Les recherches sur le diagnostic en-ligne (détection, localisation et identification de défauts) des systèmes dynamiques sont intensives depuis plus de 40 ans. De nombreuses méthodes ont été proposées et la littérature scientifique est abondante. On distingue classiquement deux grandes classes d’approches : les approches à base de modèle comportementaux et les approches de traitement et d’analyse de données.
Les méthodes de diagnostic à base de modèles comportementaux [1] (telle que la méthode de l’espace de parité, les méthodes à base d’observateurs ou de filtres, les méthodes d'identification paramétrique) reposent sur la génération d’indicateurs de défaut appelés classiquement résidus, qui sont des fonctions des entrées connues et des sorties mesurées. Ces résidus, calculés en-ligne, sont analysés et fournissent une indication de l’état de santé du système considéré. Des méthodes de décision sont alors mises en œuvre pour fournir un diagnostic. Ces méthodes ont fait leurs preuves d’efficacité et de performance sur de nombreux exemples applicatifs mais restent relativement théoriques. Peu d'applications réelles ont réellement été réalisées en raison de deux verrous majeurs : la difficulté à obtenir un modèle précis pour de nombreuses applications (ce qui nécessite une expertise importante sur le système/domaine considéré), la complexité d’utilisation/de manipulation des modèles lorsque ceux-ci sont non linéaires, de grande dimension ou comportent plusieurs dynamiques lentes et rapides, la difficulté à analyser les résidus et prendre une décision fiable en présence de perturbations et incertitudes paramétriques.
Avec le développement de l’intelligence artificielle, et en particulier des méthodes d’apprentissage, de classification et de traitement statistique des données, les méthodes de diagnostic guidées par les données reçoivent depuis plusieurs années un fort engouement dans la communauté scientifique [2]. Ces méthodes ont montré leur efficacité dans de nombreuses applications, cependant, elles sont confrontées à plusieurs difficultés qui limitent leur utilisation dans un contexte industriel : difficulté à avoir des données en grand nombre du système en défaut, difficulté pour couvrir tous les cas de défaut dans toutes les conditions de fonctionnement ou tous les modes opératoires ; difficulté pour prouver et garantir les performances du système de diagnostic en toute circonstances en vue d’une certification ; difficulté à tenir compte de la dynamique du système et des données ; difficulté à identifier la cause première du défaut c’est-à-dire le composant défaillant, responsable de la modification des données.
Au-delà des difficultés évoquées ci-dessus inhérentes aux deux approches, plusieurs verrous subsistent limitant d’autant plus leurs applications sur des systèmes dynamiques complexes. Parmi ces verrous, on peut citer le diagnostic des défauts multiples, des défaut intermittents ou des défauts naissants évoluant lentement ; la minimisation des taux de fausses alarmes et de non détections en environnement incertain, la prise en compte des dynamiques complexes et variables en fonction du mode de fonctionnement du système considéré.
Plusieurs travaux (voir par exemple les références [3-8]) ont été initiés pour établir des ponts entre les approches de diagnostic à base de modèles et celles guidées par les données, montrer et utiliser leurs complémentarités, afin d’améliorer les performances du diagnostic (en termes de fausse alarme, de non détection, de délais de détection, d’identification du défaut) mais aussi de faciliter leur déploiement et utilisation dans des applications industrielles. Ce sujet de thèse ce situe dans la continuité de ces travaux.
Lorsque l'on dispose d'un modèle précis d'un système, celui-ci peut être simulé pour générer des données, en particulier du système en défaut. Cette simulation qui peut être réalisée à partir d’une description très fine et précise du système en fonctionnement nominal, ou présentant des dégradations ou des défauts (en utilisant par exemple des modèles dynamiques à éléments finis, des modèles fortement non linéaires, tenant compte de phénomènes physiques très fins), peut être enrichie, mise à jour, par des données réelles prélevées sur le système, fournissant ainsi un véritable jumeau numérique du système. Ces modèles numériques permettent de générer de grosses masses de données pour couvrir un très grand nombre de situations du système en fonctionnement normal ou défaillant, dans des conditions opérationnelles diverses. Les données de simulation ainsi obtenues et les données prélevées sur le système réel en fonctionnement, mais aussi certaines caractéristiques du modèle simulé, peuvent être utilisées conjointement pour réaliser un diagnostic performant.
Cette thèse visera à étudier les complémentarités des méthodes de diagnostic à base de modèles et des méthodes guidées par les données. Les objectifs sont d’améliorer les performances du diagnostic et de faciliter l’utilisation/implémentation des méthodes sur des systèmes réels.
En termes d’application, la thèse se focalisera sur des manipulateurs robotiques souples éco-conçus. Un robot souple est composé d’une structure flexible complexe déformée à l’aide d’actionneurs pour générer du mouvement [9]. Ces actionneurs peuvent être commandés dynamiquement pour réaliser des tâches de manipulation rapides, notamment dans le cadre d’applications industrielles [10]. Non seulement leur flexibilité naturelle les rend intrinsèquement plus sûrs pour des opérateurs humains à proximité, mais permet en plus d’envisager l’utilisation de matériaux bio-sourcés naturellement flexibles pour leur éco-conception. De fait, ils peuvent devenir des candidats prometteurs de robots industriels à très faible impact environnemental. Cependant, les matériaux bio-sourcés issus du monde végétal par exemple sont particulièrement sensibles aux facteurs environnementaux extérieurs (changements de température, UV) et aux contraintes mécaniques qui entraînent des modifications de leurs caractéristiques physiques. Ainsi les performances du manipulateur vont se dégrader au cours du temps en raison de ces facteurs externes et de la répétition de mouvements dynamiques, entraînant à terme la défaillance du robot. Il est donc essentiel de détecter le plus précocement possible les dégradations ou défauts du robot.
La thèse débutera par un travail bibliographique pour maîtriser les différentes méthodes de diagnostic. Ces méthodes seront implantées et testées, dans un premier temps sur des applications dont les modèles, simulations et données sont disponibles et servent de bancs d’essais pour la communauté scientifique tel le réacteur continu à cuve agitée (ou CSTR : continuous stirred-tank reactor) [11] ou un modèle physique d’éolienne (Wind turbine physical model) [12]. Dans un deuxième temps, les travaux se focaliseront sur le diagnostic des manipulateurs souples. Deux applications seront considérées : un robot mobile équipé d’un bras souple, système pour lequel un jumeau numérique est développé dans le cadre de l’action incitative transversale SOMOROB du CRIStAL et/ou un manipulateur souple constitué de matériaux bio-sourcés pour des tâches de saisie-dépose et son jumeau numérique développé à INRIA via la plateforme SOFA.
