Diagnostic prédictif à base de modèle pour les véhicules

www.onera.fr
PROPOSITION DE SUJET DE THESE
Intitulé : Diagnostic prédictif à base de modèle pour les véhicules
aéronautiques
Référence : TIS-DCPS-2015-03
(à rappeler dans toute correspondance)
Laboratoire d’accueil à l’ONERA :
Branche : TIS (Traitement de l’information et
Lieu (centre ONERA) :
Palaiseau
systèmes)
Département : DCPS (Conception et évaluation des performances des systèmes)
Unité : SAGP (Systèmes Avancés de
Tél. 01 80 38 66 50
Guidage-Pilotage)
Responsable ONERA : Julien MARZAT
Email : [email protected]
Directeur de thèse extérieur envisagé:
Nom : Tarek RAÏSSI
Adresse :
CEDRIC (Centre d’Etude et de Recherche en Informatique et Communications)
Conservatoire National des Arts et Métiers
55, rue Turbigo 75003 PARIS
Tél. : 01 40 27 21 69
Email : [email protected]
Sujet : La supervision est une préoccupation majeure dans la conception, le développement, la
validation et l’exploitation des systèmes aéronautiques de haute performance. De par la complexité
croissante des procédés et l’augmentation des éléments technologiques intégrés, les anomalies de
fonctionnement et la dégradation des composants peuvent avoir un impact inacceptable sur la
mission et les objectifs prévus pour le système. Ces besoins sont encore renforcés lorsque les
cadences de fonctionnement et la fiabilité attendue du système sont très élevées.
Les procédures classiques de diagnostic à base de modèles consistent à comparer le
fonctionnement réel du système avec un fonctionnement de référence. Ces méthodes construisent
des signaux (résidus) indicateurs de la présence de défauts à l’instant courant en se basant sur les
entrées et les mesures recueillies jusqu’à cet instant.
L’objectif de ce travail est de développer des méthodes de diagnostic prédictif à base de modèle
permettant d’anticiper la dégradation des composants du système afin de planifier des actions
correctives avant la manifestation d’un défaut (maintenance, changement de mode de
fonctionnement, …). Les méthodes développées doivent permettre de prédire efficacement l’état de
santé futur des composants d’un système afin d’organiser la suite de sa mission et les opérations de
maintenance afférentes.
Pour remplir cet objectif, il est nécessaire de modéliser non seulement le comportement sain du
système mais aussi la dynamique de la dégradation. En pratique, cette dernière est difficile à
caractériser de manière fiable et fait donc apparaître des paramètres fortement incertains. La
construction de méthodes de diagnostic prédictif nécessite alors la propagation robuste, sur un
horizon étendu, des incertitudes paramétriques tout en cherchant à maîtriser le conservatisme sur les
grandeurs prédites.
Ces techniques pourront être appliquées à la surveillance prédictive des composants de motorisation
de véhicules aéronautiques (drones, avions de combat) ou terrestres (robots mobiles) afin de
planifier leur remplacement et d’éviter une politique de maintenance systématique (qui amène à des
interventions prématurées si elle est trop fréquente ou la défaillance du système si elle est trop
GEN-F-160-6(GEN-SCI-029)
tardive). Ces véhicules effectuent des séries de missions au déroulement généralement similaire
(mission de durée relativement courte mais très fréquemment pendant le temps d’un déploiement
opérationnel), ce qui peut fournir un cadre adapté pour la construction de modèles de dégradation.
On pourra considérer comme scénario applicatif le déploiement d’une flotte d’avions de transport
pour une mission logistique de plusieurs mois, avec comme possible support de test la base de
données ouverte C-MAPSS (http://www.grc.nasa.gov/WWW/cdtb/software/mapss.html) de la NASA
sur les turbopropulseurs.
Références :
[1] J. Luo, M. Namburu, K. Pattipati, L. Qiao, M. Kawamoto, S. Chigusa, Model-based Prognostic
techniques. IEEE Systems Readiness Technology Conference, 330-340, 2003.
[2] D. Chelidze and J.P. Cusumano. A dynamical systems approach to failure prognosis. Journal of
Vibration and Acoustics, 126(1) :1–7, 2004.
[3] A. Abdo, K. El-Tawil, S. Kadry, H. Noura, and M. Ouladsine. Analytic prognostic model for a
dynamic system. International Review of Automatic Control, 3(6):568–577, 2010.
[4] Y. Da, X. Shi, M. Krishnamurthy, Health monitoring, fault diagnosis and failure prognosis
techniques for brushless permanent magnet machines. IEEE Vehicle Power and Propulsion
Conference, 2011
[5] D. Gucik-Derigny, Contribution au pronostic des systèmes à base de modèles : théorie et
application, Thèse de doctorat de l’Université Aix-Marseille III, 2011
Collaborations extérieures : CNAM - Centre d'Etude et De Recherche en Informatique et
Communications (CEDRIC)
PROFIL DU CANDIDAT
Formation : Ecoles d’ingénieurs ou MR2 ayant une spécialisation en automatique
Spécificités souhaitées : Automatique (commande, estimation), détection et identification de
défauts, sûreté de fonctionnement
GEN-F-160-6(GEN-SCI-029)

Download Report