X
ujnom = −( Gi Yi )( Xi )−1 xk (4.31)
i=1 i=1
−1
= −Y X xk = −Knom xk
P P
avec pi=1 Gi Yi = Y , X = pi=1 Xi et Gi = Bji+ Bji une matrice possédant des zéros partout
sauf à l’entrée (i, i) où il y a un 1. La commande générale pour tout PF j peut être définie telle
que :
N
X N
X
uk = ρjk ujnom =− ρjk Knom xk = −Knom xk (4.32)
j=1 j=1
Preuve :
La commandabilité des paires (Aj , bij ) permet d’assurer le placement de pôles par retour
d’état des matrices Aj − Bji Ki . La sommation de (4.30) pour i = 1, . . . , p donne pour un point
de fonctionnement j
p
à !
X −rXi qXi + (Aj Xi − Bji Yi )T
i <0 (4.33)
i=1
qX i + (A j Xi − Bj Y i ) −rX i
Pp
décrivant la D-stabilité quadratique dans une région LMI précise. Notons X = i=1 Xi
(avec X = X T > 0), (4.33) s’écrit alors :
p
X
−rX qX + (Aj X − Bji Yi )T
i=1 <0 (4.34)
p
X
qX + (A X − Bji Yi ) −rX
j
i=1
Yil = Gl Yi (4.35)
Ainsi,
p p p
X X X
Bji Yi = [0, .., 0, bij , 0, ..., 0]Yii = Bj Yii (4.36)
i=1 i=1 i=1
conduisant à
130 Chapitre 4 : Commande active tolérante aux défauts
p p
X X
Bji Yi = Bj ( Gi Yi ) (4.37)
i=1 i=1
Pp
De plus, en prenant Y = i=1 Gi Yi , l’équation (4.37) devient
p
X
Bji Yi = Bj Y (4.38)
i=1
µ ¶
−rX qX + (Aj X − Bj Y )T
<0 (4.39)
qX + (Aj X − Bj Y ) −rX
pour tout PF j , j = 1, 2, .., N . En multipliant chaque LMI (4.39) par ρjk et en les addition-
nant toutes, nous obtenons
N
X
−rX qX + ρjk (Aj X − Bj Y )T
j=1
N <0 (4.40)
X
qX + ρjk (Aj X − Bj Y ) −rX
j=1
Théorème 4 (Rodrigues et al., 2005d) Soit le système (4.27) en présence de défauts (γk 6= 0
et Γk 6= 0) muni de gains de régulateurs Ki = Yi Xi−1 pour tous les points de fonctionnement
j = 1, . . . , N avec les paires (Aj , bij ), ∀i = 1, . . . , p commandables ∀j = 1, . . . , N . Introduisons
4.3 Commande tolérante active sur de multiples points de fonctionnement 131
l’ensemble des index pour tous les actionneurs qui ne sont pas totalement hors service, c’est-à-
dire
Θ , {i : i ∈ (1, . . . , p), γ i 6= 1}
La loi de commande tolérante aux défauts autour d’un PF j est équivalente à
¡X ¡X ¢−1 ¢
ujF T C = −(I − γk )+ Gi Yi Xi xk
i∈Θ i∈Θ
= −KF T C xk (4.42)
avec Gi = Bji+ Bji , appliquée au système en défaut permet de contraindre les pôles dans une
région LMI précise. ¥
Preuve :
En appliquant la nouvelle loi de commande tolérante aux défauts (4.42) au système en défaut
(4.27), conduit à l’équation suivante
X X
Bj (I − γk )ujF T C = −Bj Γk ( Gi Yi )( Xi )−1 xk (4.43)
i∈Θ i∈Θ
Il n’y a pas lieu d’étudier la stabilité des matrices telles Aj − Bj Kl (l 6= i) car un unique gain
de régulateur est utilisé. On pourra le constater dans (Wang et al., 1996) ou comme le fait
remarquer (Chadli, 2002) pour des modèles Takagi-Sugeno, avec une loi de commande PDC
(Parallel Distributed Compensation) qui utilise un unique gain.
132 Chapitre 4 : Commande active tolérante aux défauts
Remarque2 :
Si tous les modèles locaux ont la même matrice Bj , c.à.d Bj = B pour tout j = 1, . . . , N ,
il est alors possible d’envisager une synthèse de gains différents pour tous les points de
fonctionnement du système :
N
X N
X
uk = ρjk ujnom =− ρjk [Kj xk ] (4.46)
j=1 j=1
avec Kj = Yj Q−1 . Les matrices résultantes restent les mêmes excepté que les matrices
Kj remplacent les matrices K, la matrice B remplace les matrices Bj , et les matrices Yj
remplacent les matrices Y .
Remarque3 :
De la même façon que la remarque (2), si les matrices d’entrée Bj sont positivement et
linéairement dépendantes, c.à.d ∃αj : Bj = αj B, ∀j ∈ [1, . . . , N ], on pourra définir un type de
loi nommée CDF (Compensation et Division pour modèles Flous) (Guerra et al., 1999) de la
façon suivante :
N
X
ρjk αj Kj
j=1
uk = − N
xk (4.47)
X
ρjk αj
j=1
Cette loi de commande permet notamment de n’observer les conditions de stabilité que pour
les termes dominants Aj − Bj Kj (Chadli, 2002) à l’instar de la synthèse de gains multiples dans
le cadre des systèmes linéaires par morceaux (Piecewise Linear Systems(Ozkan et al., 2003)).
Remarque4 :
La synthèse des gains du régulateur dans le cas nominal se fait en prenant le nombre
h = 0, qui est le nombre d’actionneurs défaillants. Dans ce cas, l’ensemble Θ est équivalent à
l’ensemble i : i ∈ [1, . . . , p] des actionneurs non défaillants. ¤
La stratégie proposée est résumée sur la figure (4.4). Comme on peut le voir sur cette
figure, des techniques d’estimations d’état et de défaut sont requises pour mener à bien
cette stratégie de commande tolérante aux défauts actionneurs. Note : l’utilisation d’un esti-
mateur d’état est requise si le vecteur de sortie du système ne mesure pas tout le vecteur d’état.
défaut
U Y=X
Actionneur Système
Reconfiguration du régulateur
Banc de régulateurs
K1, Y1, X1
K2, Y2, X2
…
KP, YP, XP
Afin d’illustrer notre méthode de reconfiguration par retour d’état présentée, nous allons
utiliser une représentation de modèle affine LPV ou Linéaire à Paramètres Variants dans le
temps. Ce type de représentation a notamment été utilisé et développé dans (Bara, 2001) pour
la synthèse d’observateur polytopique, dans (Rosinova and Vesely, 2004) où il est question
d’un système avec des incertitudes paramétriques mis sous forme LPV affine puis sous forme
polytopique, dans (Hensen et al., 2000), (Angelis, 2001) et (Glover, 2003) pour la représentation
polytopique des systèmes non linéaires et la synthèse de commande et enfin récemment dans
(Reberga et al., 2005) où il est question de divers systèmes pouvant s’écrire sous une forme LPV.
N
X N
X
xk+1 = (A0 + Θjk Aj )xk + (B0 + Θjk Bj )uk
j=1 j=1
yk = Cxk (4.48)
où N = 2 et avec les variables Θjk qui varient selon Θ1k ∈ [−0.05, 0.05] et Θ2k ∈ [−0.1, 0.1].
Les matrices décrivant ce système LPV affine sont représentées par :
134 Chapitre 4 : Commande active tolérante aux défauts
0.75 0 0 0 1 + Θ1k 1 + Θ1k
2
X X2
0 0.85 0 0 1 1
A0 + θkj Aj = 1 , B0 + θkj Bj =
j=1
0 0 0.75 + Θk 0 j=1
1 + Θ2k 1 + Θ2k
0 0 0 1 + Θ2k 1 1
(4.49)
θ2
M3 s M4 s
θ2
θ2
M1 s M2 s
θ1 θ1 θ1
Fig. 4.5: Le domaine d’évolution des paramètres Θj
On notera que pour des valeurs de paramètres Θ2k ≥ 0, le système est instable. Il est possible
à partir d’une représentation sous forme affine, de transformer la représentation d’état (4.48)
sous une forme polytopique (Voir Annexe D). De ce fait, la représentation (4.48) peut s’écrire
sous la forme suivante tout en considérant des défauts actionneurs :
2 N 2N
X X
xk+1 = ej xk +
ρjk A ej (I − γk )uk
ρjk B
j=1 j=1
yk = Cxk (4.50)
j
avec ρjk = ρ(k, Θk , Θjk , Θjk ). Le vecteur des paramètres évolue dans un rectangle donné sur
la figure (4.5) : on observe 4 sommets correspondant aux valeurs extrêmes des paramètres Θ1k
et Θ2k . Dans la représentation (4.48), le modèle dépend directement des paramètres Θjk tandis
que dans la représentation (4.50), ce sont les coordonnées barycentriques des paramètres Θjk
par rapport aux sommets M fjs = {A ej , B
ej , C}, qui à un instant donné situent le système dans
le polytope. La matrice C est une matrice identité de dimension 4. L’ensemble des matrices
décrivant le système est défini comme suit :
0.75 0 0 0 0.95 0.95 0.75 0 0 0 1.05 1.05
e1 =
A 0
0 0.85 0 0 e 1
, B1 = 0.9
1 e 0
A2 = 0
0.85 0 0 e 1
, B2 = 0.9
1
0 0.75 0 0.9 0 0.8 0 0.9
0 0 0 0.9 1 1 0 0 0 0.9 1 1
0.75 0 0 0 0.95 0.95 0.75 0 0 0 1.05 1.05
e3
A 0
0 0.85 0 0 e
1
, B3 =
1 e
0
, A4 =
0.85 0 0 e
1
, B4 =
1
0 0.70 0 1.1 1.1 0 0 0.8 0 1.1 1.1
0 0 0 1.1 1 1 0 0 0 1.1 1 1
4.3 Commande tolérante active sur de multiples points de fonctionnement 135
La simulation
· s’effectue
¸ avec des défauts actionneurs à partir de l’instant k ≥ 2 avec la
1 0
matrice γk =
0 0.9
Selon la matrice γk , il y a une défaillance du premier actionneur et un défaut de 90% sur le
second. Les matrices issues des
· Théorème
¸ 3·et 4 donnent
¸ les résultats suivant avec les paramètres
1 0 0 0
q = −0.05 et r = 0.9 : G1 = , G2 =
0 0 0 1
3.3877 0.5722 0.5884 0.1180 · ¸
0.5722 3.5587 0.7068 0.3412 4.0708 4.6969 4.3427 5.3087
X1 = X2 = 1.0e+008∗ , Y1 = 1.0e+007∗
0.5884 0.7068 3.4622 0.2076 0 0 0 0
0.1180 0.3412 0.2076 0.6968
P P
Dans le cas nominal, la matrice de retour d’état K = 2i=1 Gi Yi ( 2i=1 Xi )−1 vaut :
· ¸ · ¸
0 0 0 0 0.0391 0.0195 0.0308 0.3556
Y2 = 1.0e + 007 ∗ ,K =
4.0708 4.6969 4.3427 5.3087 0.0391 0.0195 0.0308 0.3556
Sur la figure (4.6), on observe en (a) les états du système, en (b) l’évolution du second
actionneur, en (c) l’évolution du premier actionneur et en (d) l’évolution des paramètres ρjk , j ∈
[1, 2, 3, 4]. On observe que la commande par retour d’état converge vers zéro et stabilise le
système quelle que soit l’évolution des paramètres ρjk .
