Version 0000

Bejaoui fatah
5 février 2022
N◦ National de Thèse : XXX
UNIVERSITÉ DE TUNIS
ÉCOLE NATIONALE SUPÉRIEURE D’INGÉNIEURS DE TUNIS
ÉCOLE DOCTORALE DES SCIENCES ET TECHNOLOGIES
THÈSE
en vue de l’obtention du
DIPLOME DE DOCTORAT
en Génie Électrique
par
Fatah BEJAOUI
Maitre technologue à l’ISET de Radès
Observation d’état bilinéaire, hybride et par

intervalle des systèmes dynamiques.
Application à la détection de défauts et la
commande des systèmes d’entrainement
électrique
Directeur de thèse : M. Ali Sghaier TLILI
iii
i
TABLE DES MATIÈRES
Table des matières
Introduction générale 1
1 Sur l’observation d’état et la détection de défauts des systèmes dy-

namiques. Cas d’un système d’entraînement électrique d’une voiture
hybride 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Observabilité des systèmes dynamiques . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Observabilité des systèmes non linéaires . . . . . . . . . . . . . . . 6
1.2.2 Observabilité des systèmes linéaires . . . . . . . . . . . . . . . . . . 7
1.2.3 Observabilité des systèmes bilinéaires . . . . . . . . . . . . . . . . . 8
1.2.4 Observabilité des systèmes linéaires à commutation . . . . . . . . . 9
1.3 Observateurs d’état des systèmes dynamiques . . . . . . . . . . . . . . . . 10
1.3.1 Observateur d’état de Luenberger . . . . . . . . . . . . . . . . . . . 11
1.3.2 Observateur d’état à entrées inconnues . . . . . . . . . . . . . . . . 12
1.3.3 Observateur d’état bilinéaire . . . . . . . . . . . . . . . . . . . . . . 13
1.3.4 Observateur d’état hybride . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.5 Observateur d’état par intervalles . . . . . . . . . . . . . . . . . . . 15
1.4 Détection de défauts des systèmes dynamiques . . . . . . . . . . . . . . . . 18
1.4.1 Types de défauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.1.1 Défauts de capteurs . . . . . . . . . . . . . . . . . . . . . 18
1.4.1.2 Défauts d’actionneurs . . . . . . . . . . . . . . . . . . . . 19
1.4.1.3 Défauts de composants . . . . . . . . . . . . . . . . . . . . 19
1.4.2 Techniques adoptées pour la détection de défauts . . . . . . . . . . 20
1.4.2.1 Détection de défauts basée sur la redondance des composants 20
1.4.2.2 Diagnostic des défauts en se basant sur les signaux . . . . 21
1.4.2.3 Détection des défauts à base d’observateurs d’état . . . . . 21
1.5 Présentation du système de gestion d’énergie de voitures hybride et tout
électrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1 Les véhicules hybrides . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1.1 Principe de fonctionnement . . . . . . . . . . . . . . . . . 23
1.5.1.2 Classification des voitures hybrides . . . . . . . . . . . . . 23
1.5.2 Les véhicules électriques . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5.2.1 Principe de fonctionnement . . . . . . . . . . . . . . . . . 27
1.5.2.2 Architectures des véhicules électriques . . . . . . . . . . . 28
1.5.3 Constitutifs d’un système de gestion d’énergie d’un véhicule hybride 29
1.5.3.1 Pile à combustible (PAC) . . . . . . . . . . . . . . . . . . 31
1.5.3.2 Batteries Li-ion . . . . . . . . . . . . . . . . . . . . . . . . 32
ii
TABLE DES MATIÈRES
1.5.3.3 Super-condensateurs . . . . . . . . . . . . . . . . . . . . . 32
1.5.4
Stratégies de gestion d’énergie dans les véhicules hybrides . . . . . . 32
1.5.5
Modélisation du système de gestion d’énergie d’une voiture hybride
et tout électrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.5.5.1 Modélisation du convertisseur Boost . . . . . . . . . . . . 37
1.5.5.2 Modélisation du convertisseur Buck/Boost . . . . . . . . . 39
1.5.5.3 Modélisation globale du système . . . . . . . . . . . . . . 40
1.5.5.4 Modèle bilinéaire du système de gestion d’énergie . . . . . 42
1.5.5.5 Modèle hybride du système de gestion d’énergie . . . . . . 42
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2 Approches d’observation d’état pour la détection des défauts des sys-

tèmes dynamiques 45
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2 Synthèse d’observateurs bilinéaires . . . . . . . . . . . . . . . . . . . . . . 45
2.2.1 Système bilinéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.2 Synthése d’observateur bilineaire à entrées inconnues . . . . . . . . 46
2.2.2.1 Transformation du système . . . . . . . . . . . . . . . . . 47
2.2.2.2 Dynamique de l’erreur de l’observateur bilinéaire d’ordre
plein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.2.2.3 Détermination des matrices de l’observateur . . . . . . . . 49
2.2.2.4 théorème 2.1. . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.2.2.5 Algorithme de l’observateur . . . . . . . . . . . . . . . . . 51
2.2.3 Exemple illustratif . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3 Observation des systèmes Dynamiques Hybrides . . . . . . . . . . . . . . . 53
2.3.1 Introduction sur les systèmes Dynamiques Hybrides . . . . . . . . . 53
2.3.1.1 Définiton 2.1. . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3.2 Synthèse d’observateur hybride . . . . . . . . . . . . . . . . . . . . 54
2.3.3 Convergence de l’erreur d’estimation . . . . . . . . . . . . . . . . . 55
2.3.3.1 Théorème 2.2. . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.3.3.2 démonstration . . . . . . . . . . . . . . . . . . . . . . . . 56
2.3.4 Exemple illustratif . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.4 Synthèse des observateurs par intervalle . . . . . . . . . . . . . . . . . . . . 61
2.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.4.2 synthèse d’un observateur par intervalle . . . . . . . . . . . . . . . . 62
2.4.2.1 théorème 2.3. . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.4.2.2 démonstration . . . . . . . . . . . . . . . . . . . . . . . . 63
2.4.3 Exemple d’application . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3 Application à la détection et l’isolation de défauts du système de ges-

tion d’énergie d’un véhicule hybride 67
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2 Conception d’un simulateur du système de gestion d’énergie . . . . . . . . 68
3.3 Gestion d’énergie par la commande hystérésis du courant . . . . . . . . . . 69
iii
TABLE DES MATIÈRES
3.3.1 Interêt de la gestion de l’énergie dans les voitures hybrides . . . . . 69

3.3.2 Commande par courant d’hystérésis à base de la FSM : Finite State
Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4 Implémentation de la commande du système de gestion d’énergie sur la
carte DSPACE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.4.1 Mode buck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.4.2 Mode boost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.4.3 Mode buck/boost . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.5 Détection et isolation du défaut dans le système de gestion d’énergie à base
d’observateurs bilinéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.5.1 Structure de l’observateur bilinéaire . . . . . . . . . . . . . . . . . . 80
3.5.2 Identification des matrices de l’observateur bilinéaire . . . . . . . . 81
3.5.2.1 Mode buck . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.5.2.2 Mode boost . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.5.2.3 Mode buck/boost avec entrées inconnues . . . . . . . . . . 84
3.5.3 Détection et isolation de défauts dans le système de gestion d’énergie
à base d’un observateur bilinéaire . . . . . . . . . . . . . . . . . . . 85
3.5.3.1 Etude préliminaire . . . . . . . . . . . . . . . . . . . . . . 85
3.5.3.2 Conception du générateur de résidu à entrées inconnues . 87
3.5.4 Simulation de la détection et isolation de défauts dans le système
de gestion d’énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.5.4.1 Détection de défauts . . . . . . . . . . . . . . . . . . . . . 90
3.5.4.2 Détection et isolation de défauts . . . . . . . . . . . . . . 92
3.6 Detection et isolation de défauts dans le système de gestion d’énergie à
base d’observateurs hybrides . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.6.1 Régulation de la tension du bus DC à base d’un observateur hybride 94
3.6.2 Conception de l’observateur hybride . . . . . . . . . . . . . . . . . . 94
3.6.3 Détermination des matrices de l’observateur hybride . . . . . . . . . 96
3.6.4 Implémentation expérimentale . . . . . . . . . . . . . . . . . . . . . 97
3.6.5 Mode 1 : Mode buck . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.6.6 Mode 2 : Mode boost . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.6.7 Mode 3 : Mode buck/boost . . . . . . . . . . . . . . . . . . . . . . 99
3.7 Détection et isolation de défaut dans le système de gestion d’énergie à base
d’observateurs hybrides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.7.1 Détection et isolation de défaut dans le système de gestion d’énergie 101
3.7.1.1 Observateur hybride pour la détection et l’isolation de dé-
fauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.7.1.2 Conception du générateur de résidus . . . . . . . . . . . . 104
3.7.1.3 Détection et isolation de défauts . . . . . . . . . . . . . . 107
3.8 Application à l’observation par intervalles à entrées inconnues du système
de gestion d’énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.8.1 Cas du convertisseur buck/boost fonctionnant en mode boost . . . 111
3.8.2 Cas du convertisseur buck/boost fonctionnant en mode buck . . . . 112
3.8.3 Cas du convertisseur buck/boost fonctionnant en mode buck/boost 113
3.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
iv
TABLE DES MATIÈRES
Conclusion générale 117
Bibliographie 121
v
Introduction générale
De jour en jour, la consommation mondiale en énergie primaire croît d’une manière

intensive et en particulier la consommation du combustible tel que le pétrole. Ainsi, l’aug-
mentation du nombre de véhicules en circulation dans le monde pose essentiellement deux
problèmes cruciaux. Le premier est de nature écologique malgré l’avancement technolo-
gique dans la conception des moteurs thermiques. Ces moteurs deviennent très polluants
et influent énormément sur le réchauffement climatique à cause des dégagements des gaz
nocifs surtout dans les grandes villes. Le deuxième problème réside dans l’épuisement des
énergies fossiles tel que le pétrole.
Afin de pallier ces problèmes, une solution est apparue au début des années quatre-vingt
se basant sur la traction toute électrique pour réduire la consommation du carburant et
les dégagements des gaz, mais cette solution s’est rapidement avérée limitée. En effet, la
faible autonomie de ces véhicules ainsi que les problèmes de leurs charges les rendent trop
difficiles à mettre en œuvre. Une infrastructure très complexe doit être mise en œuvre pour
assurer la charge de ce type de voiture, chose qui demande beaucoup d’investissement, ce
qui rend cette solution très coûteuse. De même, la puissance mécanique développée par
ces voitures est assez faible par rapport à celle proposée par les moteurs thermiques.
Ainsi, un compromis a été proposé entre la voiture à moteur thermique et la voiture tout
électrique, c’est le véhicule hybride qui se base essentiellement sur deux sources d’énergies
(thermique et électrique) afin d’utiliser les avantages de chaque système pour améliorer le
rendement global de la voiture. La traction électrique dans ce genre de véhicule est assurée
essentiellement par des piles à combustible ou à hydrogène et des supercondensateurs qui
permettent de supporter les piles pendant les phases de demande d’énergie tel que les
démarrages et de stocker de l’énergie pendant les phases de freinages.
Il faut signaler aussi que l’évolution des dispositifs de stockage d’énergie ont permis à
la surjection de nouveau des voitures tout électriques malgré les problèmes liés essentiel-
lement au temps de charge des batteries ainsi que l’autonomie de ce type de véhicules.
Pour ces derniers, un système de gestion d’énergie entre les différents éléments consti-
tuant le véhicule doit être mis en place pour garantir la commande. En effet, il assure non
seulement l’hybridation entre les différentes sources d’énergie, mais aussi la bonne gestion
de cette dernière pendant les phases de démarrage et de freinage. Ce système assure les
différentes transitions des flux énergétiques entre les différents composants pour répondre
1
Introduction
à tous les scénarios possibles. La commande et le diagnostic de ce système représentent un

point crucial pour le bon fonctionnement du véhicule ainsi que la sécurité des utilisateurs
et de la voiture.
Dans cette thèse, nous nous concentrerons sur la gestion de l’énergie entre les différents
composants de la chaîne de traction ainsi que la détection et l’isolation des défauts qui
peuvent surgir pendant le fonctionnement.
Les travaux consignés dans ce mémoire de thèse de doctorat sont organisés en quatre
chapitres.
Le premier chapitre est dédié à la présentation des voitures hybrides et électriques et

leurs classifications. Les différentes architectures ainsi que les différents types d’hybri-
dation ont été revus. La chaîne de traction et ces différents composants ont été aussi
présentés, en particulier les constituants du système de gestion d’énergie du véhicule. Les
caractéristiques de pack supercondensateur, des batteries et des piles à combustible ont
été illustrées. De même, les problèmes qui peuvent surgir dans ces composants due à un
dysfonctionnement ou à un phénomène de vieillissement ont été mis en évidence.
Le deuxième chapitre a été consacré en premier lieu à l’étude des observateurs d’état
des systèmes non linéaires, en particulier les systèmes bilinéaires afin de parvenir à l’ob-
servation des différents états du système de gestion d’énergie en vue de son diagnostic et
éventuellement sa commande. En deuxième lieu, un grand intérêt a été consacré à l’ob-
servation d’état du système en se basant sur des observateurs hybrides. En effet, pour
prendre en compte le comportement continu et discret du système de gestion d’énergie,
ce type d’observateurs convient très bien pour la reconstruction des différentes variables
d’état du processus étudié. Quant à la troisième partie de ce chapitre, elle a été consacrée
à l’observation d’état par intervalle. L’observateur consiste à un système dynamique auxi-
liaire qui permet de fournir une borne supérieure et une borne inférieure entre lesquelles
se trouve l’état. Ce qui nous donne une marge de robustesse assez importante pour assurer
le diagnostic et la commande en présence d’importantes perturbations inhérentes sur le
système étudié.
Dans le troisième chapitre, la première partie a été consacrée à la modélisation du sys-

tème de gestion de l’énergie d’une voiture hybride. Principalement, deux modèles ont été
retenus qui sont le modèle bilinéaire et le modèle hybride. La deuxième partie a été consa-
crée à la commande du système de gestion d’énergie. En effet, une machine à états finis
(FSM) a été implémentée sur une maquette réelle conçue au sein du laboratoire Ampère
à l’université Claude Bernard de Lyon du système de gestion d’énergie basé sur une carte
Dspace 1104. Une technique de commande par courant d’hystérésis à été testée en pra-
tique.
Le quatrième chapitre a été consacré au diagnostic et l’isolation des défauts du système

de gestion d’énergie du véhicule hybride. La première partie de ce chapitre a concerné
la synthèse d’un observateur bilinéaire pour estimer les différents paramètres du système
de gestion d’énergie à savoir les courants dans les deux convertisseurs DC-DC, la tension
2
Introduction générale
du supercondensateur et la tension du bus DC. Un banc de générateur de résidus a été

élaboré afin de détecter et isoler les défauts dans le système. La deuxième partie de ce
chapitre a été consacrée à la synthèse d’un observateur hybride pour assurer le diagnostic
et la commande du système en estimant les différentes variables d’état et par le biais
de l’implémentation d’une machine à état fini qui assure la commande du système. De
même, un banc d’observateurs hybrides a été développé pour l’isolation et la détection
des défauts. La dernière partie de ce chapitre a été consacrée la synthèse d’observateurs
d’état par intervalle pour la détection des défauts du processus d’entraînement étudié en
présence d’importantes perturbations affectant le comportement du système étudié.
3
Chapitre 1
Sur l’observation d’état et la détection de
défauts des systèmes dynamiques. Cas d’un
système d’entraînement électrique d’une
voiture hybride
1.1 Introduction
Ce premier chapitre porte sur la présentation de quelques rappels concernant l’ob-
servabilité et la synthèse d’observateurs d’état des systèmes non linéaires et les classes
des systèmes qui en dérivent à savoir les systèmes linéaires, les systèmes bilinéaires et les
systèmes à commutation. Cette démarche s’avère nécessaire afin de préciser, parmi les
nombreuses méthodes qui se trouvent dans la littérature et qui permettent l’étude de ces
classes des systèmes, quels ont été nos choix quant aux objectifs envisagés.
Compte tenu de nos objectifs visés et après un rappel sur l’observabilité des systèmes
dynamiques, nous nous focalisons sur la présentation des observateurs d’état à entrées
inconnues, bilinéaires, de Luenberger et hybrides. Ensuite, nous exposons les méthodolo-
gies développées dans la littérature pour aborder le problème de détection de défauts des
systèmes dynamiques tels que la détection de défauts basée sur la redondance des com-
posants, le diagnostic de défauts en se basant sur les signaux et la détection de défauts à
base d’observateurs d’état.
Le dernier volet de ce chapitre sera consacré essentiellement à la modélisation du sys-

tème de gestion d’énergie électrique de voiture hybride et tout électrique. L’observation,
la détection de défauts et la commande d’un tel système seront abordées dans le troisième
chapitre de cette thèse.
1.2 Observabilité des systèmes dynamiques

Nous envisageons d’introduire une description succincte relative à l’étude de l’obser-
vabilité et la synthèse d’observateurs d’état pour différentes classes des systèmes dyna-
5
Chapitre 1. Sur l’observation d’état et la détection de défauts des systèmes dynamiques.
Cas d’un système d’entraînement électrique d’une voiture hybride
miques. Plus particulièrement et compte tenu de nos objectifs visés, cette étude sera dédiée
aux systèmes non linéaires, linéaires, bilinéaires et linéaires à commutation.
1.2.1 Observabilité des systèmes non linéaires

Le problème d’observabilité des systèmes non linéaires s’avère compliqué à mettre en
œuvre. En effet, l’observabilité peut, dans ce cas, dépendre du vecteur de commande. Afin
de mettre en avant cette notion, nous considérons le système non linéaire décrit par la
représentation d’état suivante :
(
ẋ(t) = f (x(t), u(t))
(1.1)
y(t) = h(x(t))
où
• x(t) est le vecteur d’état, x(t) ∈ Rn
• u(t) est le vecteur d’entrée ou de commande, u(t) ∈ Rm
• y(t) est le vecteur de sortie ou d’observation, y(t) ∈ Rp
• f (.) et h(.) sont des fonctions non linéaires analytiques en les variables dont elles dé-
pendent. La forme particulière de ces fonctions permet de définir plusieurs classes des
systèmes tels que les systèmes linéaires, les systèmes bilinéaires, les systèmes linéaires à
commutation et les systèmes non linéaires affines en la commande.
Pour définir la notion d’observabilité, nous partons de la notion de distinguabilité.
Définition 1.1 (Distinguabilité) [1]

Considérons le système (1.1), les deux états x0 et x1 , tel que x0 6= x1 , sont dits distin-
guables s’il existe une entrée u(t) telle que y(t, x0 , u(t)) 6= y(t, x1 , u(t)) où y(t, xi , u(t))
est la sortie correspondante à l’entrée u(t) et à l’état initial xi du système pour i = 0 . . . 1.
Définition 1.2(Observabilité) [1]

Le système non linéaire (1.1) est dit observable en x0 ∈ E si tout autre état x1 6= x0 est
distinguable de x0 dans l’espace d’état E. Un système est observable s’il est observable
en tout point x0 ∈ E. Notons, par ailleurs, que la condition du rang d’un système non
linéaire n’est pas en général suffisante pour la synthèse d’un observateur d’état.
Ainsi, l’observabilité d’un système non linéaire ne suffit pas pour la synthèse d’un ob-
servateur d’état. Une telle synthèse doit prendre en compte le problème des entrées de
commande. Il en résulte que l’étude des propriétés des entrées pour un système donné est
d’une grande importance pour la synthèse d’observateurs d’état.
Définition 1.3 [2]

Un système dont toutes les entrées sont universelles sur [0, t] est dit uniformément
observable. De plus, si pour tout t > 0, toutes les entrées sont universelles sur [0, t] alors
ce système est dit uniformément localement observable.
La distinguabilité est un concept global, la définition qui suit est de nature locale.
6
1.2. Observabilité des systèmes dynamiques
Définition 1.4(Observabilité locale) [1]

Un système est localement observable en x0 ∈ ν si pour tout voisinage ν1 ⊂ ν contenant
x0 , pour tout x1 ∈ ν1 , tous les couples (x0 , x1 ) sont distinguables dans ν1 . Le concept
d’observabilité locale est plus fort que le concept d’observabilité. C’est-à-dire que si un
système est localement observable alors il est observable mais l’inverse n’est pas vrai. La
notion d’observabilité locale permet de distinguer deux point de ν dans n’importe quel
voisinage qui les contient, alors que la notion d’observabilité peut permettre de distinguer
des points distincts dans un intervalle plus large.
1.2.2 Observabilité des systèmes linéaires

Considérons le système linéaire stationnaire donné par la représentation d’état sui-
vante : (
ẋ(t) = Ax(t) + Bu(t)
(1.2)
y(t) = Cx(t) + Du(t)
où
• x(t) est le vecteur d’état, x(t) ∈ <n ;
• u(t) est le vecteur de commande, u(t) ∈ <m ;
• y(t) est le vecteur de sortie, y(t) ∈ <p ;
• A ∈ <n×n , B ∈ <n×m , C ∈ <p×n et D ∈ <p×m sont des matrices constantes d’état, de
commande, de sortie et de transmission directe, respectivement.
Le système (1.2) est dit complètement observable si, quel que soit t0 , il existe un in-
tervalle de temps fini [t0 , t1 ] tel que la connaissance de l’entrée u(t) et de la sortie y(t)
sur cet intervalle permet de reconstruire l’état initial x(t0 ) [2].
D’autre part, de nombreux critères d’observabilité sont présentés dans la littérature dont
les plus connus sont ceux utilisant le critère de Kalman basé sur la condition du rang [3].
En effet, l’observabilité du système (1.2) est garantie si et seulement si le rang de la
matrice d’observabilité  
C
 CA 
 
O= ..  (1.3)
.
 
 
CAn−1
est égal à n [2], [4].
De plus, il a été présenté dans [5] un autre critère d’observabilité pour la même classe des
systèmes. Il s’ensuit !
sI − A
rang =n (1.4)
C
pour tout s ∈ C.
Notons que si un système linéaire est complètement observable alors il est globalement
observable, c’est-à-dire que toutes les composantes du vecteur d’état du système sont
observables, et elles peuvent être donc reconstruites par un observateur d’état [4]. Si le
système est non linéaire alors d’autres critères d’observabilité sont utilisés [6], [7].
7
1.2.3 Observabilité des systèmes bilinéaires

Soit le système bilinéaire régi par le système d’équations différentielles suivant :
 m
X
ẋ(t) = A0 x(t) + ui (t)[Ai x(t) + Bi ]


i=1 (1.5)


où Ai , i = 0, . . . , m, Bi , i = 1, . . . , m, C et D sont des matrices constantes de dimensions

appropriées. Le vecteur de commande est illustré par uT (t) = [u1 (t), u2 (t), . . . , um (t)].
m
X
La matrice non constante A0 + ui (t)Ai est appelée matrice d’évolution du système.
i=1
D’autres références utilisent également la représentation d’état qui suit [8] :

(
ẋ(t) = A0 x(t) + u(t)Ax(t) + Bu(t)
(1.6)
m
X m
X
avec u(t)Ax(t) = ui (t)Ai x(t) et Bu(t) = Bi ui (t).
i=1 i=1
Selon la forme de l’équation (1.6), nous distinguons plusieurs classes de systèmes bili-
néaires [8].
• Si B = 0 alors le système est dit bilinéaire en l’état ou régulier ;
• Si A0 = 0 alors le système est dit homogène en l’entrée ;
• Si A0 = 0 et B = 0 alors le système est dit strictement bilinéaire.
Contrairement au cas linéaire, l’observabilité des systèmes bilinéaires est une notion qui
dépend de l’entrée appliquée au système. Nous soulignons que les définitions d’observabi-
lité données précédemment n’impliquent pas que toute entrée distingue des couples d’états
initiaux. En pratique, nous aimerions se placer dans le cas où l’entrée u(t) est fixée, tout
couple d’états distincts donne lieu à des sorties différentes. En effet, ce n’est que dans
ce cas que l’on peut reconnaître l’état initial du système à partir des informations anté-
rieures sur l’entrée et la sortie. Ceci nous conduit au concept des entrées universelles et
des systèmes qui sont observables au sens du rang pour toutes les entrées appliquées.
Lorsqu’une entrée permet de distinguer tous les couples d’état initiaux sur l’intervalle
[0, T ], celle-ci est dite universelle. La notion d’entrée universelle permet de définir une
classe importante des systèmes, ce sont les systèmes uniformément observables.
Définition 1.5[Observabilité uniforme] [9]

Un système dont toutes les entrées u(t) sont universelles est dit uniformément
observable.
En se basant sur les définitions 1.1, 1.2, 1.4 et 1.5, il s’avère possible d’étendre la condition
du rang utilisée pour l’étude de l’observabilité des systèmes linéaires pour le cas des
systèmes bilinéaires.
Définition 1.6 [9]
8
1.2. Observabilité des systèmes dynamiques
Le système bilinéaire (1.6) est uniformément observable si et seulement s’il existe (n − 2)

dérivées continues de u(t) telles que
 
∆1 (u)

 ∆2 (u) 

rang  ..  =n
.
 
 
∆n (u)
avec
m
!
X d
∆1 (u) = C et ∆i (u) = ∆i−1 (u) A0 + Ai ui (t) + ∆i−1 (u) ∀i = 2, 3, . . . , n.
i=1 dt
1.2.4 Observabilité des systèmes linéaires à commutation

Soit le système linéaire à commutation à temps continu défini par la représentation
d’état suivante :
(
ẋ(t) = Aq x(t) + Bq u(t)
(1.7)
y(t) = Cq x(t) + Dq u(t)
où q ∈ J = [1, . . . , N ], N ∈ N, est le signal de commutation supposé connu et qui

peut s’appéler aussi indice du sous-système active. Les matrices Aq ∈ <n×n , Bq ∈ <n×m ,
Cq ∈ <p×n et Dq ∈ <p×m sont des matrices constantes d’indice q.
Le système linéaire à commutation est dit complètement observable, tout en supposant

que l’indice de commutation q est connu, si la matrice d’observabilité notée Hq , associée
à chaque mode q, est une matrice de rang complète telle que
 
Cq

 Cq Aq 

rang(Hq ) = rang  ..  =n (1.8)
.
 
