Estimation et diagnostic de systèmes non linéaires décrits par un modèle de Takagi-Sugeno - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2009

Estimation and diagnosis of nonlinear systems described by Takagi-Sugeno models

Estimation et diagnostic de systèmes non linéaires décrits par un modèle de Takagi-Sugeno

Dalil Ichalal

Résumé

This thesis deals with state estimation, fault diagnosis and fault tolerant control of nonlinear systems represented by a Takagi-Sugeno model with unmeasurable premise variables. The problem of state estimation of nonlinear systems with T-S model with unmeasurable premise variable is explored. Algorithms for robust observers synthesis with respect to perturbations, modeling uncertainties and unknown inputs are afterward presented. These algorithms are based on four kinds of observers called proportional, unknown input observers (UIOs), proportional-integral (PI) and multiple-integral (PMI) . The application on model-based diagnosis is studied based on three strategies. The first one uses unknown input observer to decouple some faults and makes the observers insensitive to certain faults. This allows to detect and isolate faults by constructing observers banks. Due to strong structural conditions on designing UIOs decoupling the faults on the state estimation error is not possible. To avoid this problem, the second strategy uses PI and PMI observers in order to estimate simultaneously the state and the faults of the system. The third strategy uses the H_inf formalism. This aims to minimize the influence of perturbations and to maximize the effects of faults on the residual signal. An adequate choice of the residual generator parameters allows to detect, to isolate and to estimate the faults affecting the system. Lastly, a fault tolerant control law is proposed by reference trajectory tracking based on the use of PI and PMI observers.
Cette thèse traite le problème de l'estimation d'état, du diagnostic et de commande tolérante aux défauts des systèmes non linéaires représentés par un modèle de Takagi-Sugeno (T-S) à variables de prémisse non mesurables. De nombreux algorithmes pour la synthèse d'observateurs robustes vis-à-vis des perturbations, des imperfections de modélisation et des entrées inconnues sont présentés en se basant sur quatre types d'observateurs : les observateurs proportionnels, les observateurs à entrées inconnues, les observateurs proportionnel intégral (PI) et multi-intégral (PMI). Par la suite, ces derniers sont utilisés pour le diagnostic de fautes des systèmes non linéaires. Ceci est réalisé au moyen de trois stratégies. La première utilise l'observateur à entrée inconnue par découplage afin de rendre l'observateur insensible à certains défauts et permettre de détecter et d'isoler les défauts en construisant des bancs d'observateurs. En raison des conditions structurelles souvent insatisfaites, le découplage total des défauts de l'erreur d'estimation d'état n'est pas réalisable. Afin de s'affranchir de ces contraintes, la seconde stratégie utilise les observateurs PI et PMI pour estimer simultanément l'état et les défauts du système. La troisième stratégie qui utilise le formalisme H_inf vise à concevoir un générateur de résidus minimisant l'influence des perturbations et maximisant l'influence des défauts. Un choix adéquat des paramètres du générateur de résidus permet la détection, la localisation et l'estimation des défauts. Enfin, une loi de commande tolérante aux défauts par poursuite de trajectoire d'un modèle de référence est proposée en exploitant les observateurs PI et PMI.
Fichier principal
Vignette du fichier
These_ichalal_Dalil.pdf (4.73 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00454793 , version 1 (09-02-2010)

Identifiants

  • HAL Id : tel-00454793 , version 1

Citer

Dalil Ichalal. Estimation et diagnostic de systèmes non linéaires décrits par un modèle de Takagi-Sugeno. Automatique / Robotique. Institut National Polytechnique de Lorraine - INPL, 2009. Français. ⟨NNT : ⟩. ⟨tel-00454793⟩
877 Consultations
2746 Téléchargements

Partager

Gmail Facebook X LinkedIn More