500
−500
a
−1000
10 20 30 40 50 60 70 80 90 100
400
b
200
0
10 20 30 40 50 60 70 80 90 100
400
c
200
0
10 20 30 40 50 60 70 80 90 100
1
d
0.5
0
10 20 30 40 50 60 70 80 90
Temps en sec
Fig. 4.6: Cas nominal : (a) Evolution de l’état du système, (b) Evolution du second actionneur,
(c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk
Sur la figure (4.7), le défaut apparaît à l’instant k = 2. Le système est rendu instable avec
une évolution des paramètres rendant possible cette instabilité car les modes dominants sont ρ3k
et ρ4k où les matrices d’état correspondantes A e3 , A
e4 ont des pôles instables. La commande par
retour d’état sans reconfiguration, après la perte du premier actionneur sur la figure (4.7.(b)),
est instable par la présence des défauts. L’état et la commande par retour d’état divergent.
136 Chapitre 4 : Commande active tolérante aux défauts
5000
a
0
−5000
−10000
10 20 30 40 50 60 70 80 90 100
400
b
200
0
10 20 30 40 50 60 70 80 90
400
c
200
0
10 20 30 40 50 60 70 80 90 100
1
d
0.5
0
10 20 30 40 50 60 70 80 90
Temps en sec
Fig. 4.7: En présence de défaut :(a) Evolution de l’état du système, (b) Evolution du second
actionneur, (c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk
La figure (4.8) illustre la reconfiguration en présence d’une défaillance et d’un défaut sévère
sur le second actionneur (90%). Un délai arbitraire de 13s entre le temps d’apparition du défaut
et son accommodation est observé en simulation. La loi de commande tolérante aux défauts
actionneur est mise en place à l’instant k = 15s. La commande converge vers zéro et le système
est stabilisé en présence de ces défauts. Il faut toutefois noter que des recherches spécifiques
aux retards de reconfiguration sont étudiés dans (Shin, 2003) où celui-ci traite des problèmes
transitoires en commande tolérante aux défauts, dus notamment au retard à la détection et
à l’estimation du bloc FDI. Ce champ de recherche est encore bien ouvert et constitue un
axe de recherche à part entière. Nous ne développons pas cet axe même si nous avons bien
conscience des conséquences que peuvent amener de tels retards sur le système en boucle fermée.
500
−500
a
−1000
10 20 30 40 50 60 70 80 90 100
400
b
reconfiguration
200
0
10 20 30 40 50 60 70 80 90 100
400
c
200
0
10 20 30 40 50 60 70 80 90 100
1
d
0.5
0
10 20 30 40 50 60 70 80 90
Temps en sec
Fig. 4.8: Reconfiguration : (a) Evolution de l’état du système, (b) Evolution du second action-
neur, (c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk
Le système hybride (4.51) est décrit par les 4 vertex précédents, c.à.d les sommets du
polytope des paramètres ρjk selon la représentation d’état suivante :
2N 2N
X X
xk+1 = ej xk
ρjk A + ej (I − γk )uk
ρjk B
j=1 j=1
yk = Cxk (4.51)
j
avec ρjk = ρ(k, Θk , Θjk , Θjk ). Les modes de ce système hybride à commutation sont donc
représentés par les matrices A ej , B
ej , C
e de l’exemple précédent mais avec des paramètres
j
ρk = 1, ρik = 0, i 6= j. Les matrices de gain de retour d’état sont les mêmes que celles de
l’exemple précédent.
La figure (4.10) représente l’évolution des mêmes caractéristiques que la figure (4.9) lors de
la présence d’une défaillance du premier actionneur ainsi qu’un défaut de 90% du second à
partir de l’instant k = 2.
La figure (4.11) illustre les Théorèmes (3) et(4) appliquée aux systèmes hybrides à com-
mutations. La commande tolérante (b) converge vers zéro ainsi que les états du systèmes (a)
138 Chapitre 4 : Commande active tolérante aux défauts
500
−500
a
−1000
10 20 30 40 50 60 70 80 90 100
40
b
20
0
10 20 30 40 50 60 70 80 90 100
400
c
200
0
10 20 30 40 50 60 70 80 90 100
d
1
Fig. 4.9: Cas nominal : (a) Evolution de l’état du système, (b) Evolution du second actionneur,
(c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk
500
−500
a
−1000
10 20 30 40 50 60 70 80 90 100
40 b
20
0
10 20 30 40 50 60 70 80 90
400
c
200
0
10 20 30 40 50 60 70 80 90
d
1
0.5
ρ1k ρ2k ρ3k ρ4k ρ3k ρ4k ρ3k
0
0 10 20 30 40 50 60 70 80 90 100
Temps en sec
Fig. 4.10: En présence de défaut : (a) Evolution de l’état du système, (b) Evolution du second
actionneur, (c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk
indépendamment de l’évolution des paramètres ρjk . La commande restante en (b) est divergente
et ne parvient pas à stabiliser le système (a).
4.3 Commande tolérante active sur de multiples points de fonctionnement 139
500
−500
a
−1000
10 20 30 40 50 60 70 80 90 100
40
b
20 reconfiguration
0
10 20 30 40 50 60 70 80 90 100
400
c
200
0
10 20 30 40 50 60 70 80 90 100
d
1
ρ1k ρ2k ρ3k ρ4k ρ3k ρ4k ρ3k
0.5
0
10 20 30 40 50 60 70 80 90 100
Temps en sec
Fig. 4.11: Reconfiguration : (a) Evolution de l’état du système, (b) Evolution du second ac-
tionneur, (c) Evolution du premier actionneur, (d) Evolution des paramètres ρjk
La méthode proposée est basée sur un retour d’état. Nous avons vu que si la sortie
ne représentait pas totalement l’état du système, alors un estimateur devait être utilisé.
Cependant, il existe des cas où il est possible de s’affranchir d’utiliser un estimateur d’état
et d’effectuer directement un retour de sortie. Nous allons voir sous quelles conditions cette
synthèse par retour de sortie est rendue possible.
Tout d’abord, si l’on désire prendre en compte les défauts capteur ainsi que les défauts
actionneurs, il est possible de redéfinir une nouvelle représentation du système (4.27) de la
façon suivante :
N p
X £ X ¤
xk+1 = ρjk Aj xk + Bji (Ip×p − γk )uk
j=1 i=1
Sans toutefois parler de défaillance de capteur (c.à.d σkl 6= 1, ∀l ∈ [1 . . . m]), il est possible
d’envisager de manière analogue au cas de défaut actionneur, une loi de reconfiguration basée
sur un retour de sortie permettant la prise en compte des deux sortes de défauts. Dans un
premier temps, seuls les défauts actionneurs seront supposés apparaître sur le système c.à.d
σk = 0, ∀k, le cas des défauts capteurs étant discuté plus tard dans cette section.
Le retour de sortie linéaire dans le cas nominal, s’exprime sous la forme suivante :
uk = −F yk (4.54)
avec yk = Cxk . La matrice de gain est F ∈ Rp×m . En présence de défauts, actionneurs tout
d’abord, la représentation multi-modèles du système avec un régulateur (4.54) nous amène à
considérer les relations suivantes :
N
X
xk+1 = ρjk [Aj xk + Bj (I − γk )(−FF T C yk )]
j=1
N
(4.55)
X
= ρjk (Aj − Bj FF T C C)xk
j=1
avec la matrice FF T C à déterminer afin de pouvoir annuler l’effet des défauts actionneurs
sur le système.
Comme défini précédemment dans ce chapitre, nous désirons établir la stabilité du système
en boucle fermée au moyen d’un placement de pôles des valeurs propres de la matrice du
système en BF. Ainsi, nous avons pu voir précédemment que pour déterminer des réponses
transitoires adéquates ainsi que des performances sur le système en BF, il était essentiel
de réaliser un placement de pôles. Les valeurs propres du système en BF peuvent se définir
dans une région précise du plan complexe (Lopez-Toribio and Patton, 2000), (Chilali and
Gahinet, 1996) et (Rodrigues et al., 2005d).
Nous reprenons la région LMI D définie dans la section précédente, qui décrit une région
circulaire à l’intérieur du cercle unité. Le placement de pôles du système en BF (4.55) sur
l’ensemble des points de fonctionnement dans une région LMI D peut être exprimée de la
façon suivante (Chilali and Gahinet, 1996) :
µ ¶
−rX qX + (Aj X − Bj F CX)T
< 0, ∀j ∈ [1 . . . N ] (4.56)
qX + (Aj X − Bj F CX) −rX
Cependant, ces inégalités (4.56) ne sont pas linéaires en regard des matrices inconnues
X = X T > 0 et F, ∀j ∈ [1 . . . N ]. Ainsi, la solution ne garantit pas de rester dans un ensemble
convexe et les outils classiques ne peuvent être utilisés pour solutionner un tel problème.
Ceci constitue par conséquent une difficulté majeure de la synthèse par retour linéaire de
sortie. Nous proposons de transformer les conditions BMIs (4.56) en X et F, ∀j ∈ [1 . . . N ]
en des conditions LMIs qui seront utilisées pour synthétiser directement un retour de sortie
stabilisant.
De la même façon que dans la section précédente, nous allons synthétiser un gain F pour
chaque actionneur pour permettre un retour de sortie qui stabilise le système même lors d’une
142 Chapitre 4 : Commande active tolérante aux défauts
Théorème 5 Considérons le système (4.52) en l’absence de défaut (γk = σk = 0), défini pour
tous les PF j , j = 1, . . . , N . Supposons que pour chaque PF j chaque paire de matrices (Aj , bij )
est commandable et supposons qu’il est possible de trouver des matrices Xi = XiT > 0, M et
Ni ∀i = [1, . . . , p] telles que :
à !