 
Cq Aqn−1
D’un autre côté, l’observabilité, dans ce cas, peut être définie comme suit
Définition 1.7 [10]
Le système linéaire à commutation (1.7) est dit observable, si pour t1 > 0 et pour l’indice
de commutation q : [0, t1 ] → J, l’état initial x(0) peut être calculé étant donné la connais-
sance de l’entrée u(t) et de la sortie y(t) pour t ∈ [0, t1 ]. L’observabilité des systèmes
commutés peut être étudiée sous divers angles. Comme indiqué précédemment, lorsque
le mode discret est considéré comme connu, chaque sous-système doit être observable.
Cependant, lorsque l’indice de commutation est considéré comme étant un état discret
inconnu, le problème devient plus difficile [11].
Plusieurs façons d’estimer l’état discret d’un système à commutation ont été abordées
dans la littérature [12], [13]. Ce problème a été posé de deux manières différentes, conti-
nues et discrètes. La conception d’un observateur continu pour reconstruire l’évolution du
signal de commutation est le fondement des méthodes continues. Dans ce cas, la contrainte
9
d’observabilité, qui est liée à l’état discret, est parfois confondue avec le concept de dis-
tinguabilité. Dans [14] et [15] , des conditions de distinguabilité nécessaires et suffisantes
pour détecter le temps de commutation ont été montrées. Les techniques discrètes, quant
à elles, sont basées sur la théorie des systèmes à événements discrets, consistant à utiliser
un observateur discret pour estimer le mode actif, qui est modélisé par un automate à
états finis. Les exigences d’observabilité ont également été mises en exergue [16], [17].
1.3 Observateurs d’état des systèmes dynamiques

Le principe de l’observation d’état consiste à utiliser l’entrée u(t) et la sortie y(t) pour
reconstruire le vecteur x̂(t) qui soit aussi proche que possible du vecteur d’état x(t).
Définition 1.8 On appelle observateur ou reconstructeur d’état d’un système

dynamique de type (1.1), un système dynamique auxiliaire O dont les entrées sont
constituées des vecteurs d’entrée et de sortie du système à observer S et dont le vecteur
de sortie x̂(t) est l’état estimé. La représentation d’état d’un tel reconstructeur est
donnée par
ż(t) = fˆ(z(t), u(t), y(t))
(
O (1.9)
x̂(t) = ĥ(z(t), u(t), y(t))
où z(t) ∈ <q , x̂(t) ∈ <n sont respectivement le vecteur d’état et de sortie de l’observateur.
Le schéma d’un tel observateur est illustré par la figure 1.1.
Figure 1.1 – Structure d’un observateur d’état
Le système O est dit un observateur d’état asymptotique du système (1.1) si

lim kx̂(t) − x(t)k = 0 (1.10)
t→∞
De même, le système O est dit observateur exponentiel du système S si

∃λ, µ > 0, tel que kx̂(t) − x(t)k ≤ µe−λt kx̂(0) − x(0)k (1.11)
Compte tenu des objectifs visés quant à l’observation d’état des systèmes dynamiques,
nous rappelons, dans ce qui suit, quelques résultats de base de synthèse d’observateurs
d’état.
10
1.3. Observateurs d’état des systèmes dynamiques
1.3.1 Observateur d’état de Luenberger

Considérons le système linéaire décrit par le système d’équations d’état suivant :
(
ẋ(t) = Ax(t) + Bu(t)
(1.12)
où x(t) ∈ <n , u(t) ∈ <m et y(t) ∈ <p sont respectivement les vecteurs d’état, de com-
mande et de sortie. De plus, les matrices A ∈ <n×n , B ∈ <n×m , C ∈ <p×n et D ∈ <p×m
sont respectivement les matrices d’état, de commande, de sortie et de transmission directe.
Pour la synthèse d’un observateur d’état, le système (1.3.5) est supposé observable. Ainsi,
il vient les équations d’état de l’observateur comme suit
(
ż(t) = Âz(t) + B̂u(t) + Ly(t)
(1.13)
x̂(t) = Ĉz(t) + Du(t) + M y(t)
où z(t) ∈ <q est le vecteur d’état de l’observateur avec q ≤ n et x̂(t) ∈ <n est son vecteur
de sortie. Â, B̂ et Ĉ sont des matrices constantes de dimensions convenables. L et M
désignent les matrices mettant en évidence la dépendance de l’observateur de la sortie
mesurée y(t).
Selon la dimension du vecteur d’observation d’état z(t) ∈ <q , l’observateur est dit d’ordre
plein si q = n. Il est dit d’ordre réduit si q < n.
Dans le cas où dim(z(t)) = dim(x̂(t)) = dim(x(t)) = n, l’observateur d’état, appelé

observateur de Luenberger d’ordre plein, est donné par léquation d’état suivante :
˙
x̂(t) = Âx̂(t) + B̂u(t) + Ly(t) (1.14)
En calculant l’erreur d’observation entre l’état réel et celui reconstruit telle que e(t) =
x(t) − x̂(t), il s’ensuit
ė(t) = Âe(t) + (A − LC − Â)x(t) + (B − B̂ − LD)u(t) (1.15)
Si les conditions Â = A − LC et B̂ = B − LD sont vérifiées, alors l’équation (1.15) est

exprimée par
ė(t) = Âe(t) (1.16)
Cette équation différentielle admet comme solution
e(t) = k0 eÂt (1.17)
où k0 représente l’erreur initiale d’observation.
Pour avoir une convergence asymptotique de l’observateur d’état vers l’état réel, il vient
la condition suivante :
lim e(t) = 0 (1.18)
t→∞
11
avec Â une matrice de Hurwitz.
L’observateur d’état (1.3.5) peut être alors exprimé par

˙
x̂(t) = Ax̂(t) + Bu(t) + L(y(t) − ŷ(t)) (1.19)
où ŷ(t) = C x̂(t) est le vecteur de sortie de l’observateur d’état en supposant que D = 0.
Notons que la matrice L, appelé gain d’observation, pondère l’écart entre la sortie réelle et
la sortie estimée. Une telle matrice fixe la dynamique de l’observateur d’état et son choix
s’avère déterminant pour améliorer les performances de l’observateur étudié. Il s’ensuit
donc le théorème suivant :
Théorème 1.1 [2]
Les valeurs propres de A − LC peuvent être fixées arbitrairement si et seulement si la
paire (A, C) est observable.
1.3.2 Observateur d’état à entrées inconnues

Dans la littérature, plusieurs travaux se sont focalisés sur les observateurs à entrées
inconnues, que ce soit afin de générer des résidus pour l’isolation et la détection de dé-
fauts [18], [19] ou afin de commander des systèmes en présence des perturbations [19], [20].
Dans ce paragraphe, nous nous intéressons à la présentation d’un observateur à entrée
inconnue sous une forme généralisée.
Considérons le système muni d’entrées inconnues présenté comme suit :

(
ẋ(t) = Ax(t) + Bu(t) + Df (t)
(1.20)
y(t) = Cx(t)
où x(t) ∈ <n , u(t) ∈ <m et y(t) ∈ <p sont définis précédemment. f (t) ∈ <r est le vecteur
d’entrées inconnues. Les matrices A ∈ <n×n , B ∈ <n×m , C ∈ <n×m sont constantes de di-
mension appropriés et D ∈ <n×r représente la matrice de distribution de l’entrée inconnue.
Un observateur d’état, utilisé pour l’estimation de x(t) en présence de l’entrée inconnue

f (t), est donné par [21]
(
ż(t) = N z(t) + Qu(t) + Ly(t)
(1.21)
x̂(t) = z(t) − Ey(t)
où z(t) ∈ <n représente l’état de l’observateur, x̂(t) ∈ <n représente l’état estimé,
N ∈ <n×n , Q ∈ <n×m , L ∈ <n×l et E ∈ <n×l sont des matrices constantes à déter-
miner.
Pour que l’erreur e(t) = x(t) − x̂(t) converge asymptotiquement vers 0 et en posant
P = In + EC, il vient le système suivant qui présente une condition suffisante de stabilité
en présence des entrées inconnues tel que [22]


 N est une matrice de Hurwitz
LC = P A − N P


(1.22)


 Q = PB
PD = 0

12
1.3.3 Observateur d’état bilinéaire

Les systèmes bilinéaires sont des systèmes particuliers. Ils sont linéaires en x(t) et en
u(t) mais ils sont non linéaires à la fois en x(t) et en u(t). La représentation d’état d’un
tel système est décrite par
 m
P
 ẋ(t) = Ax(t) + Bu(t) + Ni ui (t)x(t)
i=1 (1.23)
y(t) = Cx(t)

Ce système est supposé complètement observable. De plus, aucune hypothèse sur les
entrées n’est exigée. Alors, un observateur bilinéaire est proposé par [23] sous la forme
m m

P P
 ż(t) = Â + N̂i ui (t) z(t) + Ju(t) + B̂ + B̂i u(t) y(t)
i=1 i=1 (1.24)
x̂(t) = M z(t) + Ey(t)

avec z(t) le vecteur d’état de l’observateur et x̂(t) sa sortie.
L’erreur d’observation est donnée par
e(t) = z(t) − T x(t) (1.25)
où T est une matrice de dimension appropriée. Il vient alors la dynamique de l’erreur

d’observation comme suit
m
" #
X i
ė(t) = Â + N̂i ui (t) e(t) + (ÂT + B̂C − T A)x(t)
i=1
m
X
+ (N̂i T + Bi C − T Ni )ui (t)x(t) + (J − T B)u(t) (1.26)
i=1
D’après les travaux consignés dans [23], si les conditions suivantes sont vérifiées



 N̂i = 0
ÂT + B̂C − T A = 0


(1.27)




N̂i T + Bi C − T Ni = 0

J = TB
La dynamique de l’erreur d’observation devient
ė(t) = Âe(t) (1.28)
Ainsi, d’après (1.24) et (1.25), il s’ensuit que
x̂(t) = M z(t) + Ey(t) = (M T + EC)x(t) + M e(t) (1.29)
Pour obtenir en régime permanent x̂(t) = x(t), c’est-à-dire lim e(t) = 0, il faut que
t→∞
M T + EC = In (1.30)
Alors le système d’équations (1.23) ainsi que (1.26) forment les conditions d’existence de
l’observateur d’état bilinéaire du système (1.20).
13
1.3.4 Observateur d’état hybride

Le comportement mixte des systèmes hybrides rend la technique d’observation d’état
assez délicate. En effet, la présence d’une structure continue ainsi qu’une autre événemen-
tielle dans le même système peut engendrer des difficultés pour la reconstruction d’état.
Ainsi, un observateur hybride se présente comme une association de deux observateurs
continu et discret. Dans la littérature, la plupart des travaux ne tiennent pas compte de
la composante discrète tout en supposant que le système hybride est formé de plusieurs
sous-systèmes dont le mode actif est connu à chaque instant [24].
Pour mettre en exergue la technique d’observation d’état hybride, nous considérons le

système à commutation décrit par la représentation d’état suivante :
(
ẋ(t) = Aq(t) x(t) + Bq(t) u(t)
(1.31)
y(t) = Cq(t) x(t)
où q(t) ∈ {0, 1, . . . , m} représente l’indice de commutation du mode actif et par consé-
quent de s’octroyer de l’état discret à l’instant t. Les commutations sont supposées connues
à chaque instant mais arbitraires.
Un observateur hybride conçu pour le système (1.31) est donné par

˙
(
x̂(t) = Aq(t) x̂(t) + Bq(t) u(t) + Lq(t) (y(t) − ŷ(t))
(1.32)
y(t) = Cq(t) x̂(t)
Ainsi, il est nécessaire de déterminer les matrices gain d’observation Lq (t) qui permettent
d’assurer une dynamique stable de l’erreur d’observation décrite par
ė(t) = (Aq(t) − Lq(t) Cq(t) )e(t) (1.33)
La stabilité de chaque sous-système ne garantit pas la stabilité du système global. En
outre, pour garantir la stabilité d’un tel système, on a souvent recours aux fonctions de
Lyapunov. L’existence d’une telle fonction quadratique (commune ou multiple) représente
une condition suffisante de stabilité. L’analyse de la stabilité peut souvent être formulée
en termes d’inégalités matricielles linéaires (LMIs) [25].
Afin d’aborder cette approche, il vient l’utilisation d’une fonction de Lyapunov quadra-
tique commune définie par
V (e(t)) = e(t)T P e(t) (1.34)
où P = P T > 0.
La stabilité est garantie si cette condition est verifiée

V̇ (e(t)) < 0 (1.35)
Ce qui conduit à la résolution des LMI suivantes [26] :
(Ai − Li Ci )T P + P (Ai − Li Ci ) < 0 (1.36)
pour i = 0, 1, . . . , m.
14
1.3.5 Observateur d’état par intervalles

Les deux dernières décennies ont témoigné l’apparition d’une nouvelle approche d’ob-
servation d’état [27] , [28], il s’agit de l’observateur par intervalles. Les premiers travaux
en rapport avec cette approche d’observation reviennent à l’année 2000. Dès lors de nom-
breux travaux sont développés pour la conception des techniques d’observation par inter-
valles [29].
L’observateur par intervalle consiste à un système dynamique auxiliaire fournissant une

borne supérieure et une borne inférieure des variables d’état estimées. Il fonctionne par
paire de systèmes supérieur et inférieur qui sont aussi connus par les bornes supérieure
et inférieure. Lorsqu’il existe des incertitudes, telles que celles causées par des perturba-
tions externes ou par inadéquation entre le modèle et le système réel, les observateurs
qui ne sont pas robustes vis-à-vis de ces incertitudes ne peuvent pas donner l’effet es-
compté et reproduire convenablement les états non mesurables. Ainsi, des observateurs
par intervalles peuvent être utilisés en présence d’incertitudes affectant le comportement
du système étudié, [30], [31].
Considérons le système non linéaire défini par

(
ẋ(t) = f (x(t), u(t), w(t))
(1.37)
y(t) = h(x(t), v(t))
avec w(t) ∈ <r et v(t) ∈ <q respectivement les perturbations appliquées à l’état et à
la sortie du système étudié. Les conditions initiales d’un tel système vérifient x(0) = x0 .
Pour la synthèse de l’observateur par intervalle, nous considérons les conditions suivantes :
w(t)− ≤ w(t) ≤ w(t)+ (1.38)

v(t)− ≤ v(t) ≤ v(t)+ (1.39)
x−
0 ≤ x0 ≤ x0
+
(1.40)
Définition 1.9 [32]

Considérons le système (1.37) avec les conditions (1.38), (1.39) et (1.40) alors le système
qui suit
(
ẋ+ (t) = f + (x(t)− , x(t)+ , w(t)− , w(t)+ , v(t)− , v(t)+ , u(t), y(t))
(1.41)
ẋ− (t) = f − (x(t)− , x(t)+ , w(t)− , w(t)+ , v(t)− , v(t)+ , u(t), y(t))
est un observateur par intervalle de (1.37). Dans le cas où les perturbations w(t) et
v(t) sont nulles, il existe un réel positif κ tel qu’il existe τ > 0 qui vérifie

x (t) − x− (t)
+
≤ κ ∀t ≥ τ (1.42)

Dans d’autres travaux, issus de la littérature, le système non linéaire considéré est décrit
par la représentation d’état qui suit [33], [17], [34], [35].
(
ẋ(t) = Ax(t) + Φ(u(t), y(t), θ(t))
(1.43)
y(t) = Cx(t)
15
avec Φ(t) ∈ <n une fonction continue en u(t), y(t) et θ(t) où θ(t) représente les
paramètres variables assujettissant sur le système.
Hypothèse 1.1 [17]
Les bornes supérieure et inférieure de l’état initial, notées respectivement x+ (0) et x− (0),
sont choisies telles que
x− (0) ≤ x(0) ≤ x+ (0)
Hypothèse 1.2 [17]

La paire (A, C) est supposée observable.
Hypothèse 1.3 [33]

Le gain d’observation est déterminé tel que la matrice A − LC soit de Hurwitz et du type
Metzler.
Hypothèse 1.4 [33]

Les deux fonctions Φ+ (t) et Φ− (t) sont tels que
Φ− (t) ≤ Φ(t) ≤ Φ+ (t) ∀t ≥ 0

Si un observateur assure le cadrage de l’état réel par deux trajectoires inférieure et su-
périeure ainsi que la convergence de ces deux trajectoires vers l’état réel du système
considéré, alors il est dit observateur par intervalles.
Théorème 1.2 [36]
Supposons que les hypothèses (1.1), (1.2), (1.3) et (1.4) sont satisfaites, alors le système
suivant : (
ẋ+ (t) = Ax+ (t) + Φ+ (t) + L(y(t) − Cx+ (t))
(1.44)
ẋ− (t) = Ax− (t) + Φ− (t) + L(y(t) − Cx− (t))
est un observateur par intervalles tel que x− (t) ≤ x(t) ≤ x+ (t), ∀t ≥ 0, où x+ (t) et x− (t)
sont respectivement ses bornes supérieure et inférieure et L est son gain d’observation. Le
cas des observateurs par intervalles des systèmes linéaires est aussi étudié dans plusieurs
travaux [35].
Soit le système linéaire perturbé décrit par la représentation d’état suivante :

(
ẋ(t) = Ax(t) + Bu(t) + w(t)
(1.45)
y(t) = Cx(t) + v(t)
où w(t) ∈ <r et v(t) ∈ <q représentent respectivement les perturbations sur l’état et sur
la sortie du système.
L’objectif est de concevoir un observateur par intervalles pour le système linéaire (1.45).
Ainsi, les hypothèses suivantes sont considérées.
16
Hypothèse 1.5
Les perturbations et les bruits de mesure sont caractérisés par
|w(t)| ≤ w+ (t) et |v(t)| ≤ V− ∀t ≥ 0 (1.46)
où w+ (t) ∈ <n , w+ (t) ≥ 0 et V + est un réel positif.
Hypothèse 1.6
Il existe un gain L tel que la matrice A − LC est de Metzler. Ainsi, l’observateur par
intervalles englobant la paire d’équations d’état est désigné par
(
ẋ+ (t) = (A − LC)x+ (t) + Bu(t) + w+ (t) + Ly + |L|V +
(1.47)
ẋ− (t) = (A − LC)x− (t) + Bu(t) − w+ (t) + Ly − |L|V +
La borne supérieure de l’erreur d’observation entre l’état réel et celui estimé est exprimée
par
e+ (t) = x+ (t) − x(t) (1.48)
La dérivée de (1.48) est développée comme suit
ė+ (t) = ẋ+ (t) − ẋ(t)

= (A − LC)x+ (t) + Bu(t) + w+ (t) + L(Cx(t) + v(t)) + |L|V + − Ax(t) − Bu(t) − w(t)
= (A − LC)e+ (t) + φ+ (1.49)
où φ+ = w+ (t) − w(t) + Lv(t) + |L|V + .
D’autre part, la borne inférieure de l’erreur d’observation est définie par
e− (t) = x(t) − x− (t) (1.50)
Il s’ensuit donc
ė− (t) = ẋ(t) − ẋ− (t)

= Ax− (t) + Bu(t) − (A − LC)x− (t) − Bu(t) − L(Cx(t) + v(t)) + |L|V + + w+ (t)
= (A − LC)e− (t) + φ− (1.51)
avec φ− = w(t) + w+ (t) − Lv(t) + |L|V + .
Notons que le système (1.47) doit valider à la fois la positivité et la convergence asymp-
totique de l’erreur d’observation. Ainsi, les théorèmes suivants sont proposés pour la
vérification de ces deux conditions.
Théorème 1.3
Considérons le système (1.45) et supposons que les hypothèses 1 et 2 sont vérifiées. Si la
condition initiale vérifie x− +
0 ≤ x0 ≤ x0 et le gain d’observation L est calculé tel que la
matrice (A − LC) est de Metzler, alors les inégalités suivantes sont vérifiées.
x− (t) ≤ x(t) ≤ x+ (t) ∀t ≥ 0 (1.52)
17
De plus, en se basant sur l’hypothèse 1, ∀v(t) ∈ <p , il vient alors
−|L|V + ≤ Lv(t) ≤ |L|V + (1.53)
Les perturbations w(t) vérifient w+ − w(t) ≥ 0 et w(t) + w+ ≥ 0. De plus, le bruit de

mesure v(t) vérifie |L|V + + Lv ≥ 0 et |L|V + − Lv ≥ 0, les matrices φ+ et φ− vérifient
φ+ = w+ − w + |L|V + + Lv ≥ 0 et φ− = w + w+ + |L|V + − Lv ≥ 0.
Ainsi, si le gain d’observation L est choisi tel que (A − LC) est de Metzler, et x− +
0 , x0
− +
sont choisis tels que e0 , e0 sont définies positives, alors e− (t) ≥ 0, e+ (t) ≥ 0 et x− (t) ≤
x(t) ≤ x+ (t) ∀t ≥ 0.
Afin d’assurer le convergence d’un tel observateur, le théorème suivant est proposé.
Théorème 1.4
S’il existe une matrice P = P T ≥ 0 et les paramètres réels positifs α, β, σ, µ et en consi-
dérant que Z = P L telle que l’inégalité matricielle linéaire (LMI) qui suit est faisable.

AT P + P A − C T Z T − ZC P

P P P
P −αI 0 0 0
 
 
 

 P 0 −βI 0 0 
 <0 (1.54)

 P 0 0 −σI 0 

P 0 0 0 −µI
Alors, le système (1.47) représente un observateur par intervalles globalement asymptoti-

qment stable du système (1.45).
1.4 Détection de défauts des systèmes dynamiques

1.4.1 Types de défauts
Un défaut est un évènement qui peut survenir dans les différentes parties du système.
Il est défini comme un écart non autorisé d’au moins une propriété ou un paramètre
caractéristique du système par rapport à la condition acceptable, habituelle ou standard.
D’une manière générale les défauts dans un système sont classée selon trois catégories
comme le montre la figure 1.2.
1.4.1.1 Défauts de capteurs
C’est le défaut prépondérant qui affecte plus le système. En effet, une lecture incorrecte
de mesure d’un capteur ou une détérioration de ce dernier ou encore un mauvais étalonnage
provoque de fausses alertes pour le système. La plupart des défaillances qui affecte un
capteur est classée sous deux catégories : le défaut partiel tel qu’un mauvais étalonnage
ou une mauvaise mise en échelle et le défaut total caractérisant la détérioration totale du
capteur.
18
1.4. Détection de défauts des systèmes dynamiques
Figure 1.2 – Classification des défauts
1.4.1.2 Défauts d’actionneurs
C’est une perte partielle ou totale de l’efficacité de l’action de commande de l’action-

neur due à un problème extérieur ou intérieur tel que par exemple le problème de l’usure
des roulements ou des engrenages de transmission dans un moteur électrique.
1.4.1.3 Défauts de composants
C’est tous simplement tous les défauts qui ne peuvent pas être classée parmi les défauts
de capteurs ou les défauts de l’actionneur. En général, c’est la conséquence d’un change-
ment de paramètres physiques des différents composants du système due au vieillissement
de tels composants par exemple.
Notons que les défauts peuvent être additifs ou multiplicatifs. Pour le premier cas le dé-
faut est considéré comme un signal externe supplémentaire donc il représente une entrée
inconnue. Dans ce cas le système de diagnostic doit se baser sur la technique d’observa-
teurs à entrées inconnues. Dans le deuxième cas, le défaut peut être multiplicatif ce qui
représente un écart entre la valeur réelle mesurée et la valeur normalement délivrée par
le capteur.
En outre, les défauts peuvent être classée en fonction de leurs évolutions dans le temps.
Dans ce cadre, il existe trois classes de défauts dont la première est connue sous le nom
de défaut brutal (figure 1.3-a). Ce genre de défaut se manifeste rapidement par rapport à
la dynamique nominale du système. Il affecte la stabilité du système c’est pour cela qu’il
faut les détecter avant que le système ne soit affecté d’une manière critique. Quant à la
deuxième classe, appelée défaut naissant, est représentée par la figure 1.3-b). Contraire-
ment au défaut brutal, ce défaut est très lent mais il peut causer ultérieurement de graves
endommagements au système. La dernière classe représente les défauts intermittents (fi-
gure 1.3-c) qui apparaissent et disparaissent rapidement avec une fréquence très élevée.
19
Figure 1.3 – Types de défauts
1.4.2 Techniques adoptées pour la détection de défauts

Plusieurs techniques de détection des défauts ont été étudiées dans la litérature. Parmi
les plus connues, il y a
• Les techniques basées sur la redondance des composants [37] ;
• Les techniques basées sur les signaux [38] ;
• Les techniques basées sur les observateurs d’état [39].
Notons que ces différentes approches seront présentées dans ce qui suit mais l’accent
sera mis essentiellement sur l’approche à base d’observateurs d’état, et ce compte tenu
des objectifs visés quant à la synthèse des techniques d’observation d’état et de détection
des défauts des systèmes dynamiques.
1.4.2.1 Détection de défauts basée sur la redondance des composants

Ce genre de diagnostic se base sur une méthode simple qui consiste à faire une autre
copie des composants (une redondance matérielle) et mesurer la différence de signaux
entre les composants de base et leurs copies. Si l’écart est différent de zéro alors un défaut
est signalé. De même, elle permet d’isoler les défaut mais elle s’avère très couteuse. Une
illustration de cette méthode est donnée par la figure 1.4.
Figure 1.4 – Détection des défauts basée sur la redondance des composants
20
1.4. Détection de défauts des systèmes dynamiques
1.4.2.2 Diagnostic des défauts en se basant sur les signaux

