Contribution to sensor fault diagnosis in an electrical conversion chain application to electric vehicles

Mes recherches doctorales portent sur le diagnostic robuste des défauts capteurs dans la chaîne de conversion des véhicules électriques (VE).L’objectif de ce travail est d’améliorer la fiabilité et la sécurité des systèmes de VE en détectant et en isolant les défauts capteurs à l’aide de techniques à base de modèles. L’étude cible spécifiquement la chaîne de conversion composée d’un onduleur de tension (VSI), d’un filtre LCL et d’un moteur électrique, surveillés par six capteurs de tension et de courant placés stratégiquement, conformément aux pratiques industrielles standards.La thèse est structurée en quatre chapitres :Chapitre 1 présente une revue de littérature complète sur les techniques de diagnostic de défauts basées sur les modèles, avec un accent particulier sur la comparaison entre les méthodes d’estimation d’état et d’estimation de paramètres. Différentes approches basées sur des observateurs et filtres de Kalman sont analysées de manière critique. Une revue des diverses topologies des sous-systèmes de la chaîne de conversion, à savoir le convertisseur DC-DC et l’onduleur DC-AC, est également incluse.Chapitre 2 traite de la conception des paramètres de la chaîne de conversion en fonction de la puissance choisie pour l’ensemble des sous-systèmes. Il couvre également la modélisation en espace d’état de la chaîne de conversion du VE, à l’aide d’un modèle mathématique détaillé développé pour capturer la dynamique du convertisseur DC-DC (type Ćuk), de l’onduleur triphasé (type VSI) et du filtre LCL, qui sert de base au cadre de diagnostic des défauts.Chapitre 3 propose une approche de diagnostic et d’isolement des défauts en utilisant une banque de filtres de Kalman. Ce chapitre inclut aussi une analyse comparative entre les configurations en boucle ouverte et en boucle fermée, démontrant que la conception en boucle fermée offre de meilleures performances de diagnostic. La détection de défauts est évaluée à l’aide de courbes ROC, ainsi que d’indicateurs de performance tels que la précision, la spécificité, la sensibilité, le taux de faux positifs (FPR), le taux de faux négatifs (FNR) et l’aire sous la courbe ROC (AUC). Ce chapitre examine également la robustesse du système de détection face aux incertitudes de modélisation. Les résultats révèlent l’apparition de fausses alarmes en l’absence de défauts capteurs, mettant en évidence les limites de l’approche classique. De plus, l’approche est testée sous des scénarios de défauts simples, doubles, triples et quadruples capteurs, en exploitant l’observabilité du système même en configuration réduite de capteurs.Chapitre 4 répond à ces limites en introduisant une conception d’observateur robuste afin d’améliorer le diagnostic de défauts en présence d’incertitudes du système. La banque de filtres de Kalman initiale est modifiée pour intégrer des observateurs à découplage optimal des perturbations (ODDOs), permettant la génération de résidus robustes. Une comparaison approfondie entre la méthode classique basée sur les filtres de Kalman et l’approche robuste proposée est menée sur l’ensemble des scénarios de défauts, en utilisant les mêmes indicateurs de performance diagnostique. Les résultats confirment que l’observateur robuste surpasse largement la méthode classique, en particulier dans des environnements incertains et en présence de multiples défauts capteurs simultanés.Cette recherche propose ainsi une solution complète et évolutive pour la détection robuste de défauts capteurs dans les véhicules électriques, contribuant à améliorer la tolérance aux défauts et la sécurité opérationnelle des systèmes de VE.