−rXi qXi + (Aj Xi − Bji Ni C)T
< 0, ∀i = [1, . . . , p], ∀j = [1, . . . , N ]
qXi + Aj Xi − Bji Ni C −rXi
(4.57)
avec pour contrainte égalité
Preuve :
Cette preuve est similaire à celle de la section précédente. En additionnant (4.57) sur
l’ensemble des actionneurs i ∈ [1, . . . , p] du système (4.52), cela donne pour un PF j
p
à !
X −rXi qXi + (Aj Xi − Bji Ni C)T
< 0, ∀i = [1, . . . , p], ∀j = [1, . . . , N ]
i=1
qXi + Aj Xi − Bji Ni C −rXi
(4.59)
p
X
On note X = Xi (avec X = X T > 0) et l’on obtient
i=1
p
X
−rX qX + (Aj X − Bji Ni C)T
i=1 < 0, ∀i = [1, . . . , p], ∀j = [1, . . . , N ]
Xp
qX + (A X − Bji Ni C) −rX
j
i=1
(4.60)
Notons, la l-ème ligne de la matrice Ni telle que Nil ,
i = 1, . . . , p et l = 1, . . . , p, et
i+ i
Gi = Bj Bj est une matrice ayant des zéros partout exceptée à l’entrée (i, i) où il y a un 1 :
4.3 Commande tolérante active sur de multiples points de fonctionnement 143
Nil = Gl Ni (4.61)
Aussi,
p p p
X X X
Bji Ni C = [0, . . . , 0, bij , 0, . . . , 0]Nii C = Bj Nii C (4.62)
i=1 i=1 i=1
amenant à
p p p
X X X
Bji Ni C = Bj Nii C = Bj ( Gi Ni C) (4.63)
i=1 i=1 i=1
p
X
Ainsi, en prenant N = Gi Ni , l’équation (4.37) devient
i=1
p p
X X
Bji Ni C = Bji Ni C = Bj N C (4.64)
i=1 i=1
on obtient
µ ¶
−rX qX + (Aj X − Bj N C)T
< 0, ∀i = [1, . . . , p], ∀j = [1, . . . , N ]
qX + (Aj X − Bj N C) −rX
(4.65)
Avec les changements de variables N = F M et CX = M C qui, substitué dans la LMI
(4.65), conduit à
µ ¶
−rX qX + (Aj X − Bj F CX)T
< 0, ∀i = [1, . . . , p], ∀j = [1, . . . , N ]
qX + (Aj X − Bj F CX) −rX
(4.66)
qui sont des BMIs (4.56) exprimant le placement de pôles dans une région LMI D ne
permettant pas d’être résolues avec des outils classiques. De ce fait, en multipliant chaque
LMI (4.65) par ρjk et en les additionnant une par une, nous obtenons
N
X
−rX qX + ρjk (Aj X − Bj N C)T
j=1
N <0 (4.67)
X
qX + ρjk (Aj X − Bj N C) −rX
j=1
144 Chapitre 4 : Commande active tolérante aux défauts
µ ¶
−rX qX + (A(ρ)X − B(ρ)N C)T
<0 (4.68)
qX + (A(ρ)X − B(ρ)N C) −rX
P PN j
avec A(ρ) = N j
j=1 ρk Aj ∈ Sk et B(ρ) = j=1 ρk Bj ∈ Sk .
Étant donné que la matrice C est supposée de plein rang ligne, nous nous déduisons de (4.58)
qu’il existe une matrice non-singulière M = CXC T (CC T )−1 et que d’après les changements
p p
X X
T
de variables F = N M = −1
Gi Ni (CC (C Xi C T )−1 ). Ainsi, la D-stabilité est assurée en
i=1 i=1
solutionnant (4.67) avec un retour de sortie linéaire uk = −F yk . ¤
Dans un second temps, nous nous plaçons dans le cas où seuls les défauts actionneurs
peuvent apparaître sur le système.
Θ , {i : i ∈ (1, . . . , p), γ i 6= 1}
La loi de commande tolérante aux défauts par retour de sortie autour d’un PF j est
équivalente à
¡X X ¢
uF T C = −(I − γk )+ Gi Ni (CC T (C Xi C T )−1 yk
i∈Θ i∈Θ
+
= −(I − γk ) Frec yk = −FF T C yk (4.69)
avec Gi = Bji+ Bji , appliquée au système en défaut (4.52) permet de contraindre les pôles dans
une région LMI précise.
La loi de commande par retour de sortie uk = −FF T C yk permet de placer les va-
leurs propres du système en BF dans une région LMI prédéterminée avec Frec M = N ,
P P
Frec = Gi Ni (CC T (C Xi C T )−1 ou Frec = N CC T (CXC T )−1 , avec Gi = Bji+ Bji , ∀i =
i∈Θ i∈Θ
[1, . . . , p], ∀j = [1, . . . , N ]. ¥
Preuve :
Cette preuve est similaire à celle du Théorème 4. En appliquant la nouvelle loi de commande
tolérante aux défauts (4.69) au système en défaut (4.52), conduit à l’équation suivante
¡X X
Bj (I − γk )uF T C = −Bj Γk Gi Ni (CC T (C Xi C T )−1 ))yk (4.70)
i∈Θ i∈Θ
4.3 Commande tolérante active sur de multiples points de fonctionnement 145
P
avec Γk = (I − γk )(I − γk )+ définie en (4.16). De ce fait, la matrice Bj Γk = Bji
i∈Θ
modélise uniquement les actionneurs non défaillants (γia 6= 1) et si l’on réalise les diffé-
rentes étapes de la preuve du Théorème 5 sur l’ensemble des éléments de Θ, il vient que
¡P P
Gi Ni (CC T (C Xi C T )−1 ) est la matrice de gain de retour de sortie pour le système en
i∈Θ i∈Θ P
défaut (4.52) suivant le triplet (Aj , Bji , C). ¤
i∈Θ
Cette nouvelle sortie yek permet d’annuler l’effet des défauts capteurs sur le système (4.52)
par un retour de sortie de la forme :
uk = −F yek = −F (I − σk )+ yk (4.72)
qui appliqué sur le système (4.52) conduit à
N p
X £ X ¤
xk+1 = ρjk Aj xk − Bji (I − γk )F yek
j=1 i=1
N p
X £ X ¤
= ρjk Aj xk − Bji (I − γk )F (I − σk )+ yk
j=1 i=1
N p
X £ X ¤
= ρjk Aj xk − Bji (I − γk )F (I − σk )+ (I − σk )Cxk (4.73)
j=1 i=1
N p
X £ X ¤
xk+1 = ρjk Aj xk − Bji (Ip×p − γk )F Cxk (4.74)
j=1 i=1
sans autre condition supplémentaire à celle énoncées dans cette section, si l’on ne considère
pas la perte de capteur sur le système. Dans le cas contraire, il faut alors envisager de nouvelles
conditions plus restrictives pour pallier la perte éventuelle d’un capteur. Nous ne traitons pas
de ce cas ici.
Nous allons présenter un premier exemple numérique afin de montrer l’apport de la loi de
commande tolérante aux défauts par retour de sortie sur des systèmes variant dans le temps
comme les systèmes LPV (Linear Parameter Varying). Nous illustrons notamment la perte
d’un actionneur.
0.75 0 0 0 0.6 0 0 0 0.525 0 0 0
0 0.85 0 0 0 0.68 0 0 0 0.595 0 0
A1 = , A2 = 0 , A3 = 0
0 0 1.25 0 0 1 0 0 0.875 0
0 0 0 1.5 0 0 0 1.2 0 0 0 1.05
et
0.6375 0 0 0 " # 1 1
0 1 0 0
0 0.7225 0 0 1 1
A4 = ,C = 0 0 1 0 , B1 =
0 0 1.0625 0 1 1
0 0 0 1
0 0 0 1.2750 1 1
Les autres matrices sont B2 = 0.8 ∗ B1 , B3 = 0.7 ∗ B1 et B3 = 0.85 ∗ B1 . Le système est
en boucle fermée par un retour de sortie uk = −(I − γk )+ F yk = −(I − γk )+ F Cxk synthétisé
selon les théorèmes (5) et (6), en considérant seulement des défauts actionneurs. Les matrices
suivantes sont issues des conditions de synthèse de ces 2 Théorèmes permettant d’avoir les
matrices suivantes :
· ¸ · ¸ " #
0.9680 0.1074 0.1079
−0.1573 −0.1527 −0.1321 0 0 0
N1 = , N2 = , M1 = 0.1074 0.1738 0.1341
0 0 0 −0.1573 −0.1527 −0.1321
0.1079 0.1341 0.1071
et
" # 1 0 0 0 1 0 0 0
0.9680 0.1074 0.1079
0 0.9680 0.1074 0.1079 0 0.9680 0.1074 0.1079
M2 = 0.1074 0.1738 0.1341 , X1 = , X2 = 0
0 0.1074 0.1738 0.1341 0.1074 0.1738 0.1341
0.1079 0.1341 0.1071
0 0.1079 0.1341 0.1071 0 0.1079 0.1341 0.1071
p p
X X
avec F = N M −1
= Xi C T (CC T ))−1 :
Gi Ni (C
i=1
· i=1 ¸ · ¸ · ¸
−0.0253 −1.2221 2.1734 1 0 0 0
F = , G1 = , G2 =
−0.0253 −1.2221 2.1734 0 0 0 1
4.3 Commande tolérante active sur de multiples points de fonctionnement 147
Le système est en boucle fermée avec une défaillance du premier actionneur à partir de
k = 2 et un défaut de 60% sur le second actionneur. Les paramètres sont q = −0.05, r = 0.93
et la matrice γ est égale à
· ¸
1 0
γk = ,k ≥ 2
0 0.6
La figure (4.12) représente l’évolution des variables du système dans le cas nominal :
L’évolution des sorties du système en (a), l’évolution de l’état du système en (b), de la
commande du second actionneur en (c), du premier actionneur en (d) et l’évolution des
paramètres ρjk tout au long des expériences.
2000
a
−2000
10 20 30 40 50 60
2000
b
−2000
10 20 30 40 50 60
1000
c
0
−1000
10 20 30 40 50 60
1000
d
0
−1000
10 20 30 40 50 60
1
e
0.5
0
10 20 30 40 50 60
Temps en sec
Fig. 4.12: Cas nominal : (a) Evolution des sorties du système, (b) Evolution de l’état du sys-
tème, (c) Evolution du second actionneur, (d) Evolution du premier actionneur, (e)
Evolution des paramètres ρjk
La figure (4.13) représente les mêmes caractéristiques que la figure (4.12), mais en présence
d’une défaillance du premier actionneur à partir de k = 2s et d’un défaut d’amplitude 60% sur
le second. Cette figure illustre l’instabilité du système en présence de tels défauts.