L’idée essentielle de cette méthode est d’analyser la signature temporelle ou fréquen-
tielle des signaux du système. Dans le domaine temporelle, la moyenne arithmétique ou
quadratique d’un signal ainsi que des seuils peuvent être fixés pour détecter les défauts.
Dans le domaine fréquentiel, il s’agit d’analyser la densité et la puissance spectrale du

signal ou les raies spectrales de fréquences. Cette méthode est limitée lorsque le système
possède une large gamme de signaux avec des variation très importantes.
La figure 1.5 illustre l’approche de diagnostic à base des signaux [Référence].
Figure 1.5 – Diagnostic des défauts en se basant sur les signaux
1.4.2.3 Détection des défauts à base d’observateurs d’état

Plusieurs approches de détection des défauts ont été développées dans la littérature
telles que les approches basées sur la parité ou sur l’estimation de paramètres du sys-
tème. Cependant, la technique qui se base sur les observateurs d’état pour la détection
de défauts reste actuellement la méthode la plus fiable et la plus facile à implémenter
en pratique notamment lorsque l’application demande des contraintes temps réel assez
sévères. En effet, dans les systèmes industriels plusieurs défaut peuvent apparaître en ce
qui concerne les capteurs et/ou les actionneurs, etc.
La détection de ces défauts ainsi que leur isolation et identification est un objectif princi-
pal pour toute installation industrielle. La technique de détection, exposée dans ce para-
graphe, consiste à estimer, à l’aide d’un observateur d’état, les sorties et à les comparer
avec les sorties mesurées. Ainsi, le système génère des résidus sensibles aux défauts comme
le montre la figure 1.6.
D’autre part, un processus est généralement formé de plusieurs composants de types mé-
canique, électronique ou autres. Le nombre de capteurs et d’actionneurs savère alors assez
important. Un tel processus est souvent soumis à des contraintes qui peuvent nuire à son
21
Figure 1.6 – Détection de défauts à base d’observateurs d’état
bon fonctionnement tels que les défauts. En effet, des perturbations externes ou parfois
intense au système (vieillissement de certains composants) peuvent entraîner une dégra-
dation remarquable du système, c’est pour cette raison que nous nous focalisons sur le
diagnostic et la détection des défauts à base d’observateurs d’état. Ainsi, la procédure de
diagnostic passe par trois étapes essentielles qui sont la détection, l’isolation et l’identifi-
cation de défauts.
1.5 Présentation du système de gestion d’énergie de

voitures hybride et tout électrique
Le trafic routier augmente exceptionnellement partout dans le monde, ce qui rend
l’épuisement des énergies fossiles en hydrocarbure assez préoccupant. Par conséquent, il
y a une augmentation manifeste du dégagement de CO2 accentuant ainsi le problème de
réchauffement climatique. C’est dans ce contexte que la majorité des constructeurs au-
tomobiles cherchent l’électrification de leur modèle afin d’avoir des véhicules propres tels
que ceux utilisant des batteries ou des piles à combustible. L’intégration d’une deuxième
source d’énergie dans la voiture à moteur thermique n’est pas aussi simple et sa com-
mande devient très délicate pour assurer une répartition optimale des différentes sources
d’énergie pour la minimisation de la consommation en carburant et la diminution maxi-
male de dégagement du CO2 .
D’autre part, de nombreuses architectures ont vu le jour afin de répondre à ces exigences.
Ainsi, compte tenu de l’évolution de l’électronique embarquée, la commande de ce genre de
véhicules devient de plus en plus performante. En outre, l’évolution de la technologie des
batteries et des supercondensateurs rend le problème de gestion de l’énergie embarquée
de plus en plus probant [40],
1.5.1 Les véhicules hybrides

La première voiture hybride a vu le jour en 1905. A cette époque H. Piper a conçu
un véhicule thermique supplier par un moteur électrique afin de surpasser une vitesse
de 40Km/h. Toutefois et vu l’énorme évolution des performances du moteur thermique,
22
1.5. Présentation du système de gestion d’énergie de voitures hybride et tout électrique
cette idée a été rapidement délaissée.
Ce n’est qu’en 1970 que plusieurs constructeurs Européens et Japonais ont commencé
à revoir ce concept en vue de minimiser les dégagements de CO2 et de réduire la consom-
mation du carburant. Pendant 20 ans, les grands constructeurs ont cherché à trouver
des solutions pratiques pour mettre en œuvre un tel concept, et ce n’est qu’en 1997 que
le constructeur Japonais "Toyota" a mis sur le marché le premier modèle d’une voiture
hybride s’agissant de la "Toyota Prius" qui a été vendue pour plus d’un million d’exem-
plaires. Dès lors, l’évolution de ce genre de voiture ne cesse d’augmenter surtout avec
l’augmentation de la puissance de traction des bus et des poids lourds hybrides ainsi que
leurs autonomies.
1.5.1.1 Principe de fonctionnement

L’idée principale de ce véhicule est la combinaison de deux ou plusieurs sources d’éner-
gies ensemble afin de tirer profit des avantages de chacune d’elles. Une voiture hybride
combine en générale un moteur thermique avec un moteur électrique pour assurer la pro-
pulsion. Ce qui permet de réduire la consommation du fuel et par conséquent de réduire le
dégagement de CO2 . De même, la présence d’un moteur électrique à bord de ce véhicule
réduit la taille du moteur thermique [41].
La gestion des flux énergétiques entre le moteur électrique et le moteur thermique ainsi
que les moyens de stockage à bord sont traités par un système de gestion d’énergie qui
représente la plaque tournante du véhicule hybride [42]. L’idée de base de ce véhicule est
la combinaison de deux ou plusieurs sources d’énergies afin de combiner les avantages de
différentes sources [43].
1.5.1.2 Classification des voitures hybrides

Plusieurs classifications des voitures hybrides ont été proposées dans la littérature.
Parmi les plus importantes, il y a la classification par taux d’hybridation et la classification
par architecture de la chaîne de traction.
Classification par taux d’hybridation :

Dans ce genre de classification, on calcule le rapport entre la puissance électrique et la
puissance mécanique totale développée par la voiture pour avoir le taux d’hybridation.
Dans ce type de classification, il y a quatre niveaux technologiques d’hybridation.
• Micro hybride : Pendant les phases d’arrêts, un système électronique assure une fonc-
tion "start and stop" qui permet la coupure et le démarrage du moteur thermique d’une
manière automatique. C’est une conception destinée pour un véhicule qui circule en ville
(embouteillage, beaucoup d’arrêt au feu de carrefour, etc.) [44]. Son principal avantage
réside dans le gain de la consommation de carburant, mais la limitation de la récupération
de l’énergie pendant les phases de freinage constitue son principal inconvénient [45], [46].
• Mild hybride : Dans ce type de véhicule, il se trouve à la fois le système "stop and start"
23
du micro hybride et la présence d’un moteur électrique qui apporte un couple supplémen-
taire pendant les phases de démarrage ou d’accélération. Ceci engendre une réduction de
la taille du moteur thermique et une augmentation de la tension de la batterie à cause
du besoin d’une puissance électrique plus importante que l’architecture Micro hybride. Le
moteur électrique remplace l’alterno-démarreur qui constitue ainsi un système de récupé-
ration d’énergie au freinage [47].
• Full hybride : Ce type d’hybridation est quasi identique à celui du mild hybride. La
seul différence réside dans la puissance du moteur électrique qui augmente considérable-
ment afin d’assurer la traction sans l’intervention du moteur thermique, et en particulier
dans les trajectoires qui ne nécessite pas une grande vitesse telle que la circulation en
ville [48], [49]. La gestion d’énergie dans ce genre d’hybridation est très importante. En
effet, il faut définir une stratégie pour répartir la puissance demandée par le véhicule
afin de minimiser la consommation en carburant. Un algorithme temps réel doit être
implémenté pour gérer la gestion d’énergie embarquée. Les gains en carburant peuvent
dépasser les 10%, de même la réduction d’émission de CO2 diminue considérablement [50].
• Plug-in hybride : Dans ce genre d’hybridation une batterie de forte capacité re-
chargeable par le réseaux électrique est présente dans le système de gestion d’énergie.
Ainsi, l’utilisation totale de la charge de la batterie est permis dans cette catégorie d’hy-
bridation. Dans ce genre de configuration, il y a combinaison des avantages à la fois du
full hybride et de la voiture entièrement électrique [51]. Le problème de l’autonomie de la
batterie (entre 30 et 150Km) reste un inconvénient majeur de cette hybridation [52], [53].
La Figure 1.7 résume les différentes caractéristiques de chaque véhicule en fonction de

son taux d’hybridation.
Figure 1.7 – Taux d’hybridation des véhicules hybrides
Classification par architecture des véhicules hybrides :

L’architecture de la chaîne de traction influe directement la complexité de la stratégie
de commande du véhicule ainsi que la gestion d’énergie entre les différentes parties de
24
la chaîne, ce qui influe directement le rendement du véhicule. Dans la littérature, trois

architectures ont été proposées pour la chaîne de traction :
• Hybride série : L’architecture de la chaîne de traction hybride série est la plus simple
parmi les architectures proposées. A travers des convertisseurs statiques unis et bidirec-
tionnelles (buck et buck/boost). Le flux de puissance des différentes sources d’énergie se
met en commun afin d’assurer la traction [54]. Dans cette architecture, le moteur ther-
mique n’a pas de liaison mécanique directe avec les roues, ce qui nous permet de le faire
fonctionner avec un rendement maximal quelle que soit la puissance de traction demandée.
Ainsi, via cette spécification cette achitecture se rapproche d’une voiture tout électrique.
Le fonctionnement d’un véhicule, adoptant cette architecture, passe essentiellement par

deux phases : La première est une phase d’accélération pendant laquelle la totalité de la
puissance demandée est fournie conjointement par le moteur thermique et les batteries.
Tandis que la deuxième est une phase de freinage ou on peut récupérer de l’énergie méca-
nique est la convertir en énergie électrique à travers des convertisseurs statiques réversibles
buck/boost pour recharger la batterie.
La figure 1.8 représente l’architecture hybride série. Son principal avantage réside dans la
simplicité de la gestion d’énergie entre les différents éléments de la chaîne mais la cascade
de ces derniers diminue énormément le rendement.
Figure 1.8 – Architecture hybride série
• Hybride parallèle : L’architecture de la chaîne de traction hybride parallèle est très

compacte. En effet, le moteur électrique et le moteur thermique sont reliés à l’arbre des
roues par l’intermédiaire d’un couplage mécanique. Dans cette architecture la propulsion
peut être assurée par le moteur thermique uniquement ou par le moteur électrique uni-
quement ou par les deux en même temps, ce qui rend la commande de ce type de véhicule
très souple. De même le rendement est très élevé par rapport à l’architecture série [55].
Il est à signaler aussi que dans cette architecture le moteur électrique est souvent uti-
lisé pour les grandes vitesses alors que le moteur électrique fonctionne pendant les faibles
vitesses. En cas d’une demande forte de puissance (cas d’accélération), les deux moteurs
fonctionnent ensemble pour satisfaire les demandes d’énergie du véhicule. Pendant les
25
phases de freinage, le moteur thermique est découplé et le moteur électrique fonctionne

en tant que générateur, ce qui nous permet de récupérer de l’énergie et la stocker dans le
pack super-condensateur ou charger les batteries [56]. Le schéma de cette architecture est
donné par la figure 1.9. Dans cette architecture la recharge de la batterie se fait de deux
Figure 1.9 – Architecture hybride parallèle
manières différentes : la première par l’intermédiaire du moteur électrique qui se trans-

forme en générateur. La deuxième se fait pendant les phases de freinage ou on récupère
de l’énergie mécanique et on la transforme en électrique ce qui nous permet de recharger
la batterie à travers des convertisseurs statiques.
• Hybride mixte : Cette architecture combine les avantages des deux architectures
série et parallèle. Le véhicule fonctionne en mode série pour les faibles vitesses et en
mode parallèle pour les grandes vitesses. Un embrayage ou un train épicycloïdal est mis
en œuvre entre le moteur thermique et la transmission. En effet, dans cette architecture
l’embrayage permet de basculer entre les deux architectures série ou parallèle tandis que
le train épicycloïdal assure la répartition en continu de l’énergie développée par le moteur
thermique et électrique. L’inconvénient de cette architecture réside dans la complexité et
le dimensionnement des différents composants de la chaîne, ce qui rend la gestion d’éner-
gie de ce type de véhicule assez délicate et par conséquent le coût de revient augmente
considérablement par rapport à d’autres architectures. La figure 1.10 représente l’archi-
tecture de cette configuration.
• Hybride complexe : D’une façon similaire aux caractéristiques principales de la confi-

guration hybride série-parallèle, la seule différence des véhicules hybrides complexes est
que leur générateur peut aussi fonctionner comme un moteur électrique et peut générer
de la puissance mécanique (dans les structures VEH série–parallèle, le flux de puissance
du générateur électrique est unidirectionnel et en VEH complexe il est bidirectionnel). La
figure 1.11 représente l’architecture de cette configuration.
26
Figure 1.10 – Architecture hybride mixte
Figure 1.11 – Architecture hybride complexe
1.5.2 Les véhicules électriques

1.5.2.1 Principe de fonctionnement
La chaîne de traction d’une voiture électrique est formée essentiellement par une
source de stockage (batterie) et un moteur électrique accouplé mécaniquement par un
dispositif de transmission aux roues. Un convertisseur réversible en courant (buck/boost)
est intercalé entre le moteur et la batterie pour assurer la transmission des flux énergé-
tiques [57], [58]. Le schéma de la figure 1.12 illustre l’architecture de cette chaîne.
Cette configuration est dédiée principalement à la circulation urbaine. En effet, avec l’ab-
sence totale d’émission de CO2 ainsi que l’absence quasi totale de nuisance sonore, la
voiture toute électrique se présente comme une solution idéale pour circuler en ville. Mais
sa faible autonomie liée à la faiblesse des performances des accumulateurs électriques qui
disposent d’une énergie massique inférieure à 120W h/Kg (contre 12000W h/Kg fournie
par les carburants pétroliers), la rend moins utilisée que les véhicules hybrides. De même,
l’absence d’infrastructure de recharge et les temps requis pour effectuer cette dernière ainsi
que le coût très élevé présentent des inconvénients majeurs de cette solution [59], [60].
27
Figure 1.12 – Voiture électrique
Dans la dernière décennie, la progression technologique des accumulateurs a remédié à

ces inconvénients. En effet, les batteries fournies par l’entreprise Tesla tel que le "Power
wall" (qui peut stocker 14Kw/h) et le "power pack" (qui peut stocker jusqu’à 210Kw/h)
ont permis de développer ce type de véhicule et d’augmenter son autonomie. De même,
l’invention des sur-chargeurs ont limité les temps requis pour la recharge de batterie ce
qui a joué un rôle très important dans le développement des voitures électriques [61].
1.5.2.2 Architectures des véhicules électriques

Plusieurs architectures ont été développées pour les voitures électriques qui dépendent
essentiellement de la chaîne de traction. L’idée générale est d’assurer le maximum de
transmission d’énergie développée par le moteur électrique en couple mécanique de forte
puissance citons parmi elles les architectures ci-après.
Architecture avec boite de vitesse mécanique :

La présence d’une boite de vitesse entre le moteur et l’arbre de transmission permet de
réduire la puissance donc la taille du moteur électrique. Un embrayage est intercalé entre
le moteur et la boite de vitesse. La structure de cette architecture est donnée par la figure
1.13.
Architecture avec réducteur à rapport fixe :

Cette solution livre un meilleur couple que celle d’une boite de vitesse. Le schéma de cette
configuration est donné par la figure 1.14. L’inconvénient de ce genre de solution réside
dans le dimensionnement du moteur électrique qui devient plus puissant afin de livrer un
couple mécanique assez important.
Architecture multi-moteurs :
Dans cette architecture, le moteur est accouplé soit directement aux roues soit par l’inter-
médiaire d’un réducteur à rapport fixe. Cette configuration permet une grande souplesse
de commande vue la grande liberté de commander chaque moteur à part. Mais le nombre
de moteur entraîne forcement une augmentation considérable du coût de l’installation. Le
schéma de cette structure est donné par la figure 1.15.
28
Figure 1.13 – Architecture avec boite de vitesse mécanique
Figure 1.14 – Architecture avec réducteur à rapport fixe
1.5.3 Constitutifs d’un système de gestion d’énergie d’un véhi-

cule hybride
L’association du moteur électrique et du moteur thermique engendre une complexité
de la commande du système de gestion d’énergie d’une voiture hybride, et ce afin d’as-
surer les différentes transitions des flux énergétiques entre les différents composants pour
répondre à tous les scénarios possibles.
29
Figure 1.15 – Architecture multi-moteurs
Au cours de la circulation, les véhicules hybrides passent par plusieurs modes de fonc-
tionnement tels que les démarrages, les freinages, la circulation en ville (embouteillage),
la circulation dans des autoroutes, ce qui nécessite une électronique intelligente pour com-
mander et contrôler ces différentes phases. Un système de gestion d’énergie en temps réel
doit être implémenté afin d’assurer la gestion des flux énergétiques en tenant compte
des contraintes électriques et thermiques. Un tel système doit permettre le stockage et le
contrôle de l’énergie. La plupart des systèmes existant utilisent deux technologies diffé-
rentes : la première assure une puissance importante et disponible pour des durées assez
longues, alors que la deuxième est moins importante utilisée pendant les phases de courte
durée tel que les démarrages et les accélérations.
Le système de gestion d’énergie dans un véhicule hybride est formé de plusieurs éléments
technologiques de production et stockage de l’énergie, ainsi que des dispositifs électriques
(des convertisseurs statiques) qui assurent le transfert de l’énergie entre les différents élé-
ments. Pour assurer le stockage, deux technologies sont proposées à savoir le stockage
chimique telles que les piles à combustible et les batteries, et le stockage électrochimique
tels que les supercondensateurs. En effet, l’évolution technologique de ces deux supports,
ces dernières années, a permis d’augmenter la capacité de stockage embarquée au niveau
du véhicule ce qui agit directement sur l’autonomie et la diminution de la consommation
des carburants ainsi que le dégagement du CO2 . Dans ce qui suit nous présentons succinc-
tement les différentes technologies utilisées dans ces systèmes pour permettre de produire
et de stocker l’énergie.
Pour la production de l’énergie électrique à bord du véhicule, les premiers modèles de voi-
ture hybride ont utilisé la pile à combustible. Toutefois et à cause de leur non-réversibilité
en courant, la récupération d’énergie pendant les phases des freinages est interdite. Pour
remédier à cet inconvénient, la plupart des piles à combustible dans les chaînes de traction
sont hybridées par des batteries ou des supercondensateurs afin de récupérer de l’énergie.
30
Dans ce paragraphe, nous traitons le système de production de l’énergie électrique tel

que les piles à combustibles ainsi que les différents systèmes de stockage qui permettent
d’hybrider la pile. De même, la batterie li-ion qui demeure actuellement l’élément le plus
intéressant dans la conception d’une chaîne de traction est présentée.
1.5.3.1 Pile à combustible (PAC)

Au cours de cette dernière décennie, la pile à combustible a été proposée comme une
solution de production d’énergie pour les voitures hybrides grâce à son rendement ainsi
qu’une émission très limitée de gaz. En effet, ce type de pile reste en fonction tant que
son alimentation en carburant (le combustible en générale c’est l’hydrogène) est main-
tenu. Donc, il peut fournir de l’énergie à bord du véhicule pour des distances très longues
par rapport à d’autres solutions. L’énergie électrique est obtenue suite à une conversion
directe de l’énergie libre dans le carburant sans combustion [62].
Le principe de l’électrolyse inversé (réaction chimique entre l’oxygène et l’hydrogène)

constitue l’idée principale de la PAC pour fournir de l’électricité. En effet, le contact d’un
électrolyte avec deux électrodes permet de générer de l’électricité par une cellule élémen-
taire qui constitue en général le noyau de la pile.
Quant au principe de fonctionnement d’une PAC, il est caractérisé par la figure 1.16.
Une cathode et une anode séparée par un électrolyte qui assure le transfert du cou-
rant [63], [64]. En effet, un flux d’électrons qui part de l’électrode positive en contact avec
l’hydrogène vers une deuxième électrode en contact avec de l’air riche en oxygène génère
un flux d’électron considérable entre les deux électrodes [65].
L’électricité est fournie par le déplacement des protons d’hydrogènes H + vers la ca-
Figure 1.16 – Fonctionnement d’une PAC
thode où il se recombine avec les électrons de l’oxygène, ce qui dégage de la chaleur. Pour
assurer le bon fonctionnement d’une PAC il faut assurer l’alimentation permanente de
31
l’hydrogène ainsi que de l’oxygène. De même il faut assurer l’évacuation de la chaleur par
un système de refroidissement adéquat [66], [67].
1.5.3.2 Batteries Li-ion

Dans les applications embarquées, la batterie reste un élément essentiel du système,
pour la voiture hybride et les voitures toute électriques les constructeurs ont proposées
plusieurs technologies telles que les batteries NI-CD, Plomb-Acide, NI-MH, Li-Ions. Mais
en comparant les caractéristiques de chacune, la batterie Li-ion dépasse toute les autres
technologies [68], [50].
Le concept principal de cette batterie se base sur l’échange réversible d’ions de lithium par
un processus chimique entre une électrode positive et une électrode négative lors de cycles
de charge/décharge. Le principe de fonctionnement de la réaction électrochimique réside
dans l’injection sous forme d’ions (Li+) dans la structure cristalline (en graphite) [69].
Pendant la phase de charge, le Lithium est relâché du graphite. Il migre vers le réseau
cristallin de l’électrode positive. Par contre, pendant la phase de décharge les ions Li+
réintègrent la structure en graphite. La réaction chimique suivante résume les différentes
interactions dans la batterie d’une manière globale [70], [71].
1.5.3.3 Super-condensateurs
Le super-condensateur utilise le phénomène de la double couche électrique pour sto-
cker l’énergie électrique. C’est un dispositif d’appui qui peut avoir des valeurs de capacité
très élevée, il a une énergie massique très importante. Ce composant a une meilleure cy-
clabilité (réaction chimique très limité) que les autres éléments de stockage disponibles
sur le marché [72], [73].
Les super-condensateurs permettent d’absorber et de fournir des énergies impulsionnelles

très importantes. En effet, leur décharge peut être faite en quelque seconde à partir d’une
charge complète, ce qui les rend très efficace dans un système de gestion d’énergie dans un
véhicule hybride. Pendant les phases de démarrage, le super-condensateur permet de four-
nir de l’énergie au système, alors que pendant le freinage, on peut récupérer de l’énergie
rapidement grâce à son temps de recharge très rapide par rapport à une batterie classique.
De même, la durée de vie (nombre de charge/décharge) d’un super-condensateur est trop
élevée (>5000000 cycles). Mais à cause de leurs faibles capacités de stockage, ils peuvent
être utilisée uniquement en tant que source auxiliaire et non pas une source principale
dans la chaîne de traction [74], [75].
Différentes technologies de super-condensateur ont été proposées par les constructeurs

qui dépend essentiellement de la technologie des électrodes et de l’électrolyte. Les détails
de ces technologies sont présentés dans [76].
1.5.4 Stratégies de gestion d’énergie dans les véhicules hybrides

La répartition du flux d’énergie entre les différentes sources d’énergie embarqué dans
le véhicule hybride constitue un point crucial dans l’optimisation du fonctionnement d’un
32
tel système. En effet, il faut trouver à chaque instant la meilleure répartition entre les difé-
rentes organes du système. L’hybridation de ces sources pemet de donner plusieurs degrés
de liberté pour mieux optimiser cette gestion selon des stratégies et des critères bien dé-
terminés. L’intervention de plusieurs critères de performance peuvent influencer le choix
de cette gestion. Ainsi, il vient, pa exemple, le critère relatif à la consommation de com-
bustible tel que l’hydrogène pour une PAC ou le fuel pour le moteur thermique [77], [78].
Plusieurs techniques de gestion ont été développé dans la litéatue. De telles techniques se
basent essentiellement sur l’optimisation de la consommation et surtout sur la robustesse
de la stratégie vis-à-vis des perturbations exogènes que le véhicule hybride peut subir telle
que la variation de la masse ou les changements de profils de circulation [79].
Le système de gestion d’énergie est formé essentiellement par les sources principales d’éner-
gie telles que les batteries et les piles à combustibles (source primaire) et par des sources
auxiliaires tel que les super-condensateurs [80] [81]. Ce système nécessite une stratégie
adopté afin de mieux gérer les flux d’énergie embarqué entre les différents éléments. Plu-
sieurs travaux ont été effectués sur ce sujet que nous pouons les classer en deux grandes
familles.
• Les stratégies qui se basent sur des règles ;
• Les stratégies qui se basent sur le problème d’optimisation.
Les stratégies à base de règles :

Cette technique se base essentiellement sur les modèles mathématiques sans le recours
à connaître la mission des véhicules (nature de son trajet). Plusieurs panoplie ont été
conçus pour répondre à ce genre de stratégie citons parmi elles celle qui se base sur la
conservation de l’état de charge de la batterie tant que les limites déjà prédéfinies au dé-
part ne sont pas atteintes. Dans ce genre de stratégie, le point essentiel réside à conserver
le rendement globale (le point de fonctionnement) le plus élevé possible [82], [55]. Dans
cette même catégorie, on distingue deux grandes familles de stratégies différentes qui se
basent sur
• Les règles de la logique floue, les réseaux de neurones et l’intelligence artificielle.
• Les règles déterministes.
Stratégie à base de la logique floue : Des algorithmes de la logique floue ont été
développés pour satisfaire la puissance demandée par le groupe moteur électrique afin
que la répartition de la puissance entre la batterie ou la pile à combustible d’un côté et le
super-condensateur d’un autre coté n’entraîne pas des pics de courant source en générale
de destruction des différents composants du système de gestion d’énergie, en particulier
les convertisseurs DC-DC. Cette algorithme doit garder toujours est en temps réel un
rendement global assez élevé [83], [84].
Stratégies à base de réseaux de neurone et de l’intelligence artificielle : Certes

le développement de l’intelligence artificielle, ces dernières années, a permis de développer
des algorithmes de gestion d’énergie très puissants et adaptatifs. En effet, l’utilisation des
"essaims" et les RNA (réseau de neurone artificielle) a permis de concevoir des stratégies
de commande qui s’adaptent mieux au système en se basant sur la notion d’apprentis-
33
sage. Dans ce contexte une repartition d’énergie intelligente entre le super-condensateur

et la batterie a été développée et mise en œuvre [85], [86].
• Stratégies à base des règles déterministes

