Admin CliCours
La sécurisation en vol est une préoccupation majeure des concepteurs d’engins aérospatiaux autonomes (drones, missiles, lanceurs ou satellites). Ces véhicules sont commandés pour réaliser leur mission au moyen d’algorithmes de guidage-pilotage-navigation permettant de calculer les ordres à réaliser par les actionneurs à partir des mesures fournies par les capteurs. Selon une étude de fiabilité réalisée par le Département de la Défense des États-Unis, environ 80% des incidents de vol concernant les drones sont dûs à des défauts affectant la propulsion, les commandes de vol ou les capteurs. Il est ainsi nécessaire d’identifier rapidement toute panne affectant ces dispositifs avant qu’elle ne conduise à une situation catastrophique impliquant l’abandon de la mission.
Cette thèse a pour objectif de contribuer à la définition de méthodes pour la détection et le diagnostic de défauts affectant les systèmes aéronautiques, selon deux axes principaux. Le premier est la proposition de deux nouvelles méthodes de diagnostic ; le second l’élaboration d’une méthodologie de réglage automatique de méthodes en vue de leur comparaison.
De nombreuses méthodes de diagnostic à base de modèles ont déjà été proposées, dont le principe de fonctionnement est de comparer le comportement observé du système avec celui prédit par un modèle dynamique issu des équations de la physique. Un certain nombre de contraintes réduisent toutefois leur applicabilité aux systèmes aéronautiques. En premier lieu, la dynamique de ces systèmes est décrite par des modèles non linéaires, tandis que la plupart des solutions de diagnostic proposées sont bien établies pour les modèles linéaires. Une solution classique consiste alors à linéariser le système étudié, au prix d’une perte d’information potentiellement dommageable. Les méthodes proposées dans cette thèse auront notamment pour objectif d’éviter cet écueil. Une autre préoccupation qui motive les développements présentés ci-après est la réduction de la charge de calcul embarquée nécessaire au diagnostic, souvent beaucoup trop importante compte tenu des ressources existantes à bord. Enfin, le caractère bouclé des systèmes et son influence sur le diagnostic sont des pistes de recherche prometteuses que nous avons également explorées.
Le réglage approprié des paramètres internes (ou hyperparamètres) d’une méthode de diagnostic est généralement conditionné par l’expérience et la culture de son utilisateur. Il est ainsi délicat de comparer objectivement les méthodes en concurrence sur un même ensemble de simulations d’un cas test complexe. L’influence du réglage des hyperparamètres sur la performance des méthodes considérées est pourtant très grande, ce qui soulève la question de leur ajustement automatique. Il apparaît judicieux de formuler ce réglage comme un problème d’optimisation globale de la performance. Toute la difficulté réside alors dans le choix d’une procédure fiable et robuste à cet effet, qui demande peu de simulations du cas test – celles-ci étant généralement très coûteuses.
Un défaut est une modification inattendue d’une propriété ou d’un paramètre caractéristique du système surveillé par rapport au fonctionnement acceptable ou habituel. Un défaut peut être annonciateur d’une défaillance, à savoir l’interruption permanente de la capacité du système à accomplir sa mission, compte tenu de ses conditions de fonctionnement.
La détection de défauts consiste à mettre en évidence la présence de défauts dans le système et leurs instants d’apparition. Cette tâche est suivie de la localisation de défauts (en anglais, isolation), qui a pour but de les classer en fonction de leur type et de leur emplacement dans le système. Enfin, l’identification (ou estimation) de défauts vise à caractériser leurs amplitudes et leurs évolutions temporelles. Le processus complet est classiquement désigné sous les acronymes FDI pour Fault Detection and Isolation ou FDD pour Fault Detection and Diagnosis (détection et diagnostic de défauts), ce dernier incluant l’identification. Ces procédures nécessitent la plupart du temps de générer des résidus, c’est-à-dire des indicateurs de la présence de défauts calculés à partir de l’écart entre les mesures relevées sur le système et le comportement prédit par un modèle. Ces signaux sont censés être de faible amplitude lorsque le système fonctionne normalement, et s’écarter suffisamment de leur valeur initiale pour être détectable en présence de défauts.
Une fois qu’un défaut a été détecté, il apparaît naturel de chercher à le compenser par une modification adéquate de la loi de commande de l’aéronef considéré. C’est ce que cherche à réaliser la commande tolérante au défauts (FTC for Fault Tolerant Control), également nommée reconfiguration. Le lecteur trouvera dans [37, 47] un récapitulatif des études portant sur la FTC active, où la reconfiguration utilise des informations provenant du diagnostic, tandis que la reconfiguration passive fait uniquement appel à la commande robuste. La commande tolérante aux défauts est un domaine de recherche à part entière, qui ne sera pas abordé dans ce mémoire. Il faut toutefois signaler que les préoccupations de faible charge de calcul du diagnostic.
Introduction |
Télécharger le document complet