La figure (4.14) illustre l’apport de la commande tolérante aux défauts actionneurs. La loi
de commande est appliquée à partir de l’instant k = 15s pour simuler un retard d’estimation
du bloc de diagnostic. On observe que les sorties, les états ainsi que la commande par retour
de sortie convergent vers zéro. Le système est stabilisé malgré la présence de défauts sévères
sur le système.
148 Chapitre 4 : Commande active tolérante aux défauts
4
x 10
1
a
0
−1 4
x 10 10 20 30 40 50 60
1
b
−1
10 20 30 40 50 60
5000
c
0
−5000
10 20 30 40 50 60
1000
d
500
0
10 20 30 40 50 60
1
e
0.5
0
10 20 30 40 50 60
Temps en sec
Fig. 4.13: En présence de défaut : (a) Evolution des sorties du système, (b) Evolution de
l’état du système, (c) Evolution du second actionneur, (d) Evolution du premier
actionneur, (e) Evolution des paramètres ρjk
2000
a
−2000
10 20 30 40 50 60
2000 b
−2000
10 20 30 40 50 60
1000
c
reconfiguration
0
−1000
10 20 30 40 50 60
1000
d
500
0
10 20 30 40 50 60
1
e
0.5
0
10 20 30 40 50 60
Temps en sec
Fig. 4.14: Reconfiguration : (a) Evolution des sorties du système, (b) Evolution de l’état du
système, (c) Evolution du second actionneur, (d) Evolution du premier actionneur,
(e) Evolution des paramètres ρjk
4.4 Application sur un système hydraulique : les 3 cuves 149
La figure (4.15) représente l’évolution des valeurs propres du système dans le cas nominal.
0.2
0.15
0.1
0.05
Partie imaginaire
0
−0.05
−0.1
−0.15
−0.2
0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Partie réelle
Fig. 4.15: Le domaine des valeurs propres de la matrice A(ρ) − B(ρ)F C en absence de défaut
L’exemple qui suit est un exemple pratique mettant en avant un aspect plus industriel avec
une régulation de niveaux autour de points de fonctionnement connus. Dans cet exemple, le
vecteur de sortie représente exactement le vecteur d’état. Nous allons appliquer la méthode
sur un système hydraulique : le système des 3 cuves.
dl1 (t)
S = q1 (t) − q13 (t)
dt
dl2 (t)
S = q2 (t) + q32 (t) − q20 (t) (4.76)
dt
dl (t)
S 3 = q13 (t) − q32 (t)
dt
où qmn représente le débit d’eau entre les cuves m et n (m, n = 1, 2, 3 ∀m 6= n), et peut être
exprimé en utilisant la loi de Torricelli :
150 Chapitre 4 : Commande active tolérante aux défauts
p
qmn (t) = µmn Sp sign(lm (t) − ln (t)) (2g | lm (t) − ln (t) |) (4.77)
p
q20 (t) = µ20 Sp (2gl2 (t)) (4.78)
j kl mn j kl mn
o p
qo { { qp
|
s s s
o t p
µ ot µ tp µpr
q ot q tp
q pr
uvw n x uvw n y uvw n z
Le système expérimental est équipé de capteurs et d’actionneurs qui communiquent via une
carte d’acquisition (DAC6214) et un ordinateur. Deux convertisseurs D/A avec une gamme
de tensions comprises entre −10 et +10V , sont utilisées pour commander les pompes. Le plus
grand débit de la pompe i est noté qimax (voir Tableau (4.1)). Les données d’acquisition ont
été acquises chaque seconde.
Le système linéarisé est décrit par une représentation d’état discrète avec une période
d’échantillonnage T s = 1s. Pour chaque PF, chaque paire de matrices (Aj , bij ) est comman-
dable. Les régulateurs ont été synthétisés pour les niveaux l1 et l2 afin de suivre le vecteur de
référence Y r ∈ R2 . Les régulateurs nominaux ont été synthétisés au moyen du Théorème 3,
produisant deux matrices de retour d’état K1 , K2 (dû aux 2 actionneurs) pour les 3 PF dans
le but de réaliser les performances de suivi de consignes. Une action intégrale a été synthétisée.
La simulation des défauts actionneurs n’affecte pas la commandabilité ni l’observabilité du
système. Nous considérons uniquement un défaut actionneur et non une défaillance d’un
actionneur, c.à.d que nous illustrons uniquement le cas de perte partielle d’un actionneur et
non la défaillance dans cet exemple. En effet, la défaillance de l’actionneur lors d’un suivi de
consigne, entraînerait une réévaluation de la consigne afin de pouvoir atteindre les niveaux
initiaux avec le seul actionneur encore valide.
En simulation, il est souvent supposé que les vannes peuvent être ouvertes à l’infini. En fait,
ces hypothèses ne sont pas réalistes et les vannes ont d’un point de vue physique, des limitations
au niveau de la saturation d’ouverture. Le régulateur a été implanté avec une anti-windup sur
chaque action intégrale afin d’éviter des problèmes de stabilisation\d’oscillations durant les
transitions.
Les expériences ont été réalisées telles que les 3 conditions opératoires décrites dans la
Table (4.2) sont atteintes et que les fonctions de pondération pour chaque modèle local sont
représentées sur la figure (4.18(b)) permettant de transcrire la dynamique du système non
linéaire autour de ces différentes conditions opératoires. Ces fonctions de pondération sont
supposées issues d’un module d’estimation développé au chapitre 2 ou provenant de méthodes
développées dans (Narendra et al., 1995), (Narendra et al., 2003) dans lesquelles ceux-ci
exposent une synthèse permettant de déterminer les fonctions d’activation associées à chaque
point de fonctionnement.
Dans un premier temps, nous avons réalisé une expérimentation en l’absence de défaut avec
les 3 points de fonctionnement : nous pouvons voir les résultats sur la figure (4.18). Cette figure
montre l’évolution des sorties en (a) en respect des changements de points de fonctionnement
occurrent aux instants 300s et après l’instant 1200s, ainsi que les commandes q1 et q2 sur la
figure (4.18(c)). Il existe un léger écart sur le niveau de la cuve 3, par rapport à la théorie et à
la simulation, dûe aux erreurs de modèle sur les coefficients µ. On peut noter qu’il y a plus de
bruit sur la sortie du niveau l2 dans l’expérimentation réelle. Ceci est dû au fait qu’autour de
ce point de fonctionnement le liquide provient du haut des cuves occasionnant une chute d’eau
plus importante dans cette cuve 2 et un "bruit" sur les capteurs d’autant plus important. Les
entrées de référence correspondent aux changements des niveaux l1 et l2 .
Dans une seconde expérience, nous avons introduit un défaut actionneur. La conséquence
d’un défaut actionneur est illustrée sur la figure (4.19). Une dégradation de gain de la
pompe 1 équivalente à une perte d’efficacité de 80% est supposée arriver à l’instant 600s. Par
conséquence, la dynamique des autres niveaux est aussi affectée par ce défaut sur la figure
(4.19(a)) et le régulateur du système essaie de compenser les effets de ce défaut en envoyant
une commande notée qenv1 , à la pompe 1 que l’on visualise à la figure (4.19(c)) sensée permettre
au système de retrouver un niveau adéquat. Cependant, le défaut actionneur engendre une
4.4 Application sur un système hydraulique : les 3 cuves 153
0.6
a
Hauteur en m
0.5 l1
0.4
l2
0.3
l3
0.2
0.1
0 200 400 600 800 1000 1200 1400 1600 1800
fonctions de pondération
1
b
Amplitudes des
0
0 200 400 600 800 1000 1200 1400 1600 1795
−
*10 4
3
Amplitude en m s 1
c
3 −
q1
q2
2
0
0 200 400 600 800 1000 1200 1400 1600 1800
Temps en s
Fig. 4.18: Evolution des caractéristiques du système dans le cas nominal :(a) les sorties du
système, (b) les paramètres ρjk , (c) les commandes du système
perte d’efficacité qui se traduit par une commande réelle disponible q1 utilisée par la pompe
1. Ainsi, la sortie actuelle est alors différente de la sortie de référence et la loi de commande
est différente de sa valeur nominale. En dépit de la présence d’un régulateur proportionnel
intégral, les sorties du système ne peuvent atteindre leurs valeurs nominales.
Dans une troisième expérience, nous introduisons notre régulateur qui tient compte des
défauts actionneurs sur la figure (4.20). Le défaut apparaît à l’instant t = 600s, et celui-ci est
simultanément isolé et estimé dans un temps arbitraire de 10s. Une nouvelle loi de commande
(4.45) est alors calculée afin de réduire l’effet du défaut actionneur sur le système. Il faut noter
que les valeurs maximales de la commande au sein du module anti-windup sont également
redéfinies afin de tenir compte de l’amplitudes des défauts. Les niveaux des cuves atteignent
les niveaux nominaux (4.20(a)) malgré la présence du défaut actionneur. La commande q1
permet au système de compenser les effets du défaut en réévaluant l’anti-windup lors de la
présence d’un défaut. Notre régulateur FTC est capable d’annuler les défauts actionneurs et
de faire en sorte que le système rejoigne les performances nominales statiques et dynamiques,
154 Chapitre 4 : Commande active tolérante aux défauts
0.6
a l1
0.5 défaut
Hauteurs en m
0.4 l2
0.3
0.2 l3
0.1
0 200 400 600 800 1000 1200 1400 1600 1800
*10−4
3
b défaut
2.5 qenv1
2
m3 s−1
1.5
q2
1 q1
0.5
0
0 200 400 600 800 Temps1000
en s 1200 1400 1600 1800
Fig. 4.19: Evolution des caractéristiques du système en présence de défaut sans FTC :(a) les
sorties du système, (b) les commandes du système
0.6
a défaut
l1
Hauteurs en m 0.5
0.4 l2
0.3
l3
0.2
0.1
0 200 400 600 800 1000 1200 1400 1600 1800
−4
x 10
4
b défaut
qenv1
m3 s−1
2 q2
q1
0
0 200 400 600 800 1000 1200 1400 1600 1800
Temps en s
Fig. 4.20: Evolution des caractéristiques du système en présence de défaut et FTC :(a) les
sorties du système, (b) les commandes du système
avec les commandes Uej définies autour des points de fonctionnement dont les valeurs sont
données en (4.2). La figure (4.22.b) illustre l’évolution des fonctions d’activation.
estimer les défauts, nous effectuons 3 expériences similaires avec des régulateurs uniquement
proportionnels : l’une en l’absence de défauts, l’autre avec des défauts sans FTC et une dernière
avec FTC. La figure (4.21) permet d’affirmer que la représentation multi-modèle est capable
de représenter la dynamique de ce système des 3 cuves car les sorties du système et du modèle
sont quasiment équivalentes en tout point.