Plusieurs stratégies ont été développées dans ce contexte citons, entres autres, l’utilisa-
tion des machines à état fini (FSM : Finite state Machine) et les stratégies thermostat
(ON/OFF).
Les machines à état fini :

Il s’agit de concevoir des machines d’états qui permettent de décrire l’évolution séquen-
tielle du système en se basant sur la lecture de l’état précédant pour déterminer l’état
futur et par conséquent déterminer la prochaine commande afin de maximiser le rende-
ment globale du véhicule. Cette technique a été implémentée et testée dans le chapitre
IV. L’évolution de la machine d’état se fait selon des critères préalablement définies, dans
notre cas il s’agit des limites de tension ou de courants au niveau des batteries et au
niveau du super-condensateur [87], [88].
Cette stratégie présente quelques inconvénients. En effet, de fort appelle de courant dans
le système peuvent apparaître lorsque ce dernier fonctionne au voisinage de deux modes
différents (au voisinage de deux limites). A ce niveau le système a besoin d’un temps de
réponse plus ou moins important pour se stabiliser à un état fini.
Strategies thermostat (ON/OFF) :

Dans cette technique, il faut garder le SOC de la batterie entre deux limites (min et
max) par une technique de commande connue sous le nom de commande par hystérésis
comme le montre la figure 1.17. C’est cette même technique qu’on utilise pour contrôler
un thermostat. Cette stratégie est très simple à implémenter en pratique de même elle
est très robuste. Les deux limites supérieures et inférieures sont déterminées pour que
la source de stockage fonctionne avec un rendement global élevé. La commutation tout
Figure 1.17 – la stratégie : thermostat (ON/OFF)
ou rien (ON/OFF) de chaque source d’énergie assure le partage de puissance entre elles.
On aurait alors soit la batterie ou le super-condensateur à la fois qui prend en charge
la totalité de la puissance demandée par le véhicule hybride comme s’est présenté sur la
figure 1.18.
34
Figure 1.18 – Stratégie tout ou rien
Stratégie de saturation de puissance :

Dans cette stratégie un seuil maximale est fixé pour la batterie et ce pour limiter la puis-
sance délivrée par celle-ci. En cas d’un d’appel d’un surplus énergétique c’est le super-
condensateur qui prend en charge la différence entre la puissance demandée par le véhicule
et la puissance livrée par la batterie comme le montre la figure 1.19.
Figure 1.19 – la stratégie : saturation de puissance
Une version modifiée de cette technique a été développée pour mieux gérer l’énergie entre
le super-condensateur et la batterie en faisant varier la limite maximale (le seuil maximale
de la batterie) en fonction du SOC du super-condensateur. Le système de gestion mesure
en temps réel la valeur du SOC du super-condensateur et selon cette valeur il détermine
la limite maximale de la batterie.
Stratégie de partage fréquentiel :

Dans cette stratégie le super-condensateur se charge des pics impulsives du courant de-
mandé par le véhicule alors que la batterie prend en charge les demandes a base fré-
quence du véhicule comme le montre la figure 1.20. Dans cette configuration, le super-
condensateur est utilisé uniquement pendant les phases de démarrage ou de freinage alors
que la batterie prend en charge tout le reste.
35
Figure 1.20 – la stratégie : partage fréquentiel
Les stratégies à base de méthode d’optimisation :

Globalement, les stratégies à base de méthode d’optimisation ont les mêmes objectifs que
les méthodes à base de règles, c’est à dire assurer un rendement globale maximale pour le
véhicule hybride en contrôlant les flux énergétiques entre les différentes sources d’énergie
embarqué [89]. Deux grandes familles dans cette configuration on été développées :
• Stratégie d’optimisation hors ligne :
Dans cette technique la connaissance du profil de la trajectoire du véhicule doit être
connue à l’avance. L’optimisation sera calculé selon le profil de conduite effectué ainsi
que les objectifs de type de commande préalablement défini [90]. L’implémentation de ce
genre de stratégie est simple puisque il n’y a pas de contrainte temps réels à respecter.
En pratique, ce type de stratégie est souvent utilisé pour tester d’autre configuration ou
d’autre stratégie. De même elle nous permet de dimensionner les différents composants de
la chaîne de traction tel que la batterie, le super-condensateur, les convertisseurs DC-DC
et le groupe moteur [91], [85].
Le passage d’une configuration hors ligne vers une application temps réels n’ai pas toujours
valide. En effet, les contraintes imposé par le système en ligne différent complètement de
celle demandé en hors ligne tel que les temps de réponse, les temps de charge et décharge
des super-condensateur.
• Stratégie d’optimisation en ligne :

Dans cette technique, la connaissance au préalable du profil de conduite du véhicule n’est
pas demandée. Le calculateur à bord détermine en temps réels la gestion du flux énergé-
tique entre les différentes sources d’une manière instantanée. Cela impose des contraintes
de calcul très sévères ce qui rend l’implémentation pratique de ce genre de stratégie très dé-
licate. Plusieurs techniques de commande ont été utilisées pour répondre à cette stratégie
telle que la commande prédicative par estimation de profils de conduite ou la commande
optimale qui optimise instantanément la répartition du flux énergétique [92], [93], [94].
D’autre part, un algorithme adaptatif connu sous le nom de "ECMS" (equivalent consump-
tion minimization strategy) a été utilisé, le principe d’un tel algorithme consiste à calculer
à chaque fois l’équivalent de consommation de carburant pour l’égaliser avec la charge de
la batterie.
36
1.5.5 Modélisation du système de gestion d’énergie d’une voi-

ture hybride et tout électrique
Plusieurs architectures d’association entre batterie, pile à combustible et pack su-
percondensateurs ont été proposées dans la littérature. Parmi ces architecture, il existe
deux grandes familles d’associations. La premiere représente l’association entre une bat-
teries et un pack supercondensateur. C’est une combinaison relativement courante dans
les systèmes de stockage hybride. Il combine l’énergie spécifique des batteries électrochi-
miques avec la puissance spécifique élevée des supercondensateurs. Le bus DC alimente à
la fois le système de motorisation comprenant un onduleur et un moteur électrique ainsi
que les équipements auxiliaires. La deuxieme represente une association entre une pile à
combustible et un pack supercondensateur. Les prototypes de voitures hybrides à pile à
combustible utilisent deux types de convertisseurs DC-DC. En effet, une pile à combus-
tible à hydrogène en charge produit une basse tension et par conséquent l’utilisation d’un
convertisseur DC-DC boost est nécessaire. Le deuxième convertisseur doit être réversible
en courant pour stocker les surcharges (pendant les phases de freinage) de charge dans le
supercondensateur.
Le schéma bloc utilisé pour les voitures hybrides et électriques est illustré par la figure
1.21.
Figure 1.21 – Schéma bolc du système de gestion d’énergie dans un véhicule hybride et
électrique
Afin de transférer l’énergie d’une source de tension continue à une charge via un mécanisme
de commutation principalement basée sur des MOSFETs, des convertisseurs DC-DC sont
nécessaires. Ils servent à construire des sources d’énergie d’équipements électroniques en
raison de leur rendement élevé et de leur petite taille. De plus ils sont très efficaces pour
contrôler des moteurs électriques. Ces convertisseurs sont modélisés par des systèmes bili-
néaires ou par des systèmes hybrides du fait qu’ils sont constitués de composants électro-
niques fonctionnant comme des commutateurs tels que les MOSFETs qui sont considérés
comme des systèmes à temps discret, et des circuits électroniques fonctionnant comme
des systèmes à temps continu.
1.5.5.1 Modélisation du convertisseur Boost

La caractéristique principale du convertisseur Boost est d’augmenter la tension de la
batterie dans le but d’avoir la tension du bus DC suffisamment élevée. Le système est
37
illustré par la figure 1.22.
Figure 1.22 – Convertisseur DC-DC : Boost
En effet, la modélisation du convertisseur passe par l’analyse de différentes séquences de

fonctionnement supposées à temps fixe. Ainsi, selon l’état de l’interrupteur u1 , deux sé-
quences de fonctionnement peuvent être envisagées.
Cas 1 : Lorsque le signal de commande du MOSFET, u1 = 1, cela implique que l’in-

ducteur est chargé par la batterie et que la diode D1 est bloquée. Le schéma de circuit
équivalent est donné par la figure 1.23.
Figure 1.23 – Structure du convertisseur Boost lorsque u1 = 1
Le système est alors décrit par les équations différentielles suivantes :

diL1
uBat = L1 (1.55)
dt
dVbus
0 = Cf + I0 (1.56)
dt
Cas 2 : Lorsque le signal de commande du MOSFET est donné par u1 = 0, cela provoque
la décharge de l’inducteur à travers la charge et le condensateur. Le courant délivré par
l’inducteur sera partagé entre la capacité Cf et la charge Rch comme le montre la figure
1.24.
38
Figure 1.24 – Structure du convertisseur Boost lorsque u1 = 0
A partir de cette figure, il vient les équations différentielles suivantes :

diL1
uBat = L1 + Vbus (1.57)
dt
dVbus
iL1 = Cf + I0 (1.58)
dt
En regroupant les deux cas en un seul, cela nous ramène à mettre les deux équations
différentielles en terme de u1 tels que :
diL1
uBat = L1 + (1 − u1 )Vbus (1.59)
dt
dVbus
iL1 (1 − u1 ) = Cf + I0 (1.60)
dt
avec
uBat : Tension de la batterie ;
Vbus : Tension du bus DC ;
iL1 : Courant de la bobine L1 ;
L1 : Bobine ;
Cf : Capacité de la charge ;
Rch : Résistance de la charge ;
u1 : Signal de commande du MOSFET ;
I0 : Courant de charge.
1.5.5.2 Modélisation du convertisseur Buck/Boost

Le convertisseur Buck/Boost est un convertisseur réversible en courant comme le
monte la figure 1.25. Il fonctionne dans les deux modes :
• Mode Boost : l’ultra-condensateur alimente le bus DC au démarrage (phase de décharge)
• Mode Buck : l’ultra-condensateur est alimenté par le bus DC au moment du freinage
(phase de charge).
Il est à noter que le supercondensateur est modélisé par une capacité de valeur constante
Csc qui est en série avec une faible résistance Rsc .
39
Figure 1.25 – Convertisseur DC-DC Buck/Boost
Cas 1 : Le convertisseur fonctionne comme un Boost, il fournit de l’énergie au bus DC

ce qui nous donne l’équation du courant dans l’inductance L2 comme suit
diL2 Rsc 1 1
=− iL2 + Vsc − Vbus (1 − u2 ) (1.61)
dt L2 L2 L2
Cas 2 : Le convertisseur fonctionne en mode Buck, ce qui implique que le superconden-
sateur est alimenté par le bus DC :
diL2 Rsc 1 1
=− iL2 + Vsc − Vbus u3 (1.62)
dt L2 L2 L2
avec
Vsc : Capacité du supercondensateur ;
L2 : Bobine ;
u2 , u3 : Siganux de commandes des MOSFETs ;
Rch : Résistance de charge ;
Rsc : Résistance interne du supercondensateur ;
Vbus : Tension du bus continu.
1.5.5.3 Modélisation globale du système

Le système de gestion de l’énergie est principalement constitué de deux convertisseurs
DC-DC (Boost et Buck/Boost), d’une batterie ou une pile à combustible et un pack su-
percondensateur. Le schéma électronique global du système de gestion de l’énergie est
illustré par la figure 1.26.
Il convient de souligner que les MOSFETs sont contrôlés par les signaux u1 , u2 et u3 . De
plus, le courant dans la charge Ich = I1 + I2 et Ich = VRbus
ch
.
Pour décrire le système de gestion de l’énergie, deux cas peuvent être soulevés.
40
Figure 1.26 – Schéma globale du système de gestion d’energie
Cas 1 : Le deuxième convertisseur (Buck/Boost) fonctionne comme Boost. Ainsi, les

équations différentielle des deux convertisseurs sont données par
diL1 UBat Vbus u1




 = − + Vbus


 dt L1 L1 L1
diL2 Vsc Rsc Vbus


= − iL2 − (1 − u2 ) (1.63)

 dt L2 L2 L2

 dVbus iL1 iL Vbus
= (1 − u1 ) + 2 (1 − u2 ) −



dt Cf Cf Rch Cf

Cas 2 : Le deuxième convertisseur fonctionne en mode Buck. Ainsi, les équations diffé-
rentielles des deux convertisseurs sont données par
diL1 UBat Vbus u1




 = − + Vbus


 dt L1 L1 L1
diL2 Vsc Rsc Vbus


= − iL2 − u3 (1.64)

 dt L2 L2 L2

 dVbus iL1 iL Vbus
= (1 − u1 ) + 2 u3 −



dt Cf Cf Rch Cf

Les deux cas peuvent être regroupés en un seul en effectuant le changement de variable
suivant :
u4 = (1 − u2 )T + u3 (1 − T ) (1.65)
où T est une variable binaire pouvant prendre deux valeurs T = 1 en mode Boost et
T = 0 en mode Buck.
Si on combine les equations (1.63), (1.64) en tenant compte de (1.65), les equations
41
du système peuvent alors être regroupées en un seul comme suit


diL1 UBat Vbus u1
= − + Vbus



dt L1 L1 L1





 diL2 Vsc Rsc Vbus
= − iL2 − u4



dt L2 L2 L2

dVbus iL1 iL Vbus (1.66)
= (1 − u1 ) + 2 u4 −






 dt Cf Cf Rch Cf

 dVsc iL2
= −



dt Csc

Si l’on prend iL1 comme entrée, on prend alors comme sorties du processus étudié les
courants iL1 , iL2 , la tension du supercondensateur Vsc et la tension du bus DC notée Vbus .
1.5.5.4 Modèle bilinéaire du système de gestion d’énergie

En choisissant les variables d’état x1 (t) = iL1 , x2 (t) = iL2 , x3 (t) = Vbus et x4 (t) = Vsc ,
il vient alors la repésentation d’état suivante :
(
ẋ(t) = Ax(t) + D1 u1 x(t) + D2 u4 x(t) + F d(t)
(1.67)
y(t) = Cx(t)
avec x(t) ∈ <4 représente le vecteur d’état et u(t) ∈ <2 le vecteur de commande. Les
matrice A, B, D1 , D2 et C sont données par
− L11
 
0 0 0  1
0 0

L1
 0 − RLsc2 0 1
 
L2
 
0 0 0 
A= , B= ,

1
− Rch1Cf

0 0  0 0 0
 
Cf
  
0 − C1sc 0 0 0 0 0
1
   
0 0 L1
0 0 0 0 0
0 0 0 0 0 0 − L12 0
   
   
D1 = , D2 = ,
− C1f 1
 

 0 0 0 


 0 Cf
0 0 

0 0 0 0 0 0 0 0
   
0 0 1 0 Ustack
C =  0 1 0 0 , U =  u1 
   
0 0 0 1 u4
1.5.5.5 Modèle hybride du système de gestion d’énergie

En choisissant les variables d’état x1 (t) = iL1 , x2 (t) = iL2 , x3 (t) = Vbus et x4 (t) = Vsc ,
la représentation d’état du système étudié s’exprime par
(
ẋ(t) = Aq x(t) + Bu(t)
(1.68)
y(t) = Cx(t)
où le signal de commande est donné par u(t) = Ubat et les différentes matrices Aq =
{A1 , A2 , A3 , A4 } sont sélectionnées comme le montre le tableau 1.1.
42
1.6. Conclusion
Table 1.1 – Différentes matrices issues de deux modes Buck et Boost.
Signal Mode Boost Signal Mode Buck

u4 = 1 − u2 u4 = u3
u1 =1 A4 u1 =1 A1
u2 =0 u3 =0
u1 =0 A3 u1 =0 A2
u2 =0 u3 =0
u1 =0 A2 u1 =0 A3
u2 =1 u3 =1
u1 =1 A1 u1 =1 A4
u2 =1 u3 =1
Les différentes matrices A1 , A2 , A3 , A4 , B et C caractéristiques du système bilinéaire (1.52)

sont alors explicitées par
− L11
   
0 0 0 0 0 0 0
Rsc 1
0 − L2 0  0 − RLsc2 0 1
   
 L2  L2

A1 =  , A2 =  ,
− Rch1Cf 1
− Rch1Cf


 0 0 0 
  Cf 0 0 

0 − C1sc 0 0 0 − C1sc 0 0
− L11
   
0 0 0 0 0 0 0
 0

− RLsc2 − L12 1
L2



 0 − RLsc2 − L12 1
L2


A3 =  , A4 = ,
1 1
− Rch1Cf 0 C1f − Rch1Cf
 
 Cf Cf
0 


 0 

0 − C1sc 0 0 0 − C1sc 0 0
 1 
 
L1 1 0 0 0

0 
B= et C =  0 1 0 0 .
   
0
 
 
0 0 0 1
0
1.6 Conclusion
Dans le premier volet de ce chapitre, nous nous sommes intéressés à l’observabilité
et la synthèse d’observateurs d’état pour différentes classes des systèmes dynamiques.
Plus précisément et compte tenu de nos objectifs visés, nous avons exposé les techniques
d’observation d’état à entrées inconnues, les observateurs d’état par intervalles, les ob-
servateurs d’état bilinéaires et les observateurs d’état hybrides. Le deuxième volet du
chapitre a été destiné à la présentation des généralités sur la détection de défauts des
systèmes dynamiques. Un intérêt particulier a été consacré à la l’approche de détection
des défauts à base d’observateurs d’état. Quant au troisième volet de ce chapitre, il s’est
focalisé sur l’étude des voitures hybrides et électriques. Les différentes architectures ainsi
43
que les différentes classifications ont été mises en avant ainsi que le système de gestion
d’énergie dans un véhicule hybride. Dans la dernière partie de ce volet, nous avons pro-
posé deux modèles du système de gestion d’énergie des voitures hybrides. Il s’agit plus
particulièrement d’un modèle bilinéaire et d’un modèle hybride.
44
Chapitre 2
Approches d’observation d’état pour la
détection des défauts des systèmes
dynamiques
2.1 Introduction
Pour assurer la commande, le contrôle, la détection et l’isolation des défauts dans un
système, il faut non seulement connaître les procédés (qui forment le système), mais aussi
mesurer l’évolution d’un nombre important de ces paramètres, chose parfois s’avère diffi-
cile même impossible pour plusieurs raisons, citons parmi elles la non accessibilité de ces
grandeurs ou le coup énorme des capteurs qui permettent de lire ces paramètres, ce qui
nous amène généralement à la méthode de reconstitution de l’information non lu à partir
de quelque mesures disponible.
Cette reconstitution est assurée par les estimateurs ou observateurs d’états, qui consti-
tuent un système dynamique auxiliaire dont ces entrées représentent les Entrées/sorties
du système, alors que ces sorties représenteront les estimations de l’état du procédé ou
du système à contrôler. Ceci permet de réduire d’une maniéré considérable le nombre
de capteurs et transmetteurs dans les installations industrielles. De même, au moyen de
quelques techniques tel que la génération de résidu, ces observateurs nous permettent de
détecter et d’isoler les défauts éventuels qui peuvent apparaître au cours du fonctionne-
ment de l’installation ce qui influe directement la sécurité et le rendement des systèmes
industriels.
2.2 Synthèse d’observateurs bilinéaires

2.2.1 Système bilinéaire
La majorité des systèmes et processus d’ingénierie sont des systèmes non linéaires
tel que le pilotage automatique des véhicules, le contrôle et la commande d’une centrale
hydraulique ou électrique, etc. . . Pour contrôler ces systèmes plusieurs modèles et ap-
proches ont été utilisés : contrôle adaptatif pour les systèmes de commutation, filtrage
H∞, contrôle par la logique flou etc. . . Parmi cette classe on trouve les systèmes bili-
45
Chapitre 2. Approches d’observation d’état pour la détection des défauts des systèmes
dynamiques
néaires qui sont linéaire en x, linéaire en u mais non linéaire à la fois en x et en u.

Cette classe de système non linéaire qui couple les états et les entrées peut être décrite
en utilisant un modèle bilinéaire. Il a été prouvé que la modelisation bilinéaire de ce type
de système a bien meilleure approximation que la modelisation linéaire, car de nombreux
processus physiques réels peuvent être modélisés de manière appropriée comme systèmes
bilinéaires lorsque les modèles linéaires sont inadéquats. Par conséquent, les systèmes bi-
linéaires ont été appliqués à de nombreux domaines, et diverses techniques de contrôle
ont été développées.
Même si la classe des systèmes bilinéaire semble très proche de la classe linéaire, la syn-
thèse de ce genre d’observateur reste une approche très différente de celle appliqueé au
système linéaire. En effet, la singularité parfois de certaines entrées du système bilinéaire
influe directement sur le problème de la synthèse de l’observateur.
Dans la literature, on trouve plusieur approche et méthode de synthése d’observateur
bilinéaire qui on été developpé citon parmi elles : La conception d’observateur bilinéaire
floue. Dans cette méthode le système non linéaire est modélisé comme un modèle bilinéaire
flou de Takagi-Sugeno. La stabilité de l’observateur est assurée quelque soient les entrées
et les conditions de stabilité qui sont exprimées en termes d’inégalité de matrice linéaire
(LMI) [95].Dans [23] un observateur d’état bilinéaire d’ordre minimal a été développé.
D’aprés cette technique, L’observateur donné est une extension d’un système linéaire et
peut être conçu sans tenir compte des entrées car l’erreur d’estimation est rendue indépen-
dante des entrées. Dans [96], la conception d’un observateur pour les systèmes bilinéaires
utilisant la méthode de Lyapunov en se basant sur la résolution d’inégalités matricielles
linéaires a été développé. L’algorithme de l’ellipsoïde est appliqué pour résoudre ces in-
égalités et pour concevoir l’observateur. L’accent est mis sur le cas des entrées bornées.
L’efficacité de la nouvelle conception de l’observateur est démontrée pour un processus de
four continu.
Dans [97], un observateur flou H∞ robuste est proposé pour une classe des systèmes bili-
néaires flous discrets à retard de Takagi-Sugeno (T-S) avec perturbation. En utilisant les
conditions de Lipschitz et quelques transformations de variables, une approche d’inégalité
matricielle linéaire (LMI) est développée, et une condition suffisante est obtenue pour
concevoir l’observateur flou robuste H∞ . L’observateur peut être obtenu directement via
les LMI sans matrices pré-assignées. Le taux de convergence de l’état d’erreur peut être
estimé à partir des conditions initiales et du temps de retard des systèmes bilinéaires flous
discrets T-S. L’erreur de l’observateur est globalement stable de manière exponentielle et
a une performance H∞ prescrite.
2.2.2 Synthése d’observateur bilineaire à entrées inconnues

Dans notre thèse, nous nous intéréssons aux systèmes bilinéaires invariants ayant pour
équation d’état :
m
P
ẋ(t) = Ax(t) + Bu(t) + Ni ui (t)x(t) + F1 d(t)
i=1 (2.1)
y(t) = Cx(t) + F2 d(t)
ou
46
2.2. Synthèse d’observateurs bilinéaires
x(t) ∈ Rn vecteur d’état, u(t) ∈ Rm vecteurs des entrées de coordonnées u(t)T =

[u1 (t).......um (t)], y(t) ∈ Rp vecteur de sortie, d(t) ∈ Rq vecteur des perturbations non
mesurables. Toutes les matrices sont supposées connues et de dimensions appropriées.
L’observabilité des systèmes bilinéaire dépend essentiellement des entrées appliquer au
système. Pour le système (2-1) nous proposant l’observateur suivant :
m
P m
P
ż(t) = Âz(t) + Ly(t) + Ju(t) + B̂i ui (t)y(t) + N̂i ui (t)z(t)
i=1 i=1 (2.2)
x̂(t) = M z(t) + Ey(t)
ou z(t) ∈ Rj avec (j ≤ n) et x̂(t) ∈ Rn , Les matrices Â, L, B̂i , J, M et E de

dimension appropriées doivent être déterminer pour que la valeur estimé x̂(t) converge
exponentiellement vers l’état x(t) indépendamment des perturbations d(t) et de l’état
initial x0
2.2.2.1 Transformation du système

" # " #
F1 F1
On suppose que le rang = q avec F = .
F2 F2
Il existe alors une matrice orthogonale V1 et une matrice V2 telles que :
" #
Iq1 0
V1T F2 V2 = avec q1 = rang(F2 ) ≤ q
0 0
Donc on peut transformer le système comme suit :
m

P



 ẋ(t) = A1 x(t) + Bu(t) + Ni ui (t)x(t) + F11 y1 (t) + F12 d2 (t)y1 (t)
i=1
y1 (t) = C1 x(t) + d1 (t) (2.3)


y2 (t) = C2 x(t)


avec : " #
d1 (t)
A1 = A − F11 C1 , = V2−1 d(t) et d1 (t) ∈ <q1 , d2 (t) ∈ <q2 , q1 + q2 = q
d2 (t)
" #
y1 (t)
= V1T y(t) y1 (t) ∈ <q1 , y2 (t) ∈ <q2 et q1 + p2 = p
y2 (t)
" #
h i C1
F11 F12 = F1 V2 et = V1T C
C2
h i
Les matrices C2 et C F2 sont supposées de rang plein lignes, alors si le système
(2-1) est mis sous la forme (2-3), on posant
h i h i h i
L1 L2 = LV1 , 0 B̂2i = B̂i V1 , et 0 E2 = EV1
47
dynamiques
L’observateur (2-2) s’écrit :

 m
P m
P
 ż(t) = Â1 z(t) + L1 y1 (t) + L2 y2 (t) + Ju(t) + B̂2i ui (t)y2 (t) + N̂i ui (t)z(t)
i=1 i=1 (2.4)
x̂(t) = M z(t) + E2 y2 (t)

2.2.2.2 Dynamique de l’erreur de l’observateur bilinéaire d’ordre plein

L’observateur définie dans (2-4) du système (2-3) est d’ordre plein si et seulement si
M = In . L’erreur dynamique du système est définie comme suit :
e(t) = x̂(t) − x(t) = z(t) − x(t) + E2 y2 (t) = z(t) − (In − E2 C2 )x(t) = z(t) − Sx(t) (2.5)
avec
S = In − E2 C2
Ce qui nous donne une dynamique d’erreur définie comme suit :
ė(t) = Â1 e(t) + (Â1 S − SA1 + L2 C2 )x(t) + (J − SB)u(t) + L1 − SF11 )y1 (t)
m m (2.6)
−SF12 d2 (t) + (N̂i S − SNi + B̂2i C2)ui (t)x(t)+
P P
(N̂i ui (t)e(t)
i=1 i=1
Nous définissons les matrices suivantes :
h i h i
Na = N1 N2 ... Nm , B̂2a = B̂21 ... ... B̂2m
C2 0 ... 0
 
 0 C
2 . .  (2.7)
et C2a = 
 
 . . C2 . 

