30 novembre 2026 à 09h30 (Bâtiment ESPRIT - Atrium)
La complexité croissante des systèmes énergétiques modernes nécessite le développement de méthodes avancées de surveillance et de pronostic afin de garantir un fonctionnement fiable, efficace et résilient. Les méthodes traditionnelles de Détection et d’Isolation de Défauts (FDI), basées sur les Relations de Redondance Analytique (ARR), sont efficaces pour la détection des défauts, mais fournissent des informations limitées sur la dégradation progressive des performances du système. Pour répondre à cette imitation, cette thèse propose une approche fondée sur les Bond Graphs (BG) pour l’estimation en ligne des pertes de puissance, l’évaluation de la résilience et le pronostic. L’approche proposée exploite la représentation énergétique offerte par les Bond Graphs afin d’estimer les pertes de puissance et de suivre leur évolution au cours du temps. Les défauts et les phénomènes de dégradation étant généralement associés à une dissipation anormale d’énergie, les pertes de puissance sont utilisées comme un indicateur pertinent reliant l’apparition d’un défaut à la dégradation des performances. Une étape de filtrage augmenté est mise en œuvre pour améliorer la qualité de l’estimation des pertes de puissance, tandis qu’une couche d’apprentissage automatique analyse leur évolution temporelle et prédit les tendances futures de dégradation. La méthodologie est d’abord appliquée à un système hydraulique à deux réservoirs, dans lequel le suivi des pertes de puissance est utilisé pour détecter la dégradation des performances et évaluer la résilience du système. Afin d’anticiper les conditions critiques de fonctionnement, un nouvel indicateur appelé Remaining Time To Recovery (RTTR) est proposé. Le RTTR estime le temps restant entre la détection de pertes de puissance anormales et l’apparition de la saturation des actionneurs lorsqu’aucune action corrective n’est appliquée, permettant ainsi la mise en œuvre de stratégies de recouvrement anticipées avant qu’une dégradation importante des performances ne se produise. L’approche proposée est ensuite étendue aux électrolyseurs à membrane échangeuse de protons (PEM) dédiés à la production d’hydrogène vert. Une méthode hybride de pronostic combinant un diagnostic à base de Bond Graph (DGB) et un apprentissage basé sur un modèle Support Vector Regression (SVR) est développée pour l’estimation en ligne de de la durée de vie restante Remaining Useful Life (RUL). Le modèle DBG exploite les mesures issues des capteurs afin d’estimer les effets de la dégradation sous forme de pertes de puissance, tandis que le modèle SVR prédit leur évolution future. La combinaison de ces deux sources d’information permet d’estimer en ligne la durée de vie utile restante du système, contribuant ainsi à la mise en œuvre d’une maintenance prédictive. Les modèles Bond Graph sont développés sous 20-sim, tandis que les méthodes de surveillance, d’évaluation de la résilience et de pronostic sont implémentées sous MATLAB/Simulink. Les résultats obtenus montrent que le suivi des pertes de puissance fournit un indicateur de dégradation plus précoce et plus informatif que les méthodes conventionnelles basées sur les résidus. En outre, les indicateurs RTTR et RUL proposés, contribuent à améliorer la fiabilité, la résilience et les performances opérationnelles des systèmes énergétiques complexes.
français
English