0.5
0.4
0.3
0.2
0.1
0
0 200 400 600 800 1000 1200 1400 1600 1800
0.8
ρ2k ρ3k
ρ1k
0.6
0.4
0.2
0
0 200 400 600 800 1000 1200 1400 1600 1800
Temps en sec
Fig. 4.21: Evolution des sorties du système non linéaire et du multi-modèle dans le cas nominal
Un défaut actionneur de 80% apparaît à l’instant t = 500s illustré dans le cas d’un régulateur
nominal à la figure (4.22) et avec une loi de commande FTC à la figure (4.23).
Le défaut est supposé être compensé 30s après son apparition pour mieux visualiser l’impact
sur le système et prendre en considération le temps de retard du module FDI. On observe sur
la figure (4.22) qu’une fois le système accommodé du défaut actionneur, les sorties de celui-ci
atteignent les courbes nominales. La commande active tolérante aux défauts permet cette
accommodation en ligne afin que le système puisse continuer d’opérer normalement malgré la
présence de ce défaut.
4.5 Conclusion
Dans ce chapitre, nous avons présenté une stratégie de commande tolérante aux défauts
appliquée aux systèmes représentés sous une forme polytopique ou multi-modèles. La méthode
4.5 Conclusion 157
en défaut nominal
0.5 a
défaut
Hauteurs en m
0.4
0.3
0.2
0.1
200 400 600 800 1000 1200 1400 1600 1800
fonctions de pondération
1
b
Amplitude des
0.5
0
0 200 400 600 800 1000 1200 1400 1600 1800
−
*10 4
3
c
2 défaut
q2 q1
m s 1
−
1
3
0
200 400 600 800 1000 1200 1400 1600 1800
Temps en sec
Fig. 4.22: Evolution des sorties avec un régulateur nominal en présence de défaut
développée souligne l’importance de l’AFTC sur les systèmes représentés par des multi-
modèles. Cette méthode illustre l’apport de la loi de commande active tolérante face aux
défauts actionneurs sur toute la plage de fonctionnement.
Un régulateur robuste est synthétisé pour chaque actionneur séparément, au moyen d’un
placement de pôles par LMI en présence et en absence de défaut. Ceci permet au système
de continuer d’opérer de manière saine, évitant ainsi de stopper le système immédiatement
tout en assurant sa stabilité. La synthèse de cette commande de retour d’état ou sortie prend
en compte les informations provenant d’un module de FDI en supposant que l’estimation
des défauts actionneurs est parfaite. Ceci est une limite à la méthode de reconfiguration que
nous avons proposé dont nous reparlerons dans les perspectives de la thèse. Nous avons aussi
montré qu’il était possible d’intégrer des défauts capteurs au sein de la loi de reconfiguration,
sous l’hypothèse que le défaut capteur n’entraîne pas la perte complète du capteur.
Les performances et l’efficacité de cette commande active tolérante aux défauts basée sur une
approche multi-modèles ont été illustrées sur des systèmes LPV mis sous forme polytopique,
nominal
en défaut
0.5 a défaut
Hauteurs en m
0.4
0.3
0.2
0.1
200 400 600 800 1000 1200 1400 1600
1
fonctions d’activation
b
Amplitude des
0.5
0
0 200 400 600 800 1000 1200 1400 1600
−
*10 4
2
c
défaut
q2
q1
m s 1
temps de détection
3 −
0
200 400 600 800 1000 1200 1400 1600
Temps en s
Fig. 4.23: Evolution des sorties avec reconfiguration du régulateur en présence de défaut
sur des systèmes hybrides à commutations, sur un système modélisé par un multi-modèles.
Nous avons vu aussi l’apport de cette loi de commande en l’implémentant sur un système non
linéaire réel avec l’exemple des 3 cuves. Les résultats illustrent la stratégie de commande active
tolérante aux défauts appliquée aux systèmes représentés par des multi-modèles.
Conclusion générale et perspectives
Les systèmes tolérants aux défauts se déclinent en deux grandes familles avec d’une part une
approche passive et d’autre part l’approche voie active incluant un module de diagnostic. Un
grand nombre de publications traite du domaine de la commande tolérante aux défauts mais la
plupart traite des systèmes linéaires ou de systèmes évoluant dans un domaine restreint. Notre
objectif a été de développer des lois de commandes tolérantes aux défauts en considérant des
systèmes représentés par des multi-modèles. De ce fait, deux axes majeurs ont été développés :
l’un dans le domaine du diagnostic et l’autre dans le domaine de la commande tolérante aux
défauts sur de tels systèmes.
Afin de synthétiser des outils permettant d’effectuer un diagnostic sur des systèmes
représentés par une interpolation de modèles locaux, nous avons tout d’abord développé un
filtre découplant permettant d’effectuer la détection, l’isolation et l’estimation de défauts.
Ce filtre est tributaire d’une bonne estimation de la dynamique du système au moyen de
fonctions de pondération robustes aux défauts. Celles-ci permettent notamment de pouvoir
obtenir à tout instant une représentation d’état du système et de savoir autour de quel
point de fonctionnement se situe le système. Moyennant certaines conditions de rang pour
la détectabilité des défauts, ce filtre génére des estimations de défauts en ligne, information
nécessaire pour la commande tolérante active aux défauts (AFTC). La stabilité de ce filtre est
garantie par l’utilisation d’outils appropriés tels que les LMI lors de la synthèse de gains. La
stabilité quadratique de l’erreur d’estimation est alors garantie sur un ensemble convexe.
Le filtre adaptatif ainsi que les UIO polytopiques sont des outils spécifiques aux systèmes
représentés par de multi-modèles : ceux-ci peuvent servir de module de diagnostic pour
l’AFTC. Afin de synthétiser une loi de commande capable de reconfigurer le système lors de
la défaillance d’un actionneur, le système est supposé commandable par chaque actionneur.
Dans un premier temps un retour d’état est synthétisé avec des gains provenant de LMI
permettant de contraindre les pôles du système en boucle fermée dans une région précise du
plan complexe. La synthèse du gain global tient compte de l’information provenant du module
de diagnostic et le système peut continuer d’opérer avec les actionneurs non hors-services.
Dans un aspect plus industriel, un retour de sortie est synthétisé car bien souvent l’état du
système n’est pas atteignable et requiert un observateur. Ce retour de sortie permet d’assurer
que le système est robuste aux défauts actionneurs. L’impact de la méthode proposée se
visualisent au travers de différents exemples qui dépassent le cadre initial des multi-modèles.
La représentation multi-modèles peut en effet s’apparenter à la représentation linéaire à
paramètres variant (LPV) polytopique, et ces exemples soulignent le fait que la méthode
proposée de commande active tolérante aux défauts peut être utilisée dans de nombreux
domaines tels les systèmes LPV, les systèmes hybrides, les systèmes non linéaires, . . ., avec
une perte d’actionneur entraînant alors la reconfiguration du régulateur. Un exemple sur
un cas pratique met en exergue les capacités de l’AFTC proposée. La régulation de niveau
des cuves autour de plusieurs points de fonctionnement, comme c’est souvent le cas dans les
procédés chimiques, permet de considérer un système représenté par un multi-modèle. La loi
de commande nominale ne permet pas de compenser l’apparition du défaut alors que la loi de
commande tolérante aux défauts que nous avons proposée permet de le faire.
Perspectives
La loi de commande tolérante proposée repose sur une estimation parfaite du défaut action-
neur. S’il apparaît possible dans le cas linéaire d’intégrer des incertitudes sur l’estimation du
défaut pour les intégrer dans les incertitudes de la matrice de commande B (Wu et al., 2000),
il est plus difficile d’intégrer ces éléments dans le cadre des multi-modèles notamment dans la
résolution des LMI. Des incertitudes ∆γ a sur l’estimation du défaut γ ba telle que
(I − γ a ) = (I − γ
ba )(I + ∆γ ) (4.80)
pourraient être prises en compte avec la méthode actuelle dans la synthèse des gains avec
une synthèse en ligne. Cette synthèse tiendrait compte via les LMI de l’incertitude reportée
sur la matrice B qui deviendrait alors B(∆γ a ) et les gains générés seraient robustes à ce type
d’incertitudes.
De la même façon que dans le cas de défaut actionneur, les incertitudes sur les défauts
capteurs pourraient être incorporées au sein de la matrice C(∆γ c ). Si l’on désire traiter du cas
4.5 Conclusion 161
La commande active tolérante aux défauts pourrait être aussi envisagée comme minimisant
un critère d’énergie sur la commande. Ainsi, une commande tolérante de type Model Predictive
Control (MPC) pourrait selon les principes évoqués par (Wan and Kothare, 2003) ou (Kothare
et al., 1996), permettre de synthétiser des gains alliant la stabilité ainsi que la minimisation d’un
critère d’énergie. Ainsi, désirant générer des gains de retour d’état uk = Kxk qui stabilisent le
système autour de chaque point de fonctionnement, l’objectif serait de minimiser une fonction
quadratique sur un horizon infini du type :
D’autre part, comme nous l’avions noté dans les remarques [1] à [4] de la section 4.3.1,
il peut être intéressant d’étudier le cas où l’on a des gains différents pour chaque point de
fonctionnement. L’étude de stabilité qui en découlera, se dirigera vers des LMI permettant
de traiter les termes dominants et les termes croisés (Chadli, 2002).
Stabilité
Nous allons rappeler ici quelques notions sur la stabilité dynamique des systèmes à temps
continu et à temps discret. La théorie de Lyapunov (Boyd et al., 1994) traite de la stabilité du
mouvement ou de la trajectoire d’un système.
La stabilité au sens de Lyapunov est une théorie mathématique générale applicable à toute
équation différentielle. Ce principe signifie qu’une équation différentielle autonome avec une
condition initiale suffisamment proche de la trajectoire d’équilibre a une solution qui reste
arbitrairement proche de la trajectoire d’équilibre.
Cas des systèmes à temps continu
ẋ = Ax (A.4)
164 Annexe A : Stabilité
une condition nécessaire et suffisante pour que la dérivée V̇ (x, t) soit négative et implici-
tement pour que le système autonome LTI soit asymptotiquement stable , consiste à trouver
une matrice P symétrique définie positive telle que l’inégalité matricielle soit vérifiée
AT P + P A < 0 (A.5)
Notons que les fonctions de Lyapunov ne sont pas nécessairement quadratiques. D’autres
classes peuvent être définies comme par exemple les fonctions de Lyapunov polyhédrales. Dans
ce rapport néanmoins nous nous limiterons au cas des fonctions de Lyapunov quadratiques.
Dans le cas des systèmes autonomes LTI, la notion de stabilité quadratique s’exprime avec
une fonction de Lyapunov de la forme V (x, k) = xTk P xk > 0 et P > 0 pour l’étude de stabilité
d’un système du type :
En utilisant la forme quadratique de la fonction V (x, k), nous pouvons conclure que le
système (A.6) est quadratiquement stable si :
AT P A − P < 0
(A.8)
P >0
est vérifiée.