0 0 ... C2
Alors, si les conditions suivantes sont vérifiées :
B̂2a C2a = SNa (2.8)
Â1 S − SA1 + L2 C2 = 0 (2.9)
SF12 = 0 (2.10)
J = SB (2.11)
L1 − SF11 = 0 (2.12)
S = In − E2 C2 (2.13)
48
Â1 est stable (2.14)
La dynamique de l’erreur est réduite à cette expression :

m
X
ė(t) = Â1 e(t) + (N̂i ui (t)e(t) (2.15)
i=1
En imposant N̂i = 0 la dynamique de l’erreur devient alors :

ė(t) = Â1 e(t), donc cette erreur est stable si et seulement si la matrice Â1 à ses valeurs
propres à partie réelle négative.
2.2.2.3 Détermination des matrices de l’observateur

Maintenant, nous allons déterminer les matrices de l’observateur H,L,Ni ,J et E qui
garantissent la convergence asymptotique de l’erreur e(t).
En insérant l’équation (2.13) dans (2.10) et (2.8), nous obtenons l’équation matricielle
suivante :
" #
h i C2F12 C2 Na h i
E2 B̂2a = F12 Na (2.16)
0 C2a
" #
Iq2 0 0
On multiplie l’équation (2.16) par la matrice singulière + avec : C + 2a
0 C 2a ker C2a
est une pseudo-inverse de C2a sachant que A+ est définie par A = A A+ A et ker C2a
engendre le noyau de C2a ce qui nous donne :
" #" # " #
h i C2 F12 C2 Na Iq2 0 0 h i Iq2 0 0
E2 B̂2a + = F12 Na +
0 C2a 0 C 2a ker C2a 0 C 2a ker C2a
ce qui nous donne :
" #
h i C2 F12 C2 Na C + 2a C2 Na ker C2a h i
E2 B̂2a = F12 Na C + 2a Na ker C2a (2.17)
0 Im.p2 0
L’équation (2.17) est équivalente au système suivant :
B̂2a = (In − E2 C2 )Na C + 2a (2.18)
(In − E2 C2 )F12 = 0 (2.19)
(In − E2 C2 )Na ker C2a = 0 (2.20)
Les équations (2.19) et (2.20) peuvent être regroupé comme suit :

h i
(In − E2 C2 ) F12 Na ker C2a =0 (2.21)
h i
Alors en posant ϕ = F12 Na ker C2a nous obtenons :
(In − E2 C2 )ϕ = 0 (2.22)
49
dynamiques
Donc Les matrices B̂2i ,J et L1 peuvent être déterminées respectivement à partir des
équations (2.18),(2.11) et (2.12). Par contre, pour déterminer les matrices Â1 ,L2 et E2 de
l’observateur (2.4) nous devons résoudre l’équation de Silvester (2.9) sous la contrainte
(2.22). Cette contrainte peut être transformée en un problème de placement de pôles de
la matrice SA1 . Pour cela nous posons :
Â1 = SA1 − KC2 (2.23)
avec :
K = L2 − Â1 E2 (2.24)
Cette équation (2.22) est équivalent à
E2 C2 ϕ = ϕ (2.25)
Cette solution n’existe que si est seulement si :
rang(C2 ϕ) = rang(ϕ) (2.26)
et la valeur de E2 est donnée par :
E2 = ϕ(C2 ϕ)+ + Y (Ip2 − (C2 ϕ)(C2 ϕ)+ (2.27)
ou (C2 ϕ)+ et la pseudo-inverse de (C2 ϕ) et Y est une matrice arbitraire de dimension

appropriée.
Donc, on peut placer les valeurs propres de (SA1 − KC2 ) arbitrairement par un choix
judicieux de la matrice K si et seulement si (SA1 , C2) est observable, par contre l’existence
du gain K assurant la stabilité de (SA1 −KC2 ) est équivalent à la détectabilité de la paire
(SA1 , C2 ). La matrice L2 sera donnée par :
L2 = K(C2 E2 − Ip2 ) + SA1 E2 (2.28)
Donc, toutes les matrices de l’observateur (2.4) ont été déterminée mais sous la condition
suivante :
2.2.2.4 théorème 2.1.

Le système (2.4) est un observateur d’état d’ordre plein du système bilinéaire (2.3) si
et seulement si les conditions suivantes sont vérifiées :
rang(C2 ϕ) = rang(ϕ) (2.29)
" #
sIn − A1 ϕ
rang = n + rang(ϕ) ∀ s ∈ C, Re(s) ≥ 0 (2.30)
C2 0
50
2.2.2.5 Algorithme de l’observateur

Etape 1 : Déterminer les matrices V1 et V2 qui assure la transformation du système
(2.1) en(2.3). h i
Etape 2 : Construire la matrice ϕ = F12 Na ker C2a
Etape 3 : Si rang(C2 ϕ) = rang(ϕ)
alors aller à Etape 4
Sinon aller à l’Etape
" 6. #
sIn − A1 ϕ
Etape 4 : Si rang = n + rang(ϕ) ∀ s ∈ C, Re(s) ≥ 0
C2 0
alors aller à Etape 5.
Sinon aller à l’Etape 6.
Etape 5 : Calculer la matrice E2 = ϕ(C2 ϕ)+
Calculer la matrice S = In − E2 C2
Calculer la matrice Â1 = SA1 − KC2 , avec Â1 stable
Calculer la matrice L2 = K(C2 E2 − Ip2 ) + SA1 E2
Calculer les matrices B̂2a a partir de la matrice B̂2a = SNa C + 2a
Etape 6 : L’observateur n’est pas synthétisable.
2.2.3 Exemple illustratif

on donne le système definie par :
0 0 −3.0303 0 0.0303 0 0
   
 
0 0 1 0
 0 −0.0303 0 0.0303   0 0 0 
A= B= C= 1 0 0 0 
     
1250 0 −125 0 0 0 0
   
   
0 1 0 0
0 −1 0 0 0 0 0
0 0 0.0303 0 0 0 0 1
   
 0 0 0 0   0 0 −0.0303 0 
N1 =  N2 =  F12 = 0
   
−1250 0 0 0  0 −1250 0 0
 
  
0 −1 0 0 0 0 0 0
ce qui nous donne :

 
0 0 1 0 0 0 0 0
0 1 1 0 0 0 0 0 0 0 0 1 0
     
 
0 0 0 1 0 0 0 0 0 0 0 0 0
     
 
ϕ= C2a = E=
     
0 0 0 0 0 0 0 0 1 0 0 0 0
   
     
0 0 0 0 0 0 1 0 0 0 0 0 0
 
 
0 0 0 0 0 1 0 0
Par placement de pôle le gain K est donnée comme suit :

 
0 0 −108 0
K =  3.8 −7.8 1250 −683 
 
−6.9 46.1 0 3547.9
51
dynamiques
Alors que les matrices H et L ont les valeurs suivantes :
−3.8 6.9 0 0 0 0 −6.9

   
 7.8 −46.2 0 0   0 0 46.1 
H= 
L=

0 0 −17 0 −108 1250 0
   
   
683 −3548.9 0 0 0 0 3547.9
La verification des deux conditions d’existance de l’observateur nous donne :
rang(Cϕ)
" = rang(ϕ)
# =1
sIn ϕ
rang = n + rang(ϕ) = 5
C 0
Les figures (2.1), (2.2), (2.3) et (2.4) illustres les xi avec i = 0..4 et leurs estimations.
Figure 2.1 – L’etat x1 et son estimation
52
2.3. Observation des systèmes Dynamiques Hybrides
2.3 Observation des systèmes Dynamiques Hybrides
2.3.1 Introduction sur les systèmes Dynamiques Hybrides
Les systèmes dynamiques hybrides représentent une classe des systèmes dynamiques
qui intègre à la fois des phénomènes discrets et des phénomènes continus. En automatique,
on trouve plusieurs systèmes qui appartiennent à cette catégorie, citons parmi elles : les
systèmes qui englobent des convertisseurs DC-DC tel que les systèmes de commande
et contrôle des voitures hybrides. De même les systèmes de commandes du transport
ferroviaire, les systèmes de navigation maritime et aérienne. D’une maniéré générale, la
structure d’un système dynamique hybride est représentée par la figure(2.5).
La partie discrète est représentée par un espace d’états formé par un ensemble discret
fini. Le passage d’un état à un autre se fait selon une condition ou un seuil atteint. Dans
la littérature, plusieurs outils ont été développé et conçu pour gérer ce genre de système
tel que les machines à état fini, le réseau de Petri, le grafcet Etc. . . La partie continue
du système est représentée par des variables d’état continu. Plusieurs outils permettent
de représenter le comportement de cette partie tel que les équations différentielles, les
fonctions de transfert, les bonds de graphe etc. . .
53
dynamiques
Figure 2.5 – Structure d’un système dynamique hybride
2.3.1.1 Définiton 2.1.

Un système dynamique hybride peut être représenté par un automate défini comme
suit : H = (Q, X, f, I0 , D, E, G, R) avec :
Q = {q0 , q1 , ........, qp } représente les états discrets.
x(t) ∈ <n représente les états continus.
f (., .) : Q × X → <n représente le vecteur.
I0 ⊆ Q × X représente les états initiaux.
D : Q → P (X) représente les seuils
E ⊆ Q × Q avec (qi , qj ) i, j = 1......n représente
G(.) : E → P (X) représente les conditions de guard
R(., .) : E × X → P (X) représente les conditions d’une réinitialisation
2.3.2 Synthèse d’observateur hybride

Un système hybride est en réalité formé par plusieurs sous-systèmes continus. Le pas-
sage d’un sous-système à autre se fait grâce à une condition préalablement définie. Chaque
sous système à une représentation d’état définie comme suit :
ẋ(t) = Aq x(t) + Bq u(t) + Bdq d(t) + Bfq f (t)

(2.31)
y(t) = Cq x(t) + Dq u(t) + Ddq d(t) + Dfq f (t)
avec x(t) ∈ <n ,u(t) ∈ <m ,y(t) ∈ <m ,d(t) ∈ <m et f (t) ∈ <l sont respectivement le vecteur
d’état, le vecteur des entrées, le vecteur de sortie, le vecteur des entrées inconnues (tel que
les perturbation, bruits etc...) et le vecteur des défauts. Aq , Bq , Bdq , Bfq , Cq , Dq , Ddq , et Dfq
sont des matrices connues de dimensions appropriées,q ∈ Q = {1, 2, ..., N } représente l’in-
dice du mode actif. L’estimation du vecteur d’états pour les observateurs hybrides consiste
à estimer les états discrets et les états continus. Pour prendre en compte le comportement
continu et discret de ces systèmes hybrides, plusieurs approches ont été développée afin de
synthétiser des observateurs hybrides pour estimer l’état de ce genre de système. En effet,
la détection et l’isolation des défauts de ce type de process n’est pas aussi simple que les
54
systèmes entièrement continus ou entièrement discrets. A cause de leur forte non-linéarité,

plusieurs méthodes ont été conçues et vérifiées pour contrôler et estimer l’état du système
avec le minimum de capteurs.
Dans [25] [98], un observateur hybride a été conçu sans réinitialisation des états conti-
nues. [99] propose un observateur hybride qui fournit une convergence à temps fixe de
l’erreur d’estimation d’état. C’est-à-dire qu’il existe un temps de convergence qui est
borné et qui est indépendante de l’erreur d’estimation initiale. Dans [100], on propose une
conception d’observateur hybride pour les systèmes linéaires commutés modélisés soit via
des réseaux de Petri différentiels (DPN), soit via des réseaux de Petri différentiels tempo-
risés (TDPN). La structure de des observateurs proposée est basée sur l’interaction d’un
observateur discret et d’un observateur continu.
Dans la littérature, plusieurs approches ont été développée, mais la majorité des idées
sont classées en deux approches :
- La première approche suppose la connaissance des états discrets [101]
- La deuxième surpasse la connaissance des états discrets mais elle se base sur la connais-
sance de mode active de fonctionnement actif [102].
Pour le système (2.2), nous proposons l’observateur suivant :
ˆ˙x(t) = Aq̂ x̂(t) + Bq̂ u(t) + Kq̂ (y(t) − ŷ(t))

(2.32)
ŷ(t) = Cq̂ x̂(t) + Dq̂ u(t)
avec x̂(t) ∈ <n ,ŷ(t) ∈ <p , sont respectivement les vecteurs d’état et de sortie estimés,Kq̂
la matrice gains de l’observateur et q̂ ∈ Q = {1, 2, ..., N } est l’indice du mode actif de
l’observateur hybride.
Dans cette partie le vecteur des entrées inconnues d(t) et le vecteur des défauts f (t) sont
supposés nuls. Pour que l’états estimer x̂(t) converge vers l’états x(t) de chaque sous-
système linaire quel que soit les conditions initiales il faut chercher les différents gains Kq̂
qui assure la stabilité des matrices Aq̂ − Kq̂ Cq̂ . La convergence globale de l’erreur n’est
pas assurée systématiquement à cause du phénomène de commutation entre les différents
modes du système.
2.3.3 Convergence de l’erreur d’estimation

Dans cette partie, on s’intéresse à la convergence et la borgnitude de l’erreur d’estima-
tion pour le système défini par (2.32) en temps continu. Nous définissons l’erreur globale.
eω = ex + eu (2.33)
formé par les deux composantes ex et eu due au vecteur d’état x(t) et du vecteur d’entrées
u(t).
2.3.3.1 Théorème 2.2.

Considérons le sytème definie en (2.31) avec l’observateur (2.32) et supposons que
pour T0 > 0 nous avons supt>T0 kx(t)k ≤ xmax et supt>T0 ku(t)k ≤ umax
55
dynamiques
On suppose qu’il existe une matrice Pq̂T = Pq̂ > 0,Hq̂ et des scalaires tel que ρ > 0 ,
ϕ > 0, νq̂,q ≥ 0 et βq̂+ ,q̂ ≤ 1.
1. ρI ≤ Pq̂ ≤ ϕI q̂ ∈ Q (2.34)
 
ĀTq̂ + Pq̂ Aq̂ + I + νq̂,q I ĀTq̂ Pq̂ + I + νq̂,q I Pq̂ ∇Āq,q̂ Pq̂ ∇B̄q,q̂
T T
Āq̂ + Pq̂ Aq̂ + I + νq̂,q I Pq̂ ∇Āq,q̂ Pq̂ ∇B̄q,q̂
 
 Āq̂ + I + νq̂,q I 
2. φq̂,q =   ≤0

 ∗ ∗ −ϕ2 νq̂,q I 0 

∗ ∗ 0 −ϕ2 νq̂,q I
(q̂, q) ∈ Ig (2.35)
3. Pq̂+ − βq̂+ ,q̂ Pq̂ ≤ 0 (q̂, q̂ + ) ∈ Ig (2.36)
Alors, l’erreur d’estimation eω est bornée par

s
ν̄ ϕ 2 2
lim sup keω (t)k ≤ λ (xmax + u2max ) (2.37)
t→∞ 1 + ν̄ ρ
où λ est un scalaire positif, q̂ + est le mode successeur de q̂, (q̂, q̂ + ) ∈ Ig , ν̄ est le sup de
νq̂,q , (q̂, q) ∈ Ig , Ig est un ensemble d’uplet regroupant les différentes transitions possibles,
entre deux modes.
2.3.3.2 démonstration
Dans cette partie, on doit prouver la convergence et la borgnitude de l’erreur d’es-
timation eω . Pour cela, nous proposons une fonction de Lyapunov V (eω (t)) formée par
N fonction candidate locale selon le mode actif Vq̂ (eω (t)). Soit la fonction de lyapunov
définie comme suit :
Vq̂ (eω ) = eTω Pq̂ eω q̂ ∈ IN (2.38)
avec Pq̂ ∈ <n×m sont des matrices symétriques définies positives.la dérivé de Vq̂ (eω (t))
nous donne :
V̇q̂ (eω ) = ėTω Pq̂ eω + eTω Pq̂ ėω (2.39)
sachant que : eω = ex + eu alors :

ėω = ėx + ėu = Āq̂ ex + ∇Āq,q̂ x + Āq̂ eu + ∇B̄q,q̂ u
avec : Āq = Aq − Kq Cq , B̄dq = Bdq − Kq Ddq , B̄fq = Bfq − Kq Dfq
et ∇Aq,q̂ = Aq − Aq̂ , ∇Bq,q̂ = Bq − Bq̂ , ∇Cq,q̂ = Cq − Cq̂ , ∇Āq,q̂ = ∇Aq,q̂ − Kq̂ ∇Cq,q̂
∇B̄q,q̂ = ∇Bq,q̂ − Kq̂ ∇Dq,q̂ , ∇Dq,q̂ = Dq − Dq̂
56
Remplaçons ėω par sa valeur dans l’expression (2.39) nous obtenons :
h i
V̇q̂ (eω ) = ėTx ĀTq̂ Pq̂ + Pq̂ Āq̂ ex + eTu ĀTq̂ Pq̂ ex + xT ∇Āq,q̂ Pq̂ ex + uT ∇B̄q,q̂
T
Pq̂ ex +
h i
ėTx ĀTq̂ Pq̂ eu + eTu ĀTq̂ Pq̂ + Pq̂ Āq̂ eu + xT ∇ĀTq,q̂ Pq̂ eu + uT ∇B̄q,q̂
T
Pq̂ eu + (2.40)
T T T T
ex Pq̂ ∇Āq,q̂ x + eu Pq̂ ∇Āq,q̂ x + ex Pq̂ ∇B̄q,q̂ x + eu Pq̂ ∇B̄q,q̂ x
Cette équation peut être écrite sous la forme d’inégalité matricielle qui garantit la conver-
gence de l’erreur eω au sens de Lyapunov :
 
ex ĀTq̂ Pq̂ + Pq̂ Āq̂ ATq̂ Pq̂ Pq̂ ∇Āq,q̂ Pq̂ ∇Bq,q̂ ex
 
T T
eu  Aq̂ Pq̂ Āq̂ Pq̂ + Pq̂ Āq̂ Pq̂ ∇Āq,q̂ Pq̂ ∇Bq,q̂ eu
  
 
(2.41)
 
 T

u ∇Āq,q̂ Pq̂ ∇ĀTq,q̂ Pq̂ 0 0 u
 
 


 
x ∇B̄q,q̂ Pq̂ ∇B̄q,q̂ Pq̂ 0 0 x
En tenons compte des condition suivantes citepettersson2005switched :

kex + eu k2 ≥ 0, kex + eu k2 − λ2 kxk2 + kuk2 ≥ 0 (2.42)
l’expression (2.41) devient alors :
T  
ex ĀTq̂ Pq̂ + Pq̂ Āq̂ ATq̂ Pq̂ Pq̂ ∇Āq,q̂ Pq̂ ∇Bq,q̂ ex
 
T T
eu   Aq̂ Pq̂ Āq̂ Pq̂ + Pq̂ Āq̂ Pq̂ ∇Āq,q̂ Pq̂ ∇Bq,q̂ eu
  
  
+
 
  
u ∇ĀTq,q̂ Pq̂ ∇ĀTq,q̂ Pq̂ 0 0 u

  

 
x ∇B̄q,q̂ Pq̂ ∇B̄q,q̂ Pq̂ 0 0 x
(2.43)
T  T 
ex I I 0 0 ex ex νq̂,q I νq̂,q I 0 0 ex
     
 eu   I I 0 0  eu   eu   νq̂,q I νq̂,q I 0 0  eu 
  
+ ≤0
      
u 0 0 0 0 u u 0 0 −λνq̂,q I 0 u
       
         
x 0 0 0 0 x x 0 0 0 −λνq̂,q I x
avec νq̂,q ≥ 0
La vérification de (2.43) implique toujours la vérification de (2.42). L’introduction de la
matrice Hq̂ = Pq̂ Kq̂ avec Hq̂ ∈ <n×p dans l’expression (2.43) prouve la condition (2.35)
du théorème 2.2. A partir de l’inégalité (2.43), on peut alors écrire :
V̇q̂ (eω ) ≤ −(1 + νq̂,q )(eTx ex + eTu eu + eTx eu + eTu ex ) + λ2 νq̂,q (xT x + uT u) (2.44)
On peut en déduire donc que :
(1 + νq̂,q )
V̇q̂ (eω ) ≤ − Vq̂ (eω ) + νq̂,q λ2 (x2max + u2max ) (2.45)
ϕ
L’intégration de cette dernière expression nous donne alors :
57
dynamiques
1+ν  
q̂,q
− (t−t0 ) 2 2 2
Vq̂ (eω ) ≤ e ϕ  νq̂,qλ (xmax+umax )
R
1+ν q̂,q
+ cste
− ϕ (t−t0 )
1+ν " 1+ν #
q̂,q q̂,q
− (t−t0 ) νq̂,q (t−t0 )
Vq̂ (eω ) ≤ e ϕ
1+νq̂,q
ϕλ2 (x2max + u2max )e ϕ
+ cste
1+ν 1+ν !
q̂,q q̂,q
− (t−t0 ) νq̂,q − (t−t0 )
Vq̂ (eω (t0 )) + 1+νq̂,q
ϕλ2 (x2max + u2max ) 1−e ϕ
1+ν

−( )(t−t0 ) V (e (t )) + ν̄ −( 1+ν̄
ϕ )
(t−t0 )
q̂ ω 0 1+ν̄
ϕλ2 (x2max + u2max ) 1−e
Pour t0 ≥ T0 sachant que ν et ν̄ représente respectivement la plus petite et la plus

grande valeur de νq̂,q .
On utilisons l’expression de (2.34) on obtient alors :
( 1+ν # 12
ϕ )(t−t0 ) V (e (t ))
"
−

e ν̄ ϕ 2 2 −( 1+ν̄
ϕ )
(t−t0 )
keω k ≤ q̂ ω 0
ρ
+ 1+ν̄ ρ
λ (xmax + u2max ) 1 − e
Donc facilement on peut en déduire que lorsque t → ∞ l’erreur est bonder par la va-
leur suivante :
q
ν̄ ϕ 2 2
1+ν̄ ρ
λ (xmax + u2max )
2.3.4 Exemple illustratif

On propose le système modéliser selon la machine a état de la figure (2.6) : avec :
Figure 2.6 – Machine d’etat d’un système hybride
" # " #
0 0 0 −1818.2
A1 = A2 =
0 −10 1000 −10
" # " # " #
1818.2 0 1 0
B1 = B2 = C=
0 0 0 0
58
La conception de l’observateur peut être convertie en résolution d’un ensemble d’inégalité

matricielle linéaire (LMI). Cependant, les LMI obtenues restent restrictives et les solu-
tions peuvent ne pas exister pour certains systèmes.
En choisissant : ρ = 10 ; ϕ = 120 ; ε = 1200000 ; ν = 5.6 , de même on suppose
que les matrices :Bdq , Bfq , Ddq , Dfq et Dq sont des matrices nulles pour q = 1, 2.
Dans cette exemple, nous avons utilisé comme Solveur le toolbox Yalmip sous Matlab qui
permet de satisfaire les différentes contraintes de LMI. Ceci nous donne :
" # " #
−0.0379 0 −1130.4 −1818.2
Â1 = Â2 =
0.0085 −10 1528.1 −100
" # " #
119.8115 1.4405 21.4329 15.5921
P1 = P2 =
1.4405 10.3267 15.5921 33.3230
" # " #
4.5335 −0.0335 15993 27
W1 = W2 =
−0.0335 3.6160 27 15929
En posant, Wi = Pi Ki on peut déterminer facilement les valeurs des Ki :
" # " #
0.0379 −0.0045 1130.4 −525.3
K1 = K2 =
−0.0085 0.3508 −528.1 723.8
La simulation sous Matlab-Simulink nous donne pour les états x1 et x2 et leurs estimations
respectivement les courbes Figure 2.7 et Figure 2.8 :
De même, l’évolution des différents modes et leurs évolutions est donné par la Figure
Figure 2.7 – Estimation d’état par un observateur par intervalle
2.9 :
59
dynamiques
Etape 1 : Fixé la valeur de ρ.

Etape 2 : Fixé λ.
Etape 3 : Chercher la plus petite valeur de ϕ pour satisfaire les LMI (x.x), (x.x), (x.x).
Etape 4 : Si les LMI ne sont pas feasable, alors incrémenter la valeur de λ et revinir
a l’Etape 2 :, sinon aller à l’Etape 5 :.
Etape 5 : Calculer les gains de l’observateur : Ki = Pi−1 Wi
Etape 6 : Calculer les matrices Âi = Ai + Ki C
60
2.4. Synthèse des observateurs par intervalle
2.4 Synthèse des observateurs par intervalle
2.4.1 Introduction
Les observateurs à intervalles sont apparus au cours des deux dernières décennies.
L’observation par intervalle d’un système représente une estimation de son état. C’est
une méthode qui se base sur une approche dite de garanties. L’observateur consiste à un
système dynamique auxiliaire qui permet de fournir une borne supérieure et une borne
inferieure (Un intervalle) dans lesquel se trouve l’état. En considérant qu’on connait les
bornes (sup et inf) des conditions initiales du système ainsi que la quantité incertaine, l’ob-
servateur par intervalle donne une robustesse assez importante en présence d’importante
perturbation. En effet, la majorité des observateurs classiques fournissent une estimation
d’état point par point. Cependant, pour certaines applications critiques, ce type d’estima-
tion n’est pas efficace et un intervalle d’adhésion garanti du véritable état est nécessaire,
notamment en présence d’incertitudes, de perturbations ou de défauts. Si ces incertitudes
sont limitées par des bornes, il est possible de donner un intervalle de toutes les trajec-
toires possibles de l’évolution de l’état en fonction des incertitudes Figure 2.10. Dans la
littérature, de nombreux travaux ont été consacré à la conception des observateurs d’in-
tervalle. En supposant que toutes les entrées, perturbations, incertitudes et bruits connus
et inconnus sont bornés par des bornes connues a priori, il existe trois approches prin-
cipales pour synthétiser un observateur d’intervalle. La première approche est basée sur
la méthode de prédiction/correction comme l’approche bien connue du filtre de Kalman.
La seconde approche consiste à transformer Le système incertain en deux modèles sans
tenir compte de l’effet d’incertitude, assurant ainsi les estimations des limites supérieures
et inférieures de l’état à tout moment. La dernière méthode est initialement proposée
par [103] ne traitant que des systèmes monotones incertains. Deux observateurs, basés
sur la structure de l’observateur de Luenberger, sont calculés pour garantir les limites
supérieures et inférieures de l’état à tout moment. Cette approche est basée sur la pro-
priété coopérative [104] des erreurs d’observation qui est l’un des principaux défis dans la
conception des observateurs à intervalles. Il faut signaler aussi que de nouvelles approches
sont proposées dans [17] et [105] pour concevoir des observateurs d’intervalle pour une
classe plus générale des systèmes incertains.
61
dynamiques
2.4.2 synthèse d’un observateur par intervalle

Considérons le système défini comme suit :
(
ẋ(t) = Aq(t) x(t) + Bu(t) + d(t)
(2.46)
y(t) = Cx(t)
Avec x(t) ∈ <n ,y(t) ∈ <p ,y(t) ∈ <p et u(t) ∈ <m reflètent respectivement le vecteur
d’état, le vecteur de sortie et le vecteur d’entrée.Aq(t) ∈ <4x4 des matrice de dimension
approprier avec q(t) = 1..n représente l’indice du mode actif.
L’entrée inconnue d(t) est bornée par deux fonctions connues telles que :
∀t ≥ 0 d− (t) ≤ d(t) ≤ d+ (t)
Pour le système (2.46) nous proposons l’observateur par intervalle suivant :
ẋ+ (t) = (Aq(t) − Lq(t) C)x+ (t) + Bu(t) + Lq(t) y(t) + d+ (t)



ẋ− (t) = (Aq(t) − Lq(t) C)x− (t) + Bu(t) + Lq(t) y(t) + d− (t) (2.47)
 −
x (t0 ) ≤ x(t) ≤ x+ (t0 )

avec :
x− (t) ≤ x(t) ≤ x+ (t)∀t ≥ 0 (2.48)
Cela est l’équivalent à dire que les limites supérieures et inferieures e− (t) = x(t) − x− (t)
et e+ (t) = x+ (t) − x(t) sont positifs pour toutes les conditions initiales suivantes :
(
e− (t0 ) = x(t0 ) − x− (t0 )
(2.49)
e+ (t0 ) = x+ (t0 ) − x(t0 )
L’erreur d’intervalle est donnée par e(t) = x+ (t) − x− (t), qui est la différence entre les
états estimés supérieures et inférieures. L’erreur dynamique globale e(t) peut être donnée
par :
(
ė+ (t) = (Aq(t) − Lq(t) C)e+ (t) + ε+ (t)
(2.50)
ė− (t) = (Aq(t) − Lq(t) C)e− (t) + ε− (t)
avec :
(
ε+ (t) = d+ (t) − d(t)
(2.51)
ε− (t) = d− (t) − d(t)
et l’erreur dynamique totale est exprimée par :
ė(t) = (Aq(t) − Lq(t) C)e(t) + ε(t) (2.52)
avec : ε(t) = ε+ (t) − ε− (t)
62
2.4. Synthèse des observateurs par intervalle
2.4.2.1 théorème 2.3.

S’il existe une matrice diagonale définie positive P , un scalaire réel positif ξ et des
matrices satisfaisant les LMI suivantes :
" #
ATq(t) P − C T Mq(t)
T
+ P Aq(t) − Mq(t) C + αq(t) P P
<0 (2.53)
P −ξIn
P Aq(t) − Mq(t) C + σP ≥ 0 (2.54)
avec αq(t) et ξ sont des constantes réels positives. Et :
Lq(t) = P −1 Mq(t) (2.55)
Alors, l’observateur par intervalle (2.47) conduit à une erreur d’estimation positive (2.50)
telle que l’erreur d’estimation globale est stable asymptotiquement et uniformément bor-
née.
2.4.2.2 démonstration
Nous définissons une variable αq(t) telle que pour une fonction de Lyapunov commune
définie comme suit :
V (t) = e(t)T P e(t) avec P = P T > 0.
Alors la dérivé de V (t) satisfait la condition suivante :
V̇ (t) < αq(t) V (t) (2.56)
ceci nous donne pour chaque mode q(t) :
V̇ (t) = eT (t)((Aq(t) − Lq(t) C)T P + P (Aq(t) − Lq(t) C))e(t) + εT P e(t) + eT (t)P ε
A partir de (xx) et (xx) nous pouvons alors déduire que :
eT (t)((Aq(t) − Lq(t) C)T P + P (Aq(t) − Lq(t) C))e(t) + εT P e(t) + eT (t)P ε < −αq(t) eT P e(t)
Donc, l’erreur totale fournie en (2.52) est stable si l’inégalité suivante est satisfaite pour
chaque mode q(t)
eT (t)((Aq(t) − Lq(t) C)T P + P (Aq(t) − Lq(t) C))e(t) + εT P e(t) + eT (t)P ε + αq(t) eT (t)P e(t) < 0
Selon le critère H∞ , nous définissons la variable λ ∈ <n satisfaisante l’inégalité suivante :
kek2 < λkεk2 (2.57)
63
dynamiques
qui est equivalent à :
eT (t)e(t) − λ2 εT ε < 0 (2.58)
Grâce aux contraintes formulées en (2.57) et (2.58) et à la formule de la S-procédure, on

obtient les inégalités suivantes :
eT (t)((Aq(t) − Lq(t) C)T P + P (Aq(t) − Lq(t) C))e(t) + εT P e(t) + eT (t)P ε+

(2.59)
T 2 T
αq(t) e (t)P e(t) − λ ε ε < 0
En mettant Mq(t) = P Lq(t) et ξ = λ2 , on obtient alors les contraintes LMI présentée

en (2.53).
" #
ATq(t) P − C T Mq(t)
T
+ P Aq(t) − Mq(t) C + αq(t) P P
<0
P −ξIn
De plus, l’inégalité (9) donnée par P Aq(t) − Mq(t) C + σP ≥ 0 est obtenue en considérant la
matrice (Aq(t) − Lq(t) C)comme une matrice de Metzler telle que (Aq(t) − Lq(t) C) + σIn ≥ 0
. Alors si on multiplie cette expression du côté gauche de cette inégalité par p, cela nous
donne (2.54). Ce qui nous donne la fin de la démonstration.

Etape 1 : Fixer la valeur de ξ.
Etape 2 : Fixer σ.
Etape 3 : Chercher la plus petite valeur de α pour satisfaire les LMI (2.53) et (2.54).
Etape 4 : Si les LMI ne sont pas feasable, alors incrémenter la valeur de ξ et revenir
a l’Etape 2, sinon aller à l’Etape 5.
Etape 5 : Calculer les gains de l’observateur : Ki = Pi−1 Wi
Etape 6 : Calculer les matrices Âi = Ai + Ki C
2.4.3 Exemple d’application

On donne le système suivant :
" # " # " # " #
200.1 0 −10 0 1 1 0
A1 = A2 = B= C=
−1 0 10 −1 0 0 0
la résoulution des LMI par le toolbox Yalmip sous Matlab nous donne :
" # " # " #
541.0034 0 −210.3348 0 −0.0377 0.4272
Â1 = Â2 = P1 =
−2.7033 0 3.5206 −1 0.4272 85.4928
" # " # " #
86.0107 0.0754 13.5816 −0.0140 17231 641
P2 = W1 = W2 =
0.0754 96.6549 −0.0140 10.0126 641 1.6753
" # " #
−340.9034 1.6060 200.3348 7.3049
K1 = K2 =
1.7033 0.1091 6.4794 173.3264
64
2.5. Conclusion
La simulation sous Matlab-Simulink nous donne pour les états x1 et x2 et leurs estimation
de x(t) respectivement les courbes Figure 2.11 et Figure 2.12 :
Figure 2.11 – Estimation de l’état x1
Figure 2.12 – Estimation de l’état x2
2.5 Conclusion
Au cours de ce chapitre, la synthèse d’observateur bilinéaire, hybride et par intervalle
a été illustrée, et ce afin d’assurer la commande du système de gestion d’énergie à bord
d’un véhicule hybride ainsi que son diagnostic en garantissant la détection et l’isolation
de défauts dans ce système. Dans le chapitre suivant nous nous proposons de prouver que
65
dynamiques
ce système peut être modélisé en tant qu’un système bilinéaire ou un système hybride.
Ce qui nous permettra d’ utiliser les observateurs bilinéaires et hybrides pour assurer la
commande et le diagnostic du processus industriel étudié.
66
Chapitre 3
Application à la détection et l’isolation de
défauts du système de gestion d’énergie d’un
véhicule hybride
3.1 Introduction
Ce chapitre présente une application des résultats des chapitres précédents pour l’ob-
servation d’états, ainsi que la détection et l’isolation des défauts dans le système de gestion
d’énergie d’un véhicule hybride.
Les développements entrepris dans ce chapitre sont scindés comme suit. Le premier volet
est dédié à la conception et à la réalisation d’un simulateur du système de gestion d’énergie
d’une voiture hybride. Quant au deuxième volet, il est consacré à l’implémentation d’une
loi de commande du système de gestion d’énergie basée sur l’approche de machine à états
finis (FSM : finite state machine) avec une carte à microprocesseur DSPACE 1104. Le
troisième volet illustre l’implémentation d’un observateur bilinéaire et d’un observateur
hybride afin de détecter et d’isoler les défauts dans le processus étudié et d’assurer sa
commande en adoptant la stratégie à base de FSM.
Notons que l’intérêt manifeste attribué aux techniques de détection et de localisation

de défauts, c’est dans le but de minimiser les fausses alarmes en distinguant entre les
perturbations exogènes et les défauts impactant les composants du système de gestion
d’énergie étudié. Les approches de détection et de localisation de défauts sont basées
essentiellement sur les techniques d’observation d’état bilinéaires et hybride pour la gé-
nération d’un banc de résidus. Concenant le dernier volet de ce chapitre, il sera consacré
à l’obsevation par intervalles du processus étudié. Ce type d’observateurs permet de re-
constuire les variables d’état en présence des perturbations affectant le comportement du
système de gestion d’énergie considéré.
67
Chapitre 3. Application à la détection et l’isolation de défauts du système de gestion
d’énergie d’un véhicule hybride
3.2 Conception d’un simulateur du système de ges-

tion d’énergie
Afin de tester la validité et les hautes performances des différentes approches de com-
mande et d’observation d’état dévéloppées, nous avons conçu et réalisé pratiquement un
simulateur destiné à l’implémentation de différentes stratégies de commande du système
de gestion d’énergie ainsi que les différentes méthodes de détection et d’isolation de dé-
fauts d’un tel système.
Le système de commande est formé de la carte DS1104 de Dspace caractérisée par ses
multiples processeurs et son architecture qui n’est pas complexe. Elle permet d’implé-
menter, sous l’environnement Matlab/Simulink, les différents programmes et simulations
numériques réalisés. La fréquence de cette carte ainsi que le nombre d’entrées/sorties nu-
mériques et le nombre des signaux PWM matériels et software nous permet de tester en
temps réel les différents observateurs ainsi que les stratégies de commande de détection
et de localisation de défauts.
Une deuxième carte a été développée dont le but est d’assurer l’interfaçage entre la carte
Dspace et la partie puissance. Une telle carte comporte deux convertisseurs DC-DC de
type boost et buck/boost ainsi que le circuit d’isolation galvanique entre la partie puis-
sance et la partie commande formée de GPIOs. En effet, le circuit TLP351 assure une
isolation galvanique parfaite avec une fréquence de commutation assez élevée. De même, ce
composant permet de commander facilement le deuxième IGBT (Q2) puisqu’il fonctionne
à masse flottante entraînant beaucoup de problèmes pendant les phases de commutation
si le TLP est absent. Le schéma électrique du simulateur est illustré par la figure 3.1.
Des fusibles dans chaque ligne ont été installées dans la carte de simulation afin de proté-
ger la carte Dspace et les IGBTs contre les surintensités pendant les phases de démarrage
et freinage du véhicule.
Afin de bien superviser les différentes stratégies de commande ainsi que le contrôles des
observateur implémentés dans le simulateur, nous avons utilisé l’outil graphique de super-
vision de Dspace "Control Desk" qui nous permet non seulement de comparer les valeurs
simulées avec celles réelles, mais aussi d’afficher tous les paramètres du simulateur.
68
3.3. Gestion d’énergie par la commande hystérésis du courant
Figure 3.1 – Schéma électrique de la carte de commande
3.3 Gestion d’énergie par la commande hystérésis du

courant
3.3.1 Interêt de la gestion de l’énergie dans les voitures hybrides
La gestion d’énergie entre les différents composants du véhicule est très importante
dans le domaine de la traction électrique, notamment le contrôle des deux convertisseurs
DC-DC. Dans la littérature, plusieurs groupes de recherche ont proposé des techniques de
contrôle et de commande appliquées aux convertisseurs de puissance DC-DC [106]. Parmi
ces méthodes, il y a le contrôle numérique d’hystérésis et le contrôle PMW. La technique
de contrôle numérique a été utilisée dans, [107] [108]. Mais le retard venant de la conver-
sion analogique-numérique ralenti le calcul de l’algorithme. Quant à la commande PMW
et en raison de sa limitation du rapport cyclique, elle prend plusieurs cycles de commu-
tation en réponse aux changements d’échelon du courant de charge. Dans [109] [110], il a
été constaté qu’un contrôle en mode glissant avec hystérésis programmable par l’utilisa-
teur régule de manière adaptative l’ondulation du courant et optimise ainsi les pertes de
conduction et de commutation. Dans [111], une commande non linéaire basée sur l’hysté-
69
résis du courant de sortie avec une boucle de fréquence fonctionnant à fréquence constante
est présentée. Selon cette technique, une boucle de fréquence maintient constante la fré-
quence de commutation du signal de commande pour que le courant du condensateur de
sortie reste constant. Une commande de courant d’hystérésis modifié (MHCC :Modified
hysteresis current control ) est donné dans [112]. Cette technique peut ajuster automa-
tiquement la valeur du temps de commutation pour augmenter rapidement le courant
de l’inducteur, ainsi que pour raccourcir le temps de réponse transitoire. Le contrôle des
systèmes non linéaires avec des contrôleurs linéaires (contrôleur PI ou PID) ne donne pas
des résultats très précis, et l’utilisation de contrôle non linéaire comme le contrôle de cou-
rant d’hystérésis avec des modèles linéaires ne donne pas non plus de bonnes performances.
Ainsi, nous consacrons cette partie à l’élaboration d’un modèle hybride innovant du sys-
tème de gestion de l’énergie et à assurer sa commande par une machine à états finis (FSM :
Finite State Machine). Plus particulièrement, il s’agit de contrôler le courant d’hystéré-
sis des deux convertisseurs DC-DC dans différents modes relatifs au freinage ou au dé-
marrage du système de la voiture hybride. En effet, dans ce système, la charge actuelle
change à chaque fois. La commande d’hystérésis ajuste la fréquence pour compenser le
changement. Cette méthode nous donne une réponse transitoire rapide puisque le contrôle
d’hystérésis ne nécessite pas d’amplificateur d’erreur ou de composants de compensations
externes [113]. Classiquement, les systèmes hybrides basculent entre différents modes de
fonctionnement où chaque mode est représenté par une loi dynamique spécifique [114].
Les transitions entre les modes sont déclenchées par des variables qui dépassent certaines
limites ou par des entrées externes. L’idée est d’exprimer les configurations du conver-
tisseur en utilisant un temps de modèle continu ou discret et en utilisant une expression
logique ou une variable pour sélectionner le mode de la configuration active à tout mo-
ment. En d’autres termes, les modèles hybrides sont des représentations mathématiques
qui décrivent le comportement dynamique de systèmes non linéaires et notamment avec
une structure variable comme les convertisseurs DC-DC. Ces modèles peuvent prendre en
compte les différentes configurations du circuit d’un convertisseur DC-DC selon les modes
de fonctionnement CCM (Continuous Current Mode) ou DCM (Discontinuous Current
Mode) [115].
3.3.2 Commande par courant d’hystérésis à base de la FSM :

Finite State Machine
Le contrôleur par courant d’hystérésis est conçu pour assurer une bonne régulation de
la tension Vbus du système. En effet, il utilise une technique de contrôle en boucle fermée.
Le schéma de commande est présenté dans la figure 3.2. Il a une réponse transitoire rapide
et une efficacité plus élevée par rapport aux autres techniques de commande.
Le générateur de modes de la figure 3.2 constitue un automate hybride. C’est un système

dynamique qui décrit l’évolution temporaire des variables d’état discrètes et continues.
Les courants dans chaque convertisseur sont mesurés par la carte DS1104, tout comme
la tension Vsc aux bornes du supercondensateur, ainsi que la tension du bus DC Vbus .
Une machine à états finis (FSM) a été implémentée avec les outils Matlab/Simulink en
conjonction avec les outils temps réels de DSPACE et controldesk pour gérer la com-
70
Figure 3.2 – Schéma du contrôleur du système de gestion d’énergie à courant d’hystérésis
mande du système. La description du FSM a été donnée par la figure 3.3. En fonction des
valeurs des courants mesurés dans les bobines IL1 et IL2 et en fonction de la demande de
tension dans le bus DC, la FSM détermine le mode courant du système q(t) et configure
le deuxième DC-DC en mode buck ou boost. En fonction de la tension demandée, la FSM
contrôle les IGBTs des deux convertisseurs avec un signal PWM matériel qui permet de
maintenir les deux courants dans une certaine bande limitée par deux références maximale
et minimale.
Dans notre cas, huit états discrets, Q = {1, 2, . . . , 8}, sont possibles comme s’est illustré
par la figure 3.3.
• Le premier cas, où le deuxième convertisseur fonctionne en boost, est défini par

G12 = G43 ={x ∈ R4 , x1 > Iref1 }
G21 = G34 ={x ∈ R4 , x1 < Iref1 − ∆Iref1 }
G14 = G23 ={x ∈ R4 , x2 > Iref2 }
G41 = G32 ={x ∈ R4 , x2 < Iref2 − ∆Iref2 }
• Le deuxième cas, où le deuxième convertisseur fonctionne en mode buck, est décrit

par
71
Figure 3.3 – Diagramme d’état de la machine à états finis
G56 = G87 ={x ∈ R4 , x1 > Iref1 0 }

G65 = G78 ={x ∈ R4 , x1 < Iref1 0 − ∆Iref1 0 }
G58 = G67 ={x ∈ R4 , x2 > Iref2 0 }
G85 = G76 ={x ∈ R4 , x2 < Iref2 0 − ∆Iref2 0 }
Le deuxième convertisseur est toujours éligible pour modifier sa fonction de mode en

mode (boost ou buck). Ainsi, les gardes sont définies selon le mode T = 0 ou T = 1 tel
que si T = 1 alors G15 , G26 , G37 , G48 et si T = 0, cela donne les gardes G51 , G62 , G73 et
G84 . Par contre, en mode boost, les conditions de garde du contrôleur de courant d’hysté-
résis pour le convertisseur sont : G12 , G43 et G21 , G34 est qui sont définies respectivement
par iL1 ≥ Iref1 et IL1 ≤ Iref 1 − ∆Jeref1 .
Pour le convertisseur buck/boost les conditions de garde G14 , G23 et G41 , G32 sont définies
respectivement comme suit iL2 ≥ Iref2 et IL2 ≤ Iref2 − ∆Iref2 , ces gardes maintiennent le
système dans une certaines limites et par conséquent le courant de charge Ich et la tension
continue Vbus restent dans leurs intervalles prédéfinis.
Dans notre cas les variables d’état du sstème sont définies comme suit :
72
h iT h iT
x1 x2 x3 x4 = IL1 IL2 Vbus Vsc
IL1 et IL2 représentent respectivement les courants dans les bobines des deux hacheurs
alors que Vbus représente la tension du bus continu et Vsc la tension aux borne du pack
super-condensateur. Pour la simulation de la commandes les gardes suivants ont été choisi
afin de maintenir le Vbus dans un intervale bien déterminer :
• Entre 17V et 23V en mode Buck :
Iref2 = −0.2A, Iref2 − ∆Iref2 = 0.3A.
• Entre 24V et 28V en mode Boost :
Iref1 = 0.4A, Iref1 − ∆Iref1 = 0.3A.
Convertisseur buck/boost en mode buck :

Cette configuration est utilisée lorsque le véhicule freine ou il s’arrête. Alors, le conver-
tisseur buck/boost doit fonctionner en mode buck. L’énergie supplémentaire sera stockée
dans le pack supercondensateur, ce qui provoque l’augmentation de tension à ses bornes
(c’est la phase de charge du supercondensateur). Pour la simulation du modèle réduit
du système de gestion d’énergie, le courant du boost IL1 est choisi pour une plage de
fonctionnement comprise entre 0.3A et 0.4A, tandis que la valeur de courant du deuxième
convertisseur buck IL2 est comprise entre −0.2A et −0.3A.
Les figures 3.4 et 3.5 montrent respectivement les courants dans les inductances L1 et
L2 . D’après ces figures, il est clair que le courant IL1 est positif mais le courant IL2 est
négatif et le supercondensateur se charge. Les tensions de sortie Vbus et Vsc sont illustrées
respectivement par les figures 3.6 et 3.7.
Figure 3.4 – Le courant IL1 en mode Figure 3.5 – Le courant IL2 en mode
buck buck
73
Figure 3.6 – La tension Vbus en mode Figure 3.7 – La tension Vsc en mode
buck buck
Convertisseur buck/boost en mode boost :

Cette configuration est utilisée lorsque la charge demande de l’énergie (par exemple
pendant la phase de démarrage). Donc, le deuxième convertisseur doit fonctionner en
boost pour que le système de gestion de l’énergie réponde à cette demande.
Dans ce cas, les deux courants des convertisseurs sont positifs, ce qui provoque une dé-
charge de supercondensateur à travers la charge. Pour le premier courant boost IL1 est
choisi de telle sorte qu’il soit compris entre 0, 28A comme valeur minimale et 0, 42A comme
valeur maximale, tandis que la valeur de courant du deuxième convertisseur boost IL2 est
comprise entre 0, 18A et 0, 32A. Les figures 3.8 et 3.9 représentent respectivement les cou-
rants dans les bobines L1 et L2 . Les tensions de sortie Vbus et Vsc sont données par les
figures 3.10 et 3.11.
boost boost
Convertisseur travaillant en mode buck/boost :

Dans cette configuration, le convertisseur réversible est utilisé dans les deux modes pour
simuler deux scénarios. Dans la phase de démarrage, le convertisseur fonctionne en boost
et dans la phase de freinage, il fonctionne en mode buck. Ainsi, le courant IL1 garde le
même signe tout le long des deux phases, voir figure 3.12, et le courant IL2 change de
signe à chaque changement de mode (positif en mode boost et négatif en mode buck).
Un tel courant affecte la tension de sortie qui bascule entre deux valeurs selon le signe du
courant IL2 comme le montre la figure 3.13. Quant aux tensions de sortie Vbus et Vsc , ils
74
3.4. Implémentation de la commande du système de gestion d’énergie sur la carte
DSPACE
boost boost
sont illustrées respectivement par les figures 3.14 et 3.15.
buck/boost buck/boost
3.4 Implémentation de la commande du système de

gestion d’énergie sur la carte DSPACE
Pour prouver la validité de la commande proposée pour le système de gestion de l’éner-
gie, nous avons utilisé les valeurs des paramètres numériques présentés dans le Tableau 3.1.
Pour cette étude expérimentale, les deux convertisseurs sont commandés en courant et en
75
mode CCM. Il est à noter que le processus considéré est constitué d’une carte électronique
Table 3.1 – Paramètres numériques du simulateur du système de gestion d’énergie
Component Value
L1 330mH
L2 330mH
Rch 120Ω
Rsc 0.001Ω
Csc 140F
Cf 1800µF
qui intègre les deux convertisseurs DC-DC (le boost et le buck/boost) interconnectés avec
les différents éléments à savoir les inductances, les charges et le pack supercondensateur
constituant la partie puissance du système de gestion. Le système de contrôle est fourni
par la carte R&D DS1104, il contrôle les MOSFETs des convertisseurs DC-DC via des
pilotes TLP 351 qui assurent en même temps le contrôle et l’isolation électrique entre le
bloc d’alimentation et le système de commande numérique. Ce système de gestion d’éner-
gie est illustré par la figure 3.16.
Figure 3.16 – Stand de test du système de gestion d’énergie
D’autre part, la carte DS1104 assure les différentes acquisitions de données via son panel
de mesure. Les courants dans les deux inductances L1 et L2 sont mesurés en utilisant
des capteurs de courant. La tension du pack supercondensateur et la tension du bus DC
sont mesurées avec des sondes différentielles de tension. La récupération des données et
76
DSPACE
le traçage des courbes se font via le logiciel Control Desk.
Il convient de noter que les convertisseurs analogiques numériques de la carte DSPACE

sont de 16bit, ce qui donne des résultats très précis. Le schéma de mise en œuvre de
l’approche de commande relative au système de gestion de l’énergie est mis en évidence
par la figure 3.17.
Figure 3.17 – Schéma globale de l’implémentation de la commande hystérésis par FSM
Pour le premier test, le convertisseur réversible (buck/boost) est maintenu en mode buck,
tandis que le deuxième test est effectué dans le cas contraire. C’est-à-dire que le deuxième
convertisseur ne fonctionne qu’en mode boost. Enfin, le troisième test représente une syn-
thèse des deux modes précédents. Dans ce cas, la stratégie de commande est testée dans
les deux modes lorsque le second convertisseur fonctionne dans les deux modes buck et
boost.
3.4.1 Mode buck