Il existe aussi des équivalences d’écritures pour la stabilité (Daafouz et al., 2002), (Boyd et
al., 1994) dans le but d’utiliser des Inégalités Matricielles Linéaires (LMI) qui se représentent
sous la forme suivante :
Lemme2 : Si P = P T > 0 et Q = P −1 , alors :
µ ¶
T P AT P
P − A PA > 0 ⇔ >0 (A.9)
PA P
µ ¶
T Q AQ
Q − AQA > 0 ⇔ >0 (A.10)
QAT Q
165
Une matrice P (n × n) est définie positive si et seulement si pour tout x non nul on a
T
x P x > 0.
Théorème :
Les valeurs propres d’une matrice P symétrique définie positive sont réelles et positives et
det(P ) > 0.
Une matrice est définie non négative lorsque pour tout vecteur x non nul on a xT P x ≥ 0.
Lorsqu’une matrice P a son opposé (−P ) qui est défini positive, P est définie négative,
et lorsque −P est définie non négative alors P est définie non positive, ces notions sont à
distinguer de la définition d’une matrice positive qui est une matrice dont tous les coefficients
sont positifs, ou d’une matrice négative dont tous les coefficients sont négatifs, ou non négative
lorsque ceux-ci sont positifs ou nuls.
E = E1 E2 (B.1)
où E1 ∈ Rp×r , E2 ∈ Rr×q et
Preuve :
E = U ΣV T (B.3)
µ ¶
Σ2r 0r×q−r
Σ= ∈ Rp×q (B.4)
0(p−r)×r 0(p−r)×(q−r)
avec
· ¸
Σr
E=U [Σr 0r×(q−r) ]V T (B.6)
0(p−r)×r
· ¸
Σr
E1 = U = [u1 , u2 , . . . , ur ]Σr ∈ Rp×r (B.7)
0(p−r)×r
£ ¤
E2 = Σr 0r×(q−r) V T = Σr [v1 , v2 , . . . , vr ]T ∈ Rr×q (B.8)
Norme de Frobenius
La norme de Frobenius est définie comme étant la racine carrée de la somme au carré de
tous les élèments de la matrice, c.a.d,
v
uX
u n X
m
A∈R n×m
, k A kF = t a2ij (B.9)
i=1 j=1
ou par équivalence
p
k A kF = T race(AT A) (B.10)
Annexe C
Régions LMI
Les valeurs propres d’une matrice A sont placées dans une région LMI D (C.1) du plan
complexe (Chilali and Gahinet, 1996), si et seulement si, il existe une matrice symétrique
P > 0 telle que :
que z ∈ D,
Soit une région résultante de l’intersection de N sous-régions LMI, Di . Les valeurs propres
d’une matrice réelle appartiennent à D si et seulement si il existe une matrice P ∈ Rn×n ,
170 Annexe C : Régions LMI
où α = diag(α1 , ..., αN ) et β = diag(β1 , .., βN ). Cette inégalité montre alors que D peut
elle-même être formulée comme une région LMI. Ceci montre que l’approche LMI permet de
considérer la même matrice P pour toutes les sous-régions de l’intersection tout en préservant
la nécessité de la condition de D-stabilité.
L’utilité du domaine d’application de la fonction fD (z) permet de considérer un cercle de rayon r
et de centre (−q, 0) (Garcia and Bernussou, 1995). La fonction caractéristique associée est alors :
µ ¶
−r q + z̄
fD (z) = <0 (C.7)
q + z −r
La LMI garantissant que les pôles de la matrice A appartiennent à la région D est alors :
µ ¶
−rP qP + P AT
<0 (C.8)
qP + AP −rP
avec P > 0. µ ¶ µ ¶
−r q 0 0
Les coefficients sont alors réglés comme suit α = et β = .
q −r 1 0
Si l’on pose q = 0 et r = 1 (ce qui correspond au cercle unité en discret)(Garcia and
Bernussou, 1995), alors cela revient à calculer
µ ¶
−P P AT
<0 (C.9)
AP −P
qui est équivalent en fait, en utilisant le Complément de Schür (cf. Annexe A), à AT P A−P < 0
avec P symétrique définie positive exprimant la stabilité quadratique d’un système de la forme
Xk+1 = AXk (Daafouz and Bernussou, 2001).
La fonction (C.8) permet de définir une région bien précise du plan complexe et permet
d’assurer un taux de décroissance (decay rate) sur la fonction de Lyapunov. En effet, la région
circulaire complexe assure une borne minimale du taux de décroissance mais aussi un taux
d’amortissement minimal en boucle fermée. Il est possible de cette manière de contraindre les
pôles d’un observateur à appartenir à une région bien localisée du plan complexe et d’assurer
en même temps la stabilité quadratique de l’ensemble.
Annexe D
Dans un système LPV, les matrices d’état A, B, C, D dépendent d’un vecteur de paramètres
Θ qui peut varier en fonction du temps (Apkarian et al., 1995), (Arzelier et al., 2001),
(Bara, 2001), (Hensen et al., 2000). Étant donné l’ensemble des trajectoires admissibles
du vecteur des paramètres Γ, le système LPV est défini comme étant l’ensemble des tra-
jectoires admissibles à temps variant associés à la famille Γ. Le système LPV est représenté par :
Les systèmes quasi-LPV sont des systèmes dans lesquels il existe un couple de matrices non
nulles (F,G) tel que :
F θk = Gxk (D.2)
Dans la réalité, la plupart des systèmes rencontrés dans la pratique sont quasi-LPV.
Il existe des représentations d’état différentes avec lesquelles on peut passer de l’une à l’autre.
Le vecteur des paramètres peut être vu comme une entrée supplémentaire qui ne rentre
alors plus dans la classe des systèmes linéaires. Parmi les systèmes LPV, certains types par-
ticuliers sont intéressants à étudier : les systèmes LPV affines et les systèmes LPV polytopiques.
Dans ce cas, la dépendance des matrices d’état en fonction des paramètres est linéaire. Notons
172 Annexe D : Convexité et systèmes LPV
· ¸
A(Θ) B(Θ)
M (Θ) = (D.3)
C(Θ) D(Θ)
Un système LPV affine dont les paramètres varient sur des intervalles connus peut être
considéré comme un système polytopique. Traitons l’exemple d’un système dépendant de
deux paramètres M (Θ) = M0 +Θ1k M1 +Θ2k M2 et notons M1s , M2s , M3s , M4s ses sommets tels que :
M1s = M0 + Θ1 M1 + Θ2 M2
M2s = M0 + Θ1 M1 + Θ2 M2
M3s = M0 + Θ1 M1 + Θ2 M2
M4s = M0 + Θ1 M1 + Θ2 M2
(D.4)
en prenant pour notation Θ1 pour la borne inférieure de Θ1k , et Θ1 pour la borne supérieure.
2
Θ1 − Θ1k Θ − Θ2k
ρ1k = 1 2
Θ − Θ1 Θ − Θ2
2
Θ1k − Θ1 Θ − Θ2k
ρ2k = 1 2
Θ − Θ1 Θ − Θ2
Θ1 − Θ1k Θ2k − Θ2
ρ3k = 1 2
Θ − Θ1 Θ − Θ2
2
Θ1k − Θ1 Θ2k − Θ
ρ4k = 1 2 (D.5)
Θ − Θ1 Θ − Θ2
Moyennant quelques calculs, on peut vérifier que Mf = M . Ce résultat est encore valable
pour un nombre de paramètres d’ordre supérieur. On retiendra qu’il y a équivalence entre les
représentations affines et polytopiques. Ce type de modèle admet une définition plus générale
que le modèle affine parce que l’hyper-rectangle Γ peut être remplacé par un polytope à
m = 2N sommets.
173
Convexité
Un ensemble C est dit convexe (Barmish, 1994), (Boyd et al., 1994) si une ligne joignant
deux points C1 et C2 de cet ensemble C reste dans cet ensemble. Ainsi quels que soient C1 et
C2 ∈ C et 0 < λ < 1, on a alors :
λC1 + (1 − λ)C2 ∈ C
L’aspect géométrique peut être visualiser sur les figures suivantes :
C1
C2
Polytopes
Définition : Un polytope P dans Rk est un corps convexe d’un ensemble fini de points
p1 ,p2 ,...,pm . On écrit :
P = convpi (D.6)
où p1 ,p2 ,...,pm est un ensemble de générateurs. Cependant il faut noter que cet ensemble
peut ne pas être unique. De ce fait, on introduit la notion de point extrême. Ainsi, en prenant
P = convpi un polytope, alors un point p ∈ P est dit point extrême de P s’il ne peut être
exprimé comme une combinaison convexe de deux points distincts de P . De ce fait, il n’existe
pas pa et pb ∈ P avec pa 6= pb et λ ∈ (0, 1) tels que :
p1
p3 p6
p2 p4
p5
Soit un polytope P = convp1 , p2 , ...., pm chaque point p ∈ P peut être exprimé comme une
combinaison convexe de pi ; c’est pourquoi il existe des scalaires réels λ1 ,λ2 ,λ3 ,....,λm tels que :
m
X
λi p i = p (D.8)
i=1
et
m
X
λi = 1 (D.9)
i=1
En conséquence il est parfois préférable de décrire les contraintes de cet ensemble en utilisant
la notation :
m
X
m
Λ = {λ ∈ R : λi ≥ 0 pour i = 1,2,...m et λi = 1 } (D.10)
i=1
Bara, G.I. (2001). Estimation d’état des systémes linéaires à paramétres variants. Phd thesis.
Institut National Polytechnique de Lorraine, CRAN.
Barmish, B.Ross. (1994). New Tools for Robustness of Linear Systems. Macmillan Publishing
Company.
Basseville, M. and Y.V. Nikiforov (1993). Detection of abrupts changes. Prentice-Hall.
Bhagwat, A., R. Srinivasan and P. R. Krishnaswamy (2003). Multi-linear model-based fault
detection during process transitions. Chemical Engineering Science 58, 1649–1670.
Blanke, M., M. Kinnaert, J. Lunze and M. Staroswiecki (2003). Diagnosis and Fault-Tolerant
Control. Edts Springer-Verlag.
Blom, H.A.P. and Y. Bar Shalom (1988). The interacting multiple model algorithm for systems
with Markovian switching coefficients. IEEE Trans. on Automatic Control 33, 780–783.
Bodson, M. and J. Groszkiewiecki (1997). Multivariable adaptive control algorithms for recon-
figurable flight control. IEEE Transactions on Automatic Control.
Boskovic, J. and R. Mehra (1999). Stable multiple model adaptive flight control for accommo-
dation of a large class of control effector failures. In : Proc. Proceedings of the American
Control Conference.