Dans ce mode, le supercondensateur est chargé par le courant IL2 . La commande de
l’IGBT est assurée par la carte contrôleur R&D DSPACE1104 via les circuits TLP351.
Le courant IL1 est maintenu dans l’intervalle [0.3A 0.4A]. Ce résultat est illustré par la
figure 3.18. D’un autre côté, le courant IL2 est maintenu dans l’intervalle [−0.3A −0.2A]
tel qu’il est présenté par la figure 3.19. Les tensions de sortie Vbus et Vsc sont données
77
buck buck
buck buck
3.4.2 Mode boost

Le convertisseur réversible fonctionne en boost, ce qui provoque la décharge du super-
condensateur. Le courant IL2 est maintenu dans la limite définie par [0.2A 0.3A] comme
le montre la figure 3.22. Pour le convertisseur boost, la commande reste la même qu’en
mode buck, et ce d’après la figure 3.23. Les tensions de sortie Vbus et Vsc sont représentées
boost boost
3.4.3 Mode buck/boost

Le convertisseur buck/boost est testé dans deux modes de fonctionnement. C’est-à-
dire que le convertisseur réversible fonctionne une fois en boost et une fois en buck. Il
78
DSPACE
boost boost
convient de souligner que le courant inducteur IL1 du convertisseur boost est toujours
positif et sa valeur est comprise entre 0, 22A et 0, 42A comme le montre la figure 3.26.
Pendant la phase boost, le courant IL2 est positif et sa valeur est comprise entre 0, 2A et
0, 3A. Dans cette phase, le supercondensateur se décharge en traversant la charge, tandis
que pour la phase buck, le courant change de signe et sa valeur devient entre −0, 2A et
−0, 1A, voir figure 3.27. De ce fait, la tension Vbus diminue car une partie de la tension
sera récupérée par le supercondensateur. Cette caractéristique est exposée par la figure
3.28 et de même pour la tension Vsc qui est décrite dans la figure 3.29.
En comparant les résultats de simulation avec ceux de la pratique, il est clair que pour
79
les trois modes, l’ondulation réelle des courants IL1 et IL2 est légèrement différente de
la simulation. Cela est dû à la résistance des bobines internes des deux convertisseurs
DC-DC, qui est pratiquement négligeable dans la simulation car le modèle de la bobine
utilisé dans Matlab/Simulink est presque idéal.
Par ailleurs, il convient de signaler que les courants IL1 et IL2 varient strictement dans
la bande d’hystérésis respectivement entre [0.29A 0.41A] et [0.2A 0.3A] sans dépasser
cette limite, et ce pour tous les cycles de simulation.
Dans la plupart des cas pour le système réel, le courant est inclus dans cette bande
de [0.29A, 0.41A] (respectivement [0.2A, 0.3A]). Mais il y a parfois quelques excès en rai-
son du temps de réponse du système. En effet, le temps de réponse du FSM dépend des
temps de réponse des capteurs pour passer d’un état à un autre. Ainsi, si les mesures
arrivent avec un certain retard, le FSM réagit également avec un certain retard. Ainsi,
dans la plupart des cas, la réaction du FSM est instantanée, les transitions sont rapides
et les résultats obtenus sont très adéquats avec ceux de la simulation numérique.
3.5 Détection et isolation du défaut dans le système

de gestion d’énergie à base d’observateurs bili-
néaires
3.5.1 Structure de l’observateur bilinéaire
Pour le système de gestion d’énergie de la voiture hybride, nous proposons le système
bilineaire modélisé par
(
ẋ(t) = Ax(t) + D1 u1 x(t) + D2 u4 x(t) + F d(t)
(3.1)
y(t) = Cx(t)
avec x(t) ∈ <4 représente le vecteur d’état et u(t) ∈ <2 le vecteur de commande. Les
matrice A, B, D1 , D2 et C sont données dans la partie (1.5.5.4) Ainsi, il vient l’observa-
teur bilinéaire suivant :

2
P
ż(t) = Hz(t) + Ly(t) + JU (t) + Ni ui y(t)


i=1 (3.2)
x̂(t) = z(t) + Ey(t)


avec z(t) ∈ <j et x̂(t) ∈ <n . De plus, H, L, Ni , J, M et E des matrices de dimension

appropriée à déterminer.
Définition 3.1
Le système défini par les équations (3.2) est un observateur DDO (Disturbance Decoupled
Observer) pour le système bilinéaire défini par l’équation (3.1) si et seulement si
dk
lim (x(t) − x̂(t)) = 0 avec k = 0, . . . , n (3.3)
t→∞ dtk
80
3.5. Détection et isolation du défaut dans le système de gestion d’énergie à base
d’observateurs bilinéaires
Indépendamment de U (t) et des conditions initiales x0 et z0 , les matrices H, L, Ni , J, M

et E doivent être déterminées de manière que l’état observé x̂(t) converge asymptotique-
ment vers l’état réel x(t).
D’autre part, le calcul de l’erreur d’observation entre x̂(t) et x(t) est donné par
e(t) = x̂(t) − x(t)

= z(t) − x(t) + Ey(t)
= z(t) − x(t) + ECx(t)
= z(t) − Sx(t) (3.4)
avec S = In − EC.
La dérivée de l’erreur d’observation est exprimée par
ė(t) = ż(t) − S ẋ(t) (3.5)
En remplaçant ż(t), présentée par (3.2), dans l’équation (3.5), il s’ensuit que
2
X
ė(t) = He(t) + (HS + LC − SA)x(t) + (J − SB)U (t) + ui (t)(Ni C − SDi )x(t) (3.6)
i=1
Pour assurer une erreur nulle, il vient les conditions consignées dans le système suivants :


 J = SB
HS + LC − SA = 0 (3.7)
Ni C − SDi = 0 i = 1, 2


En respectant les conditions illustrées par (3.7), la dynamique de l’erreur d’observation

devient
ė(t) = He(t) (3.8)
Ainsi, le système défini par le système (3.2) est un observateur d’ordre plein pour le
système bilinéaire (3.1) si et seulement si les équations du système (3.7) sont satisfaites
et la matrice H est de Hurwitz.
3.5.2 Identification des matrices de l’observateur bilinéaire

Les matrices de l’observateur bilinéaire présenté en (3.2) sont determiner par les ex-
pressions définie dans (2.2.2.5) selon la contrainte du théoréme (2.1), ce qui nous donne :
0 0 0 0 0 0 1 0 0 0
     
 0 0 0   0 0 0   0 1 0 0 
E= 
φ= 
S= 
(3.9)
1 0 0 1 0 0 0 0 0 0
     
     
0 0 0 0 0 0 0 0 0 1
81
La matrice K est déterminer alors par un placement de pôles ce qui nous donne :
 
−3.0303 0 17.0 0
K=
 3.0578 −2.0887 0 −1.6575 
 (3.10)
−1.8791v 46.939 0 30.143
D’où on peut déterminer les matrices H,L et J :
−3.0578 1.8791 0 0 3.030 3.057 −1.879

   
 2.0887 −46.9422 0 3.03   0 −0.001 46.939 
H= 
L= 
0 0 −17.0 0 0 0 0
   
   
3.6575 −30.1574 0 0 0 −1.657 30.143
(3.11)
−3.030 0 0
 
 0 0 0 
J = 
0 0 0
 
 
0 0 0
Afin d’identifier les matrices de l’observateur bilinéaire, nous commençons de détailler

l’équation Ni C − SDi = 0, i = 1, 2 du système (3.7) comme suit
" #
h i C 0 h i h i
N1 N2 −S D1 D2 = 0 0 (3.12)
0 C
Le fait de définir
" #
h i C 0 h i
N̄ = N1 N2 , C̄ = et D̄ = D1 D2
0 C
alors, il vient
N̄ C̄ − S D̄ = 0 (3.13)
h i
D’autre part, la matrice C̃ est définie tel que C̃ = C̄ + ker(C̄) , et en multipliant
l’équation (3.13) par C̃, il s’ensuit
h i h i h i
N̄ C̄ C̄ + ker(C̄) − S D̄ C̄ + ker(C̄) = 0 0 (3.14)
Ce qui donne
N̄ C̄ C̄ + − S D̄C̄ + = 0 (3.15)
N̄ C̄ker(C̄) − S D̄ker(C̄) = 0 (3.16)
Ce qui permet d’écrire
N̄ = S D̄C̄ + (3.17)
S D̄ker(C̄) = 0 (3.18)
Le fait de poser Φ = D̄ker(C̄) alors le problème se résume à la résolution de l’équation

de Sylvester (3.6) sous contrainte SΦ = 0.
82
D’autre part, en remplaçant S par sa valeur dans l’équation (In − EC)Φ = 0, il s’ensuit
E = Φ(CΦT ) (3.19)
Cette équation existe si et seulement si
Rang CΦ = Rang Φ (3.20)
Ainsi, l’équation qui suit forme la première condition d’existence de l’observateur bili-
néaire.
E = Φ(CΦ)+ + Y (In − (CΦ)(CΦ)+ ) (3.21)
où (CΦ)+ est le pseudo-inverse de (CΦ) et Y est une matrice arbitraire de dimension
appropriée.
Notons que Y est choisi tel que E soit de Rang maximal (par exemple Y = 0). Ce
qui donne
E = Φ(CΦ)+ (3.22)
Dans cette phase, nous déterminerons la matrice H en résolvant l’équation de Sylvester
définie dans (3.7) sous la contrainte (3.21). Ainsi, par substitution de S = In − EC dans
(3.7), il vient
H(In − EC) − SA + LC = 0 (3.23)
Ce qui donne
H − HEC − SA + LC = 0 (3.24)
D’où, il vient
H = SA − LC + HEC
= SA − (L − HE)C (3.25)
En posant K = L − HE où K est déterminé par un placement de pôle.
Les performances de l’observateur bilinéaire sont testées par simulation numérique sur
le système de gestion d’énergie. De telles simulations sont effectuées pour les modes buck,
boost et buck/boost suivant :
3.5.2.1 Mode buck

Pendant la phase de freinage (par appui sur les freins ou freinage moteur), nous avons
besoin de récupérer l’énergie de la charge vers le pack supercondensateur. Notons que
le mode buck assure convenablement ce type de fonctionnement. Les simulations numé-
riques du système caractérisé par IL1 , IL2 , Vbus et Vsc ainsi que leurs états recontruits par
l’observateur bilinéaire proposé sont présentés par les figures 3.30, 3.31, 3.32 et 3.33.
83
Figure 3.30 – Le courant IL1 et son és- Figure 3.31 – Le courant IL2 et son es-
timation en mode buck timation en mode buck
Figure 3.32 – La tension Vbus et son es- Figure 3.33 – La tension Vsc et son es-
3.5.2.2 Mode boost

Pendant le démarrage, la charge demande un courant assez élevé fournie respecti-
vement par la batterie ou la pile à combustible et par le pack supercondensateur. La
simulation de ce mode est illustrée par les figures 3.34, 3.35, 3.36 et 3.37 qui représentent
les quatre états du système de gestion de l’énergie étudié.
Figure 3.34 – Le courant IL1 et son és- Figure 3.35 – Le courant IL2 et son es-
timation en mode boost timation en mode boost
3.5.2.3 Mode buck/boost avec entrées inconnues

C’est le mode le plus utilisé, il reflète les accélérations et les freinages pendant une
phase de conduite d’une voiture hybride ou toute électrique. La simulation de ce mode
est présentée par les figures 3.38, 3.39, 3.40 et 3.41.
84
Figure 3.36 – La tension Vbus et son es- Figure 3.37 – La tension Vsc et son és-
Figure 3.38 – Le courant IL1 et son esti- Figure 3.39 – Le courant IL2 et son esti-
mation en présence d’une entrée inconnue mation en présence d’une entrée inconnue
en mode boost en mode boost
Figure 3.40 – La tension Vbus et son es- Figure 3.41 – La tension Vsc et son esti-
timation en présence d’une entrée incon- mation en présence d’une entrée inconnue
nue en mode boost en mode boost
3.5.3 Détection et isolation de défauts dans le système de ges-

tion d’énergie à base d’un observateur bilinéaire
3.5.3.1 Etude préliminaire
Dans la mesure où un ou plusieurs défauts affectent le comportement du système de

gestion d’énergie, l’utilisation d’un observateur bilinéaire est une solution fort intéres-
sante. Notons, par ailleurs, que le problème de la génération résiduelle pour la détection
de défauts dans les systèmes bilinéaires peut être traité selon les mêmes critères que pour
les systèmes linéaires.
85
Le système de gestion d’énergie dans un véhicule hybride ou électrique constitue l’élément

essentiel pour le bon fonctionnement du véhicule. De plus, plusieurs défauts peuvent af-
fecter ses différents compartiment ce qui influe directement sur le fonctionnement et la
sécurité des personnes. La détection de défaut s’avère donc primordiale. Compte tenu du
nombre d’élément qui constitute le système de gestion, il est aussi crucial d’isoler les dé-
fauts. En effet, en assurant l’identification et l’isolation de défauts, il y aura minimisation
de la dégradation du système. Dans ce contexte, plusieurs méthodes, ont été développée
dans la littérature, sont rappélées comme suit
• Une méthode, se basant sur l’identification paramétrique, consiste à calculer les résidus
à partir des paramètres réels du système et de ceux identifiés ;
• Une deuxième méthode qui est basée sur l’estimation d’état du système. La méthode
consiste à générer des résidus conçus à partir d’une série des observateurs d’état. Chaque
observateur est consacré à la surveillance d’un capteur ou d’un actionneur donné. Lorsque
le système est soumis à des perturbations extérieurs non mesurables, il serait difficile de
distinguer entre un défaut et une perturbation. Pour cela, une conception de générateur
de résidu à base d’observateurs à entrées inconnues est proposée, et ce afin d’éviter les
fausses alarmes due aux perturbations.
Considérons le système bilinéaire définie par

 m
P
 ẋ(t) = Ax(t) + Bu(t) + Ni ui (t)x(t) + F1 d(t)
i=1 (3.26)
y(t) = Cx(t) + F2 d(t)

Pour ce système, nous proposons le générateur de résidu suivant :


2
P
ż(t) = Hz(t) + Ly(t) + JU (t) + Ni ui z(t)


i=1 (3.27)
r(t) = R1 z(t) + R2 y(t)


où z(t) représente l’état du générateur résiduel et r(t) représente le signal de sortie dit
résidu. H, Ni , J, L, R1 et R2 sont des matrices appropriées à déterminer.
Le système défini par les équations (3.27) est un générateur résiduel pour le système
(3.26) s’il satisfait les trois conditions suivantes :
∀ x0 , z0 , ∀ t > 0 lim r(t) = 0 si f (t) = 0

t→∞
∀ T ∈ <n×n , z0 (t) = T x0 (t), ∀ t > 0 si f (t) = 0 alors z(t) = T x(t)
∀ z0 (t) = T x0 (t), si f (t) 6= 0 alors r(t) 6= 0
La première condition assure que le résidu de l’observateur est égal à zéro quelle que soit la
présence du signal d’entrée u(t) ou la perturbation inconnue d(t). Tandis que la deuxième
condition, elle fournie l’estimation de l’état du système en présence de perturbations d(t).
Quant au troisième condition, elle garantit que le résidu soit sensible au vecteur de défaut
f (t). Par ailleurs, la figure 3.42 illustre le système générateur de résidu.
86
Figure 3.42 – Générateur de résidu
3.5.3.2 Conception du générateur de résidu à entrées inconnues

Dans ce paragraphe, nous proposons la procédure de conception du générateur de
résidus. Il s’agit, plus particulièrement, de développer les conditions de stabilité et l’al-
gorithme de détermination des matrices de l’observateur générateur de résidus. Pour ce
faire, nous considérons l’erreur d’observation suivante :
e(t) = z(t) − T x(t) (3.28)
Il vient la dérivée de e(t) comme suit
ė(t) = He(t) + (HT − T A + LC)x(t) + (J − T B)U (t)

2 (3.29)
−T F d(t) + (Nj C − T Dj )uj (t) − T Rf (t)
P
j=1
avec
r(t) = R1 [e(t) + T x(t)] + R2 y(t)

= R1 e(t) + [R1 T + R2 C] x(t) (3.30)
Pour obtenir r(t) = R1 e(t), il faut avoir
R1 T + R2 C = 0 (3.31)
D’autre part, l’erreur d’observation peut être écrite sous la forme
ė(t) = He(t) (3.32)
si les conditions qui suivent sont vérifiées
J = TB (3.33)
TF = 0 (3.34)
HT + LC − T A = 0 (3.35)
Ni C − T Di = 0 avec i = 1, 2 (3.36)
87
Donc la conception du générateur de résidu à entrées inconnues (3.27) se réduit à la dé-

termination des matrices H, Ni , L, J, R1 et R2 de sorte que l’erreur dynamique (3.32)
est stable et les équations (3.33) sont satisfaites.
D’un autre côté et pour déterminer Ni , la dernière equation de (3.33) peut être réécrite
sous la forme compacte suivante :
N̄ C̄ − T D̄ = 0 (3.37)
avec N̄ , C̄ et D̄ des matrices definies par

" #
h i C 0 h i
N̄ = N1 N2 , C̄ = et D̄ = D1 D2
0 C
h i
En multipliant l’expression (3.37) par C̄ + ker(C̄) , il s’ensuit
h i h i h i
N̄ C̄ C̄ + ker(C̄) − T D̄ C̄ + ker(C̄) = 0 0
Ce qui donne
N̄ = T D̄C̄ + (3.38)
T D̄ker(C̄) = 0 (3.39)
De plus, enh combinant ila deuxième équation de (3.33) avec la deuxième équation de (3.38),
il vient T F D̄ker(C̄) = 0 qui peut être s’écrire sous la forme
TΦ = 0 (3.40)
h i
avec Φ = F D̄ker(C̄) .
Pour déterminer les matrices R1 et R2 , nous supposons que la matrice Φ est de rang
plein. Alors, il existe une matrice Φc tel que [Φ Φc ] est non singulière. En multipliant
l’égalité (3.31) par [Φ Φc ], il vient
[R1 T + R2 C] [Φ Φc ] = 0 (3.41)
ce qui permet d’écrire

(
R1 T Φ + R2 CΦ = 0
(3.42)
R1 T Φc + R2 CΦc = 0
En tenant compte de (3.31), l’équation (3.42) devient
R2 CΦ = 0 (3.43)
qui admet une solution paramétrée

h i
R2 = V Ip − (CΦ)(CΦ)+ , V ∈ R1×p (3.44)
88
Si est seulement si
rank(CΦ) = rank(Φ) (3.45)
En substituant l’équation (3.44) dans (3.42), il s’ensuit

h i
R1 T Φc + V Ip − (CΦ)(CΦ)+ CΦc = 0 (3.46)
Il vient
h i
R1 T + V C Ip − Φ(CΦ)+ C = 0 (3.47)
Pour satisfaire l’équation (3.47), nous choisissons les matrices R1 = −V C et T = Ip −

Φ(CΦ)+ C.
D’autre part, nous pouvons déterminer la matrice H en substituant la matrice T dans la

troisième équation de (3.33), il vient
h i
H Ip − Φ(CΦ)+ C = T A − LC (3.48)
d’où
h i
H = T A − L − HΦ(CΦ)+ C (3.49)
En posant K = L − HΦ(CΦ)+ , l’expression de (3.49) conduit à H = T A − KC et la

détermination de la matrice de gain se fait par placement de pôles. Ainsi, il vient
L = K + HΦ(CΦ)+ (3.50)
d’où la condition d’existence du générateur de résidu

" #
sIn − A1 ϕ
rang = n + rang(ϕ), ∀ s ∈ C, Re(s) ≥ 0 (3.51)
C2 0
Pour localiser et isoler les défauts, nous avons utilisé un banc d’observateurs à entrées
inconnues comme le montre la figure 3.43. Par ailleurs, dans le cas où le système étudié
est affecté par k défauts di (t), i = 1, . . . , k, le banc d’observateurs devrait être capable de
générer suffisamment de résidus pour détecter et isoler l’occurrence de chaque coordon-
née du vecteur de défauts di (t). En effet, la solution la plus simple est de synthétiser k
générateurs de résidus à entrées inconnues pour le ième résidu ri (t) pour di (t) 6= 0.
89
Figure 3.43 – Structure d’un banc d’observateurs
3.5.4 Simulation de la détection et isolation de défauts dans le

système de gestion d’énergie
3.5.4.1 Détection de défauts
Dans cette partie, nous nous intéressons à la détection de défauts dans le système
de gestion d’énergie après injection d’un défaut d1 (t) entre 4s et 4.5s. Un tel défaut est
caaractérisé par la figure 3.44.
Notons, par ailleurs, que le résidu r1 (t) est généré dans l’intervalle [4s 4.5s] comme
le montre la figure 3.45. La constatation que nous pouvons alors dégagé est que le résidu
r1 (t) est sensible au défaut d1 (t).
Il est clair, d’après les figures 3.46, 3.47, 3.48 et 3.49, que tous les signaux de sortie
IL1 , IL2 , Vbus et Vsc du système de gestion d’énergie sont affectés par le défaut d1 (t) entre
les instants 4s et 4.5s.
90
Figure 3.44 – Comportement du défaut Figure 3.45 – Comprtement du résidu

d1 (t) r1 (t)
Figure 3.46 – Comportement du cou- Figure 3.47 – Comportement du cou-

rant IL1 en présence du défaut d1 rant IL2 en présence du défaut d1
Figure 3.48 – Comportement de la ten- Figure 3.49 – Comportement de la ten-

sion Vbus en présence du défaut d1 sion Vsc en présence du défaut d1
91
3.5.4.2 Détection et isolation de défauts

Pour la détection et l’isolation de défauts dans le système de gestion d’énergie, nous
avons injecté deux défauts d1 (t) et d2 (t). Les figures 3.50 et 3.51 illustrent les défauts
injectés.
Les sorties du modèle bilinéaire étudié sont affectées par ces défauts. Néanmoins, chaque
résidu doit être sensible uniquement à un seul défaut et non pas à l’autre. En effet, le
résidu r1 (t) est sensible uniquement au défaut d1 (t) alors que le résidu r2 (t) n’est sensible
que’au défaut d2 (t) comme le montre les figures 3.52 et 3.53.
En l’occurrence, les figures 3.54, 3.55, 3.56 et 3.57 montrent clairement l’affectation de
toutes les variables d’état par les deux défauts mis en exergue.
Figure 3.50 – Défaut d1 (t) Figure 3.51 – Défaut d2 (t)
Figure 3.52 – Résidu r1 (t) Figure 3.53 – Résidu r2 (t)
92
3.6. Detection et isolation de défauts dans le système de gestion d’énergie à base
d’observateurs hybrides

rant IL1 en présence des défauts d1 (t) et rant IL2 en présence des défauts d1 (t) et
d2 (t) d2 (t)

sion Vbus en présence des défauts d1 (t) et sion Vsc en présence des défauts d1 (t) et
d2 (t) d2 (t)
3.6 Detection et isolation de défauts dans le système

de gestion d’énergie à base d’observateurs hy-
brides
L’implémentation de la machine d’état, proposée dans la section §3.3, requiert un
nombre assez important de capteurs qui influe directement sur le coup de l’installation.
De même, les essais pratiques ont montré clairement que le temps de réponse du système
de commande dépend essentiellement du temps de réponse des capteurs. Pour remédier
à ce problème, nous proposons de réduire le nombre des capteurs en introduisant un ob-
servateur hybride avec la machine d’état afin de mieux superviser le processus. De plus,
l’introduction d’un observateur nous permet de détecter et d’isoler facilement les défauts
qui peuvent assujettir sur l’installation par un calcul judicieux de résidu pour assurer le
93
diagnostic des différents éléments du processus de gestion considéré.
Dans ce qui suit, nous proposons, dans une première partie, une méthode de commande
par courant d’hystérésis des convertisseurs DC-DC à base d’un observateur hybride pour
la régulation de tension aux bornes du bus DC du système de gestion d’énergie. Nous
consacrons la deuxième partie à l’observation d’état hybride du système afin d’assurer la
detection et l’isolation de défauts des différents composants du système mis en œuvre.
3.6.1 Régulation de la tension du bus DC à base d’un observa-

teur hybride
Dans la littérature, plusieurs méthodes ont été proposées pour assurer la régulation de
la tension de sortie des convertisseurs DC-DC. En effet, une régulation de courant sans
capteur utilisant un contrôleur flou pour un convertisseur DC-DC est présentée dans [114].
Pour prouver la haute efficacité du contrôleur, une erreur en régime permanent est éli-
minée sans utiliser de capteurs de courant. Dans [116], une commande par mode glissant
basée sur un observateur d’ordre plein d’un convertisseur DC-DC pour les applications de
véhicules électriques hybrides est présentée. La méthode consiste à utiliser un observateur
en mode STC (Super-Twisting Control) pour estimer le courant d’entrée afin de suivre les
valeurs souhaitées à partir de la mesure de la tension de sortie uniquement. Dans [117],
une commande à courant prédictive sans capteur à été proposée. Un observateur de cou-
rant différentiel à autocorrection est utilisée pour éliminer l’erreur statique d’un correcteur
proportionnel intégral à boucle de tension. Dans [118], afin de commander la tension de
sortie des convertisseurs DC-DC sans capteurs de courant, un contrôleur flou basé sur
un observateur est utilisé. Le but de cette technique de commande est de déterminer les
gains du contrôleur et de l’observateur en résolvant un ensemble des inégalités matricielle
linéaires (LMI). D’autre part, dans [119], une commande robuste basée sur l’approche
DOB (Disturbance OBserver) pour commander la tension aux bornes d’un convertisseur
DC-DC est développée.
Nous consacrons, cette section, à la régulation de la tension de sortie du système de

gestion de l’énergie à l’aide d’une commande de courant à hystérésis avec bande fixe
(FBHCC : Fixed band hesteritic current control) et par utilisation d’un observateur hy-
bride. En effet, le FBHCC offre plusieurs avantages comme une réponse dynamique très
rapide, une protection contre les surintensités et une bonne robustesse pour la variation
des paramètres de charge. La réponse du système devient beaucoup plus rapide puisque
l’observateur a tendance à agir sur l’erreur statique. L’observateur hybride estime la ten-
sion du bus DC, qui est renvoyée au FBHCC pour générer les signaux de commutation
aux entrées des MOSFETs. La gestion du FBHCC est gérée par une machine à états finis.
Les gains d’observation sont déterminés en résolvant un ensemble des contraintes LMI.
3.6.2 Conception de l’observateur hybride