Boskovic, J. and R. Mehra (2003). Failures detection, identification and reconfiguration system
for redundant actuator assembly. In : Proc. of the 5th Safeprocess, Whashington.D.C, USA.
pp. 429–434.
Boskovic, J. D. and R. K. Mehra. (1998). A multiple model-based reconfigurable flight control
system design. In : Proceedings on the 37th IEEE Conference on Decision and Control.
Boskovic, J., S. Li and R. K. Mehra. (2000). Reconfigurable flight control design using multiple
switching controllers and on-line estimation of damage related parameters. In : Proceedings
of the IEEE International Conference on Control Applications.
Boskovic, J., S. Li and R. Mehra (1999). Intelligent control of spacecraft in the presence of
actuator failures. In : Proc. of the 38th IEEE Conference on Decision and Control, Phoenix,
Arizona.
Boyd, S., L. El Ghaoui, E. Feron and V. Balakrishnan (1994). Linear Matrix Inequalities in
System and Control Theory. SIAM Studies in Applied Mathematics.
Chadli, M. (2002). Stabilité et commande de systèmes décrits par des Multimodèles. Phd thesis.
Institut National Polytechnique de Lorraine.
Chadli, M, D. Maquin and J. Ragot (2002). An lmi formulation for output feedback stabilization
in multiple model approach. In : Proc. of the 41’st IEEE Conf. on Decision and Control,
Las Vegas, USA. pp. 311–316.
Chen, H., A. Kremling and F. Allgower (1995). Nonlinear predictive control of a benchmark
cstr. In : Proc. 3rd European Control Conference, Italy. pp. 3247–3252.
Chen, J. and R.J. Patton (1999). Robust model-based fault diagnosis for dynamic systems.
Kluwer Academic Publishers.
Chen, J. and R.J. Patton (2001). Fault-tolerant control systems design using the linear matrix
inequality approach. In : Proc. of the 6th European Control Conference, Porto, Portugal.
BIBLIOGRAPHIE 177
Chen, L. and K. Narendra (2001). Nonlinear adaptive control using neural networks and mul-
tiple models. Automatica 37(8), 1245–1255.
Chilali, M. and P. Gahinet (1996). H∞ design with pole placement constraints : an LMI ap-
proach. IEEE Trans. on Automatic Control 41(3), 358–367.
Clements, N. S. (2003). Fault tolerant control of complex dynamical systems. Phd thesis. Geor-
gia Institute of Technology.
Cocquempot, V., M. Staroswiecki and T. El Mezyani (2003). Switching time estimation and
fault detection for hybrid systems using structured parity residuals. In : Proc. IFAC Sym-
posium Safeprocess,Washington .D.C, USA, CD-Rom.
Daafouz, J. and J. Bernussou (2001). Parameter Dependent Lyapunov functions for discrete
time systems with time varying parametric uncertainties. Systems and Control Letters
43, 355–359.
Daafouz, J., P. Riedinger and C. Iung (2002). Stability analysis and control synthesis for swit-
ched systems : A switched lyapunov function approach. IEEE Transactions on Automatic
Control 47, 1883–1887.
Dai, Pan.Q.G., H. Zhang, Y. Zhang and L. Jiao (1997). Fault detection and identification of
dynamic systems using multiple model adaptive estimation. In : IFAC Symposium Safe-
process’97, United Kingdom. Vol. 2. pp. 171–176.
Darouach, M. and M. Zasadzinski (1994). Full-order observers for linear systems with unknown
inputs. IEEE Transactions on Automatic Control 39, 606–609.
Demetriou, M. (2001). Adaptive reorganization of switched systems with faulty actuators. In :
Proc. of the 40th IEEE Conference on Decision and Control, Orlando, Florida.
Diao, Y. and K. M. Passino (2001). Fault tolerant stable adaptive fuzzy/neural control for a
turbine engine. IEEE Transactions on Control Systems Technology 9(3), 494–509.
Dionisio, R., E. Moska, J. Lemos and P. Shirley (2003). Adaptive fault tolerant control with
adaptive residual generation.. In : Proc. IFAC Symposium Safeprocess,Washington .D.C,
USA, CD-Rom.
Edelmayer, A. (2002). Editorial special issue on fdi filters. International Journal of Robust and
Nonlinear Control.
Eide, P. and P. Maybeck (1996). An mmae failure detection system for the f-16. IEEE Tran-
sactions on Aerospace and Electronics Systems 32(3), 1125–1136.
Eterno, J. S., D. P. Looze, J. L. Weiss and A. S. Willsky (1985). Design issues for fault-tolerant
resstructurable aircraft control. In : Proc. of the 24th IEEE Conference on Decision and
Control, Fort Lauderdale.
Fairman, F., S. Mahil and L. Luk (1984). Disturbance decoupled observer design via singular
value decomposition. IEEE Trans. on Automatic Control 24, 84–89.
Fliess, M. (2001). Generalized controller canonical forms for linear and nonlinear dynamics.
IEEE Transactions on Automatic Control 46, 853–865.
Frank, P.M. and J. Wunnenberg (1989). Robust Fault Diagnosis using unknown input schemes.
In fault Diagnosis in dynamic systems : theory and applications. Prentice Hall, Englewood
Cliffs.
178 BIBLIOGRAPHIE
Frank, P.M. and X. Ding (1997). Survey of robust residual generation and evaluation methods
in observer-based fault detection systems. Journal of Process Control 7, 403–424.
Frisk, E. (1996). Model-based fault diagnosis applied to an SI-Engine. Phd thesis. Examensar-
bete utf¨ort i Fordonssystem vid Tekniska H¨ogskolan i Link¨oping.
Ganguli, S., A. Marcos and G. Balasin (2002). Reconfigurable LPV Control Design for Boeing
747-100/200 longitudinal axis. In : Proc. of the American Control Conference, Anchorage,
USA. pp. 3612–3617.
Gao, Z. and P. Antsaklis (1992). Reconfigurable control system design via perfect model-
following. Internationnal Journal of Control 56(4), 783–798.
Gao, Z. and P.J. Antsaklis (1991). Stability of the pseudo-inverse method for reconfigurable
control. International Journal of Control 53(3), 717–729.
Garcia, E. Alcorta and P.M. Frank (1996). Analysis of a class of dedicated observer schemes to
sensor fault isolation. UKACC Internationnal Confernce on Control pp. 60–65.
Garcia, G. and J. Bernussou (1995). Pole assignment for uncertain systems in a specified disk
by state feedback. IEEE Trans. on Automatic Control 40(1), 184–190.
Gasso, K. (2000). Identification des systèmes dynamiques non linéaires : approche multi-modèle.
Phd thesis. INPL, Centre de Recherche en Automatique de Nancy.
Gasso, K., G. Mourot and J. Ragot (2002). Structure identification of multiple models with
output error local models. In : Proc. of the 15th Triennal World Congress,IFAC, Spain.
Gatzke, E. and F. Doyle (1999). Multiple model approach for CSTR control. In : IFAC Sym-
posium, Beijing, China, CD-Rom.
Gatzke, E. and F. Doyle (2002). Use of multiple models and qualitative knowledge for on-line
moving horizon disturbance estimation and fault diagnosis. Journal of Process Control
12, 339–352.
Gertler, J.J. (1998). Fault detection and diagnosis in engineering systems. Marcel Dekker Inc.
New York Basel Hong Kong.
Glover, S. F. (2003). Modeling and Stability Analysis of Power Electronics based Systems. Phd
thesis. Purdue University, USA.
Griffin, G. and P. Maybeck (1991). Mmae/mmac control for blending with multiple uncertain
parameters. IEEE Transactions on Aerospace and Electronics Systems 33(3), 903–911.
Guerra, T.M., L. Vermeiren, F. Delmotte and P. Borne (1999). Lois de commande pour systèmes
flous continus. APII-JESA 33(4), 489–527.
Hadjili, M. L. and V. Wertz (2002). Takagi-sugeno fuzzy modeling incorporating input variables
selection. IEEE Transactions on fuzzy systems 10, 728–742.
Hamlon, P.D. and P.S. Maybeck (1997). Equivalent kalman filter bank structure for multiple
model adaptative estimation (mmae) and generalized likelihood failure detection. In : Proc.
of the 36th IEEE Conference on Decision and Control,San Diego, USA.
Hammouri, H., P. Kabore and M. Kinnaert (2001). A geometric approach to fault detection
and isolation for bilinear systems. IEEE Trans. on Automatic Control 46(9), 1451–1455.
BIBLIOGRAPHIE 179
Hensen, R.H.A., G.Z. Angelis and M.J.G. van de Molengraft (2000). Adaptive optimal friction
control based on a polytopic linear model. In : Proc. of 14th International Symposium of
Mathematical Theory of Networks and Systems MTNS, Perpignan, France.
Hou, M. and P.C. Muller (1992). Design of observers linear systems with unknown inputs. IEEE
Transactions on Automatic Control 37, 871–875.
Hou, M. and P.C. Muller (1994). Disturbance decoupled obsever design : a unified view point.
IEEE Transactions on Automatic Control 39, 1338–1341.
Huang, C. Y. and R. F. Stengel (1990). Restructurable control using proportionnal-integral
implicit model-following. Journal of guidance Control and Dynamics 13(2), 303–309.
Huzmezan, M. (1998). Theory and Aerospace applications of contrained model based predictive
control. Phd thesis. Department of Engineering University of Cambridge.
Isidori, A. (1995). Nonlinear Control Systems. 3 ed.. Communications and control engineering
series, Springer-Verlag.
Jacques, P., F. Hamelin and C. Aubrun (2003). Optimal Fault Detection in a Closed-loop
Framework : a joint Synthesis. In : Proc. IFAC Symposium Safeprocess,Washington. D.C,
USA, CD-Rom.
Jiang, B., M. Staroswiecki and V. Cocquempot (2003). Active fault tolerant control for a class
of nonlinear systems. In : Proc. IFAC Symposium Safeprocess,Washington .D.C, USA,
CD-Rom.
Johansen, T.A. and B.A. Foss (1993). State-space modeling using operating regime decompo-
sition and local models. In : IFAC 12th Tiennal World Congress, Australia.
Johansen, T.A., K.J. Hunt, P.J. Gawthrop and H. Fritz (1998). Off-equilibrium linearisation
and design of gain-scheduled control with application to vehicle speed control. Control
Engineering Practice 6, 167–180.
Join, C. (2002). Diagnostic des systèmes non linéaires Contribution aux méthodes de décou-
plage. Phd thesis. UHP, Centre de Recherche en Automatique de Nancy.
Jones, C. N. (2002). Reconfigurable flight control First year report. Rapport. Control Group
Department of Engineering University of Cambridge.
Kanev, S. (2004). Robust Fault-Control. Phd thesis. University of Twente, The Netherlands.
Kanev, S. and M. Verhaegen (2002). Reconfigurable robust fault-tolerant control and state
estimation. In : Proc. of the 15th Triennal World Congress,IFAC, Spain.
Keller, J.Y. (1999). Fault isolation filter design for linear stochastic systems. Automatica
35, 1701–1706.
Kinnaert, M. (1999). Robust fault detection based on observers for bilinear systems. Automatica
35(11), 1829–1842.
Kinnaert, M. (2003). Fault diagnosis based on analytical models for linear and nonlinear sys-
tems : a tutorial.. In : Proc. IFAC Symposium Safeprocess,Washington .D.C, USA, CD-
Rom.
Konstantopoulos, I. and P. Antsaklis (1996). An eigenstructure assignment approach to control
reconfiguration. In : Proc. of 4th IEEE Mediterranean Symposium On Control and Auto-
mation, Greece.
180 BIBLIOGRAPHIE
Kothare, M.V., V. Balakrishnan and M. Morari (1996). Robust constrained Model Predictive
Control using Linear Matrix Inequalities. Automatica pp. 1361–1379.
Kovacshazy, T., G. Pécéli and G. Simon (2001). Transient reduction in reconfigurable control
systems utilizing structure dependence. In : Proc. of Instrumentation and Measurment
Technology Conference, Budapest, Hungary. pp. 1143–1147.
Landau, I.D. (1999). From robust control to adaptive control. Control Engineering Practice
7, 1113–1124.
Lane, S. H. and R. F. Stengel (1988). Flight control design using non-linear inverse dynamics.
Automatica 24, 471–483.
Leith, D. J. and W. E. Leithead (2000). Survey of gain-scheduling analysis and design. Inter-
national Journal of Control 73(11), 1001–1025.
Lemos, J., L. Ratos and J. Marques (1999). Switching reconfigurable control based on hidden
markov models. In : Proc. of the American Control Conference, San Diego, USA.
Li, X. R. and Y. BarShalom (1993). Design of an interacting multiple model algorithm for air
traffic control tracking. IEEE Transactions on Control Systems Technology 1(3), 186–194.
Liu, G. and R.J Patton (1998). Eigenstructure Assignment for Control Systems Design. John
Wiley and Sons.
Liu, W. (1996). An on-line expert system-based fault-tolerant control system. Expert systems
with applications 11(1), 59–64.
Lopez-Toribio, C.J. and R.J. Patton (2000). Takagi-sugeno fuzzy fault-tolerant control for a
nonlinear system. In : 38th Conference on Decision and Control, Phoenix, USA. pp. 4368–
4373.
Lopez-Toribio, C.J., R.J. Patton and S. Daley (1998). Supervisory fault tolerant system using
fuzzy multiple inference modelling. In : Proceedings of the IFAC Worshop On-line Fault
Detection and Supervision in the Chemical Process Industries, June, Lyon.
Lopez-Toribio, C.J., R.J. Patton and S. Daley (1999). A mutiple-model approach to fault-
tolerant control using takagi-sugeno fuzzy modelling : real application to an induction
motor drive system. In : European Control Conference, ECC 99, Karlsruhe.
Lou, X-C., A. S. Willsky and G. C. Verghese (1986). Optimally robust redundancy relations
for failure detection in uncertain systems. Automatica 22(3), 333–344.
Luenberger, D. (1966). Observers for multivariable systems. IEEE Trans. on Automatic Control
11, 190–197.
Mahmoud, M., J. Jiang and Y. Zhang (2001). Stochastic stability analysis of fault tole-
rant control systems in the presence of noise. IEEE Transactions on Automatic Control
46(11), 1810–1815.
Maki, M., J. Jiang and K. Hagino (2001). A stability guaranteed active fault-tolerant control
system against actuator failures. In : Proc. of the 40th IEEE Conference on Decision and
Control, Orlando, Florida.
Maybeck, P. and R. Steven (1991). Reconfigurable flight control via multiple model adaptive
control methods. IEEE Transactions on Aerospace and Electronics Systems 27(3), 470–
479.
BIBLIOGRAPHIE 181
Maybeck, P.S. (1999). Multiple model adaptive algorithms for detecting and compensating
sensor and actuator/surface failures in aircraft flight control systems. International Journal
of Robust and Nonlinear Control 9, 1050–1070.
Médar, S., P. Charbonnaud and F. Noureddine (2002). Active fault accommodation of a three
tank system via switching control. In : Proc. of the 15th Triennal World Congress of IFAC,
Barcelona, Spain.
Meyer, G. and L. Hunt (1984). Application of non-linear transformations to automatic flight
control. Automatica 20, 103–107.
Millerioux, G. and J. Daafouz (2004a). Unknown input observers for message-embedded chaos
synchronization of discrete-time systems. International Journal of Bifurcation 14, 1–12.
Millerioux, G. and J. Daafouz (2004b). Unknown input observers for switched linear discrete
time systems. In : American Control Conference, Boston, USA.
Morse, W. and K. Ossman (1990). Model-following reconfigurable flight control system for the
afti/f-16. Journal of guidance Control and Dynamics 13(6), 969–976.
Murray-Smith, R. and T.A. Johansen (1997). Multiple Model Approaches to Modelling and
Control. Taylor and Francis.
Napolitano, M. R. and R. L. Swaim (1991). New technique for aircraft flight control reconfigu-
ration. Journal of guidance Control and Dynamics 14(1), 184–190.
Narendra, K., J. Balakrishnan and M. Kermal (1995). Adaptation and learning using multiple
models, switching and tuning. IEEE Contr. Syst. Mag. pp. 37–51.
Narendra, K. S., O. A. Driollet, M. Feiler and K. George (2003). Adaptive control using mul-
tiple models, swtiching and tuning. International Journal of Adaptive Control and Signal
Processing 17, 87–102.
Niemann, H. and J. Stoustrup (2003). Passive fault tolerant control of double inverted
pendulum-a case study example. In : Proc. of the 5th Symposium Safeprocess, Washing-
ton.D.C, USA. pp. 1029–1034.
Noura, H., D. Sauter, F. Hamelin and D. Theilliol (2000). Fault-tolerant control in dynamic
systems : Application to a winding machine. IEEE Control Systems Magazine pp. 33–49.
Ozkan, L., M.V. Kothare and C. Georgakis (2003). Control of a solution copolymerization
reactor using multi-model predictive control. Chemical Engineering Science 2, 1207–1221.
Park, J., G. Rizzoni and W.B. Ribbens (1994). On the representation of sensors faults in fault
detection filters. Automatica 30(11), 1793–1795.
Patton, R.J. (1997). Fault-tolerant control : the 1997 situation. In : Proc. IFAC Symposium
Safeprocess,Kingston Upon Hull, U.K. Vol. 2. pp. 1033–1055.
Patton, R.J. and C.J. Lopez-Toribio (2000). Multiple-model fault-tolerant control of an induc-
tion motor in the presence of uncertainty. In : IFAC Symposium SAFEPROCESS 2000,
Budapest. pp. 1139–1144.
Persis, C. De and A. Isidori (2001). A geometric approach to nonlinear fault detection. IEEE
Trans. on Automatic Control 46(6), 853 –865.
Porfirio, C. R., E. A. Neito and D. Odloak (2003). Multi-model predictive control of an industrial
c3/c4 splitter. Control Engineering Practice 11, 765–779.
182 BIBLIOGRAPHIE
Rauch, H. (1994). Intelligent fault diagnosis and control reconfiguration. IEEE Control Systems
Magazine 14(3), 6–12.
Reberga, L., D. Henrion, J. Bernussou and F. Vary (2005). Lpv modeling of a turbofan engine.
In : Proc. 16th IFAC World Congress, Prague, Czech Republic.
Rodrigues, M., D. Theilliol and D. Sauter (2005a). Design of a Robust Polytopic Unknown Input
Observer for FDI : Application for Systems described by a Multi-Model Representation. In :
Proc. 44th IEEE Conference on Decision and Control and European Control Conference
ECC, Sevilla, Spain.
Rodrigues, M., D. Theilliol and D. Sauter (2005b). Design of an Active Fault Tolerant Control
and Polytopic Unknown Input Observer for Systems described by a Multi-Model Repre-
sentation. In : Proc. 44th IEEE Conference on Decision and Control and European Control
Conference ECC, Sevilla, Spain.
Rodrigues, M., D. Theilliol and D. Sauter (2005c). Design of an Active Fault Tolerant Control
for Nonlinear Systems described by a Multi-Model Representation. In : Proc. The 20th
IEEE International Symposium on Intelligent Control (ISIC’05) and the 13th Mediterra-
nean Conference on Control and Automation (MED’05), Limassol, Cyprus.
Rodrigues, M., D. Theilliol and D. Sauter (2005d). Fault Tolerant Control Design of Nonlinear
Systems using LMI gain Synthesis. In : Proc. 16th IFAC World Congress, Prague, Czech
Republic.
Rodrigues, M., D. Theilliol and D. Sauter (2005e). Synthèse d’une loi de commande tolérante
aux défauts actionneurs : Application aux systèmes non linéaires décrits par de multiples
modèles. In : Journées Doctorales et Nationales du GDR MACS du 5 au 7 Septembre,
Lyon, France.
Rodrigues, M., D. Theilliol, M. Adam-Medina and D. Sauter (2002). Fault isolation and estima-
tion in nonlinear systems : an adaptive filter solution based on multiple model approach.
In : Proc. IAR, Grenoble, France.
Rodrigues, M., M. Adam-Medina, D. Theilliol and D. Sauter (2004). Fault Diagnosis on In-
dustrial Systems based on a Multiple Model approach. In : Proc. IFAC Symposium on
Automation in Mining, Mineral and Metal processing, Nancy, France.
Rong, Q., S. K. McLoone and G. W. Irwin (2002). On hidden coupling in multiple model based
PID controller networks. In : 15th World Congress of IFAC. Vol. CD-Rom. Barcelone,
Espagne. pp. 1622–1627.
Rosinova, D. and V. Vesely (2004). Robust Static Output Feedback for Discrete Time Systems
Lmi Approach. Periodica Polytechnica 48(3-4), 151–163.
Rugh, W. J. (1992). Analytical framework for gain scheduling. IEEE Control System Magazine
11, 79–84.
Shamma, J. and M. Athans (1992). Gain scheduling : potential hazards and possible remedies.
IEEE Control System Magazine 10, 101–107.
Shin, J-Y. (2003). Parameter transient behavior analysis on fault tolerant control system. Tech-
nical Report NASA-CR-2003-212682-NIA Report No. 2003-05. National Institute of Ae-
rospace. Hampton, Virginia, USA.
BIBLIOGRAPHIE 183