Le choix du courant iL1 , du courant iL2 , de la tension Vsc du pack supercondensateurs et
de la tension du bus DC Vbus comme variables d’état, permet d’aboutir à la représentation
94
d’état suivante :
(
ẋ(t) = Aq x(t) + Bu(t)
(3.52)
y(t) = Cx(t)
où les matrices Aq , B et C sont des matrices constantes de dimensions appropriées.
Considérons l’observateur d’état pour le système (3.52) comme suit

˙
(
x̂(t) = Ar x̂(t) + Bu(t) + Kr (y(t) − ŷ(t))
(3.53)
ŷ(t) = C x̂(t)
où x̂(t) ∈ <n est l’état estimé de x(t) et Kr ∈ <n×p est le gain d’observation. r ∈ IN
est la fonction d’activation de différents modes d’observation d’état. Le théorème qui suit
permet de synthétiser l’observateur hybride.
Théorème 3.1
Considérons le système défini par (3.52) muni de l’observateur (3.53) et supposons que
pour T0 > 0 alors il vient
sup kx(t)k ≤ xmax et sup ku(t)k ≤ umax
t>T0 t>T0
En supposant qu’il existe des matrices Pi = PiT ≥ 0 et des scalaires ε ≥ 0, α > 0, µi,j ≥
0, νi,j ≥ 0 et que les deux conditions formulées ci-dessous soient remplies.
• Les contraintes LMI sont faisables



 λI ≤ P " i ≤ δI i ∈# IS
Φ11 12
i,j Φi,j


Φi,j = ≤ 0 (i, j) ∈ IS (3.54)


 Φ21 22
i,j Φi,j
 P = Pi + dTi,j C + C T di,j (i, j) ∈ IS

j
avec
T T
Φ11
i,j = (Ai − Ki C) Pi + Pi (Ai − Ki C) + I + νi,j I
Φ12 22 2
i,j = Pi (Aj − Ai ), Φi,j = µi,j Qj − ε νqi,j I
12 T
Φ21
i,j = (Φi,j )
• Les états de l’observateur hybride sont mis à jour selon

x̂+ (t) = (I − Ri−1 (CRi−1 )† C)x̂(t) + Ri−1 (CRi−1 )† y(t) (3.55)
√
où Ri = Vi Λi ViT et Λi ∈ <n×n est la matrice diagonale constituée des valeurs propres
positives de Pi . Vi ∈ <n×n sont les vecteurs propres orthogonaux à Pi .
En utilisant une fonction de Lyapunov commune, nous obtenons di,j = 0.
L’erreur d’observation d’état e(t) est alors bornée comme suit

s
ν̄ δ
lim sup ke(t)k ≤ ε xmax (3.56)
t→∞ 1 + ν̄ λ
avec ν̄ le plus grand νi,j , (i, j) ∈ IS .
95
3.6.3 Détermination des matrices de l’observateur hybride

Notons d’abord que les scalaires inconnus ε, δ et λ sont calculés itérativement. Puis, en
fixant ε, il est possible de chercher la valeur la plus petite de δ satisfaisant les conditions
(3.54). Ensuite, la valeur de ε est augmentée s’il n’y a pas de solution. Enfin, pour obtenir
une matrice symétrique définie positive Pi , il est possible de fixer λ à 1.
Les gains d’observation Ki sont obtenus par résolution des contraintes LMI (3.54). De
plus, afin de limter ses valeurs, il est possible d’introduire une nouvelle variable inconnue
Wi ∈ <n×p telle que
Wi = Pi Ki (3.57)
d’où
Ki = Pi−1 Wi (3.58)
En limitant Wi par la condition suivante :
WiT Wi ≤ αi2 Ip×p (3.59)
avec αi un paramètre choisi impliquant que
WiT Wi ≥ KiT Ki αmin (Pi Pi ) ≥ λ2 KiT Ki (3.60)
où αmin (Pi Pi ) est la plus petite valeur propre de Pi Pi . Il s’ensuit que

λ2i
KiT Ki ≤ Ip×p (3.61)
α2
Il est à signaler qu’en fixant λ, les gains d’observation sont bornés. Néanmoins, le pro-
blème est de savoir comment résoudre la contrainte WiT Wi ≤ αi2 Ip×p , qui n’est pas une
LMI standard.
L’utilisation du complément de Schur permet de transformer l’inégalité (3.59) en une

contrainte LMI donnée par
" #
αi2 Ip×p WiT
≥ 0 , i ∈ IN (3.62)
Wi In×n
Les paramètres de l’observateur sont obtenus grâce à un algorithme que nous avons dé-
veloppé pour cet effet.
Etape 1 : Fixer la valeur de λ = 1,

Etape 2 : Fixer la valeur de ,
Etape 3 : Chercher la plus petite valeur de δ satisfaisant les conditions LMI définies par
(3.54),
Etape 4 : Si les contraintes LMI (3.54) ne sont pas faisables, augmenter alors la valeur
de et répéter l’étape 2, sinon passer à l’étape 5,
Etape 5 : Calculer le gain de l’observateur selon l’égalité Ki = Pi−1 Wi ,
Étape 6 : Calculer enfin la matrice dynamique de l’observateur donnée par Âi = Ai −Ki C.
96
3.6.4 Implémentation expérimentale

Pour démontrer les performances de l’observateur hybride, les résultats que ce soient
expérimentaux ou par simulation numérique sont obtenus avec les paramètres réels du pro-
cessus donnés par L1 = 330mH, L2 = 330mH, Rch = 120Ω, Rsc = 0.001Ω, Csc = 140F
et Cf = 1800µF .
La commande est réalisée par utilisation de la même carte électronique donnée par la
figure 3.1.
3.6.5 Mode 1 : Mode buck

Dans ce mode, le convertisseur réversible fonctionne en buck. Le courant IL2 est né-
gatif, ce qui provoque la charge de supercondensateur.
La tension continue de sortie Vbus est égale à 20V . Les commandes MOSFETs sont connec-
tées aux sorties du panneau numérique out0 , out1 et out2 avec u1 = out0 , u2 = out1 et
u3 = out2 ) de la carte DSPACE1104 R&D via le TLP351.
Initialement, les commandes u3 = 1, u2 = 0 et u2 = 0 (cela signifie que le convertis-

seur réversible fonctionne comme buck) sont conservées jusqu’à ce que la valeur du IL2
actuelle soit inférieure à −0, 22A. À ce moment, la commande MOSFET change et de-
vient u3 = 0 et u2 = 0 jusqu’à ce que la valeur devienne supérieure à −0, 13A comme
c’est illustré dans la figure 3.58.
Concernant le convertisseur boost, initialement la commande u1 = 1 jusqu’à ce que la

valeur actuelle de IL1 dépasse 0.4A. A ce moment, u1 devient égal à 0 pour garder le
courant IL1 dans l’intervalle [0.25A, 0.5A] comme le montre la figure 3.59. Les tensions
de sortie Vbus et Vsc sont illustrées par les figures 3.60 et 3.61.
Figure 3.58 – Le courant IL1 et son es- Figure 3.59 – Le courant IL2 et son es-
97
3.6.6 Mode 2 : Mode boost

Dans ce mode, le convertisseur réversible fonctionne en boost. Le courant IL2 est posi-
tif, ce qui provoque la décharge de l’ultra-condensateur. Initialement, la commande u2 = 1
(u3 reste toujours égal à zéro pour assurer le fonctionnement du deuxième convertisseur
en mode boost) jusqu’à ce que le courant IL2 dépasse la valeur de 0.3A. Ensuite, la com-
mande u2 passe à zéro pour maintenir le courant dans une limite définie [0.2A 0.3A]
comme le montre la figure 3.62.
Pour le convertisseur boost, la commande reste dans l’intervalle [0.1A 0.5A] comme
l’illustre la figure 3.63. Les tensions de sortie Vbus et Vsc sont données par les figures 3.64
et 3.65.
Figure 3.62 – Le courant IL1 et son es- Figure 3.63 – Le courant IL2 et son es-
98
3.6.7 Mode 3 : Mode buck/boost

Le système de gestion de l’alimentation a été testé dans deux modes, ce qui signifie
que le convertisseur réversible fonctionne une fois en boost et une fois en buck. Il est à
noter que le courant inducteur IL1 du convertisseur boost est toujours positif et sa valeur
est comprise entre 0, 18A et 0, 5A comme c’est affiché dans la figure 3.66.
D’autre part, le signe actuel de IL2 dans le deuxième convertisseur change lors du passage
du mode buck au mode boost. Ainsi, pendant la phase de boost, le courant IL2 est positif
et sa valeur est comprise entre 0.5A et 0.3A. Dans cette phase, l’ultra-condensateur se
décharge en traversant la charge. Tandis que pour la phase buck, le courant change de
signe et sa valeur devient comprise entre −0, 5A et −0, 1A comme l’illustre la figure 3.67.
Par ailleurs, la tension Vbus diminue car une partie de la tension sera récupérée par l’ultra-
condensateur. Les figures 3.68 et 3.69 montrent respectivement les sorties Vbus et Vsc en
mode buck/boost.
Figure 3.66 – Courant IL1 et son esti- Figure 3.67 – Courant IL2 et son esti-
mation en mode buck/boost mation en mode buck/boost
99
Figure 3.68 – Tension Vbus et son esti- Figure 3.69 – Tension Vsc et son esti-
mation en mode buck/boost mation en mode buck/boost
3.7 Détection et isolation de défaut dans le système

de gestion d’énergie à base d’observateurs hy-
brides
Le générateur de résidus hybride à entrées inconnues est élaboré pour que chaque ré-
sidu généré soit sensible à un seul défaut et il n’est pas affecté par les autres. Dans la
littérature, plusieurs techniques et méthodes ont été présentées. Dans [120], un observa-
teur hybride robuste a été proposé pour une classe de systèmes hybrides avec des entrées
inconnues. Les défauts, les incertitudes et les perturbations du modèle sont représentés
comme des entrées inconnues structurées. L’observateur hybride robuste se compose d’un
observateur en mode discret et d’un observateur en mode continu pour l’estimation d’état
continue et la détection de transition de mode en mode. Cette approche montre que le
mode peut être identifié correctement et l’erreur d’estimation d’état continue est expo-
nentiellement uniformément bornée.
Dans [121], un observateur hybride robuste pour les systèmes linéaires commutés avec
des entrées inconnues a été proposé. L’observateur proposé est synthétisé afin d’assurer la
détection de défaut robuste sans connaître le mode actif. En effet, le problème de détec-
tion de défaut robuste a été considéré comme un appariement de modèle H∞ standard.
Un compromis entre la robustesse des entrées inconnues et la sensibilité aux défauts a été
obtenu grâce à un indice de performance H∞ . Ce dernier est optimisé par une approche
itérative de résolution LMI.
Par ailleurs, dans [122], un observateur hybride des systèmes linéaires commutés a été
proposé. La méthode proposée vise à identifier et à localiser un défaut du mode actif du
système hybride étudié. Pour chaque mode, un observateur de Luenberger a été synthé-
tisé pour détecter un défaut. L’idée est basée sur l’utilisation d’un observateur hybride
pour générer des résidus pour chaque erreur d’estimation du système étudié. La technique
proposée de diagnostic a été appliquée à un convertisseur boost.
100
3.7. Détection et isolation de défaut dans le système de gestion d’énergie à base
D’autre part, dans [123], la synthèse des observateurs hybrides robustes dédiés au mode
d’identification et de détection et isolation de défauts d’un système dynamique hybride,
modélisé par des automates hybrides, a été proposé. La conception de l’observateur est
divisée en deux modules. La première est utilisée pour identifier le courant et le second est
synthétisé autour d’un schéma d’observateur pour détecter les défauts. Une comparaison
entre cette technique et la méthode de placement des pôles a été proposée.
En l’occurrence, dans [124] a été développée une approche de calcul de résidus pour dé-
terminer le mode actuel, pour estimer le temps de commutation entre deux modes et pour
détecter les défauts pouvant survenir dans le système. Dans de nombreuses situations, et
en particulier lorsque des événements internes ont eu lieu, le temps de commutation d’un
champ vectoriel à un autre n’est pas connu. Le principe général des algorithmes de détec-
tion et d’isolation de défauts sont basés sur un modèle de comparaison du comportement
attendu du système, donné par un modèle, avec son comportement réel, connu par des
observations en ligne. L’approche bien connue de l’espace de parité permet de générer des
résidus qui reflètent l’écart entre les deux modèles.
3.7.1 Détection et isolation de défaut dans le système de gestion

d’énergie
Nous proposons une méthode de détection et isolation de défaut basée sur un banc
d’observateurs hybrides pour la génération de N résidus. Chacun résidu est sensible à un
seul défaut et il est insensible à tous les autres. De cette manière, il est non seulement
possible de détecter le défaut mais aussi de le localiser avec précision.
Ainsi, dans le système de gestion d’énergie, la détection de défauts uniquement est insuf-
fisante. La localisation avec précision de tels défauts devient prédominante pour assurer
la sécurité des personnes ainsi des véhicules. Bien évidemment, les défauts peuvent être
généré par les capteurs ou par les actionneurs selon le fonctionnement de l’installation.
L’architecture du banc d’observateurs, proposé pour la génération des résidus, est donnée
par la figure 3.70. Une telle architecture d’observateurs à entrées inconnues, utilisée pour
la détection et l’isolation de défauts, permet de générer suffisamment de résidus à entrées
inconnues. Ainsi, pour chaque défaut fi (t), i ∈ {1, . . . , m}, il vient
ri (t) 6= 0 si fi (t) 6= 0
Le système de gestion d’énergie peut être modélisé sous la forme d’une représentation
d’état de la forme
(
ẋ(t) = Ai x(t) + Bu(t) + Bdi d(t) + Bfi f (t)
(3.63)
y(t) = Cx(t)
où d(t) ∈ <m est le vecteur d’entrées inconnues et f (t) ∈ <m est le vecteur de défaut.
Ai , i = 1, . . ., n, sont les matrices données par les différents états du système, Bdi ∈ <n×m
et Bfi ∈ <n×m sont les matrices de distrubution des entrées inconnues et des défauts,
101
Figure 3.70 – Banc de résidus à base d’observateurs hybrides
respectivement.
Pour la détection et l’isolation de défaut, nous proposons l’observateur hybride suivant :
˙


 x̂(t) = Aj x̂(t) + Bu(t) + Lj (y(t) − ŷ(t))
ŷ(t) = C x̂(t) (3.64)


r(t) = V (y(t) − ŷ(t))
où x̂(t) ∈ <n et ŷ(t) ∈ <p sont respectivement les vecteurs d’état de sortie observés, r(t)
est le vecteur de résidus, Lj est la matrice gain d’observation et V est le gain résiduel.
r(t), Lj et V sont de dimensions appropriées.
Notons que i est le mode du système et j est le mode de l’observateur hybride. Les
paires (Ai , C), i = 1, . . ., n, sont observables.
Si nous considérons l’erreur d’observation entre l’état réel et l’état estimé e(t) = x(t)−x̂(t),
la dynamique d’une telle erreur alors explicitée par
ė(t) = (Aj − Kj C)e(t) + (Ai − Aj )x(t) + Bdi d(t) + Bfi f (t) (3.65)
D’autre part, l’équation du résidu est donnée par
r(t) = V (y(t) − ŷ(t))

= V Ce(t) (3.66)
102
Ainsi, pour garantir la détection de défauts, il convient de déterminer les gains Lj et V qui
assurent la convergence de l’erreur d’observation. Le résidu généré doit être conjointement
sensible aux défauts f (t) et robuste aux entrées inconnues d(t).
3.7.1.1 Observateur hybride pour la détection et l’isolation de défauts

Afin de calculer les paramètres de l’observateur hybride, nous procédons d’abord par
l’étude de sa stabilité via l’approche de Lyapunov. Pour ce faire, nous considérons la
fonction multiple de Lyapunov suivante :
Vj (e(t)) = eT (t)Pj e(t), j ∈ IN (3.67)
Il vient
!
T T
V̇j (e(t)) = e (t) [Aj − Lj C] Pj + Pj [Aj − Lj C] e( t)
(3.68)
T T
+ e (t)Pj ∆Ai,j x(t) + x (t)∆ATi,j Pj e(t)
avec Ai,j = Ai − Aj .
Pour que l’erreur d’observation soit asymptotiquement stable et bornée, nous nous basons
sur le théorème suivant :
Théorème 3.2
Considérons le système (3.63) et l’observateur (3.64) et supposons que sup kx(t)k ≤ xmax
et sup ku(t)k ≤ umax pour tout t ≥ 0.
D’autre part, nous supposons qu’il existe des matrices Pi = PiT ≥ 0 et des scalaires
ε ≥ 0, α > 0, µi,j ≥ 0, νi,j ≥ 0 tels que les conditions LMI suivantes sont vérifiées.
αI ≤ Pî ≤ ξI î ∈ IN (3.69)
Λ11 Λ12
" #
î,i î,i
Λî,i = ≤0 (î, i) ∈ IS (3.70)
Λ21
î,i
Λ 22
î,i
Pî = Pî + dTî,i C + C T dî,i (î, i) ∈ IS (3.71)
avec :
Λ11
î,i
= ATî Pî − CWîT + Pî Aî − Wî C + I + νî,i I
Λ12
î,i
= Pî (Ai − Aî ) , Λ22 î,i
= µî,i Qi − ε2 νî,i I (3.72)
Λ21
î,i
= (Λ12î,i
)T
D’autre part, l’état d’observateur est mis à jour par l’équation suivante :
x̂(t)+ = (I − Rj−1 (CRj−1 )† C)x̂0 t) + Rj−1 (CRj−1 )† y(t) (3.73)
103
où R† est le pseudo inverse de R et Rj ∈ <n×n est une matrice symétrique définie positive.
L’erreur d’observation e(t) est alors bornée comme suit

s s
ν̄ ζ
lim sup ke(t)k ≤ εxmax (3.74)
t→∞ 1 + ν̄ α
avec ν̄ = sup(νj,i ), ∀j, i ∈ IS .
Pour résoudre la LMI (??), nous introduisons Tj ∈ <n×p comme une nouvelle variable
selon le changement de variables suivant Pj = Tj Kj−1 , ce qui nous permet d’introduire
une autre contrainte dont l’objectif est de restreindre le domaine de faisabilité des LMI
pour contrôler la dynamique de l’observateur. Ainsi, en limitant Tj sous la forme
TjT Tj ≤ αi2 Ip×p (3.75)
et n utilisant le complément de Schur, il vient

" #
αq2 Ip×p TjT
≥ 0, j ∈ IN (3.76)
Tj In×n
3.7.1.2 Conception du générateur de résidus

Pour la conception du générateur de résidus dans le but de détecter et d’isoler les
féfauts qui peuvent survenir lors du fonctionnement du système de gestion d’énergie étudié,
nous considérons l’inégalité matricielle linéaire suivante :
AT Pî + Pî Aî − Tî C − C T Tî T Pî Bdi C T V T

 
 î
∗ −δî2 I 0 ≤0 (3.77)


∗ ∗ −I
La résolution de cette LMI conduit à la détermination des matrices Pj , Tj et V . Notons

que la matrice V est utilisée pour le calcul des résidus pour la détection et isolation des
défauts.
Pour les essais de simulation numériques que nous avons effectué sur le processus étu-
dié, npus considéons valeurs numériques des paramètres du système de gestion d’énergie
comme suit
L1 = 0.330H, L2 = 0.330H, Cb = 0.0008F , Rcs = 0.001Ω, Csc = 70F , RBus = 100Ω.
Nous traitons le cas où le deuxième convertisseur DC-DC fonctionne en boost comme

le montre le diagramme d’état de la figure 3.71. Nous signalons que dans ce mode, nous
nous intéressons uniquement à la détection de défaut.
Par ailleurs, en injectant un seul défaut f1 (t) pour les quatres modes (q = 1, . . . , 4), il
s’ensuit alors le résultat de simulation illustré par la figure 3.72 où le défaut se produit
dans l’intervalle [1s 1, 2s].
104
Figure 3.71 – Diagramme d’etat du processus de gestion de l’énergie
Figure 3.72 – Evolution du défaut f1 (t)
D’après ce résultat de simulation, il est clair que les sorties du système sont affectées par
ce défaut comme le montre les figures 3.73, 3.74, 3.75 et 3.76 qui représentent respective-
ment les dex courants IL1 et IL2 ainsi que les deux tensions Vbus et Vsc .
Nous signalons que l’affectation de la tension du supercondensateur Vsc est moins im-
portante que les autres sorties à cause de la forte valeur de sa capacité 70F qui engendre
une affectation très minime par rapport aux autres variables d’états.
En injectant le même défaut pour les quatre modes, nous constatons que les quatre rési-
dus (chaque mode a son propre résidu) réagissent entre l’instant t = 1s et 1.8s, et leurs
valeurs deviennent différentes de zéro comme le montre les figures 3.77, 3.78, 3.79 et 3.80.
105

rant IL1 affecté par le défaut f1 (t) rant IL2 affecté par le défaut f1 (t)

sion Vbus affectée par le défaut f1 (t) sion Vsc affectée par le défaut f1 (t)
106
.5
3.7.1.3 Détection et isolation de défauts

Nous nous intéressons à l’injection de deux défauts pour les quatre modes de fonction-
nement (q = 1, . . . , 4). Le premier se produit entre t = 1s et t = 1, 2s alors que le second
survient entre t = 1, 8s et t = 2, 2s comme le montre les figures 3.81 et 3.82.
Figure 3.81 – Défaut d1 (t)
Les deux défauts affectent simultannément les variables d’états à savoir les courants des
deux convertisseurs ainsi que les deux tensions Vbus et Vsc comme le montre les figures
3.83, 3.84, 3.85 et 3.86.
Pour la détection de défauts, nous avons conçu deux observateurs hybrides. Le premier
détecte f1 (t) alors que le défaut f2 (t) est considéré comme une entrée inconnue. Dans ce
cas, l’observateur hybride génère les résidus r11 (t), r12 (t), r13 (t), r14 (t) comme le montre
les figures 3.87, 3.91, 3.89 et 3.92.
Quant au deuxième observateur, il détecte le deuxième défaut f2 (t) en considérant le

premier défaut f1 (t) comme une entrée inconnue. Ainsi, un tel observateur génère les ré-
107
Figure 3.82 – Défaut d2 (t)

rant IL1 en mode buck rant IL2 en mode buck

sion Vbus en mode buck sion Vsc en mode buck
sidus r21 (t), r22 (t), r23 (t), r24 (t) comme l’illustre les figures 3.88, 3.93, 3.90 et 3.94.
108
Il est à noter que les résidus r1i (t) pour i = 1, . . . , 4 ne sont sensibles qu’au premier
défaut. Par contre, les résidus r2i (t) i = 1, . . . , 4 sont sensibles uniquement au deuxième
défaut.


109


3.8 Application à l’observation par intervalles à en-

trées inconnues du système de gestion d’énergie
Considérons le modèle linéaire du système de gestion d’énergie décrit par la représen-

tation d’état suivante :
ẋ(t) = Aq(t) x(t) + Bu(t) (3.78)

y(t) = Cx(t) (3.79)
où Aq(t) , q(t) = 1, . . . , 4, sont les matrices caractérisant le processus étudié et qui sont
réppéles ici par
110
3.8. Application à l’observation par intervalles à entrées inconnues du système de gestion
d’énergie
− L11
   
0 0 0 0 0 0 0

 0 − RLsc2 0 1
L2

  0

− RLsc2 0 1
L2


A1 =  , A2 =  ,
− Rch1Cf 1
− Rch1Cf


 0 0 0 
  Cf 0 0 

0 − C1sc 0 0 0 − C1sc 0 0
− L11
   
0 0 0 0 0 0 0
 0

− RLsc2 − L12 1
L2



 0 − RLsc2 − L12 1
L2


A3 =  , A4 = ,
1 1
− Rch1Cf 0 C1f − Rch1Cf
 
 Cf Cf
0 


 0 

0 − C1sc 0 0 0 − C1sc 0 0
 1 
 
L1 1 0 0 0

0 
B=  
et C= 0 1 0 0 

.
0
 
 
0 0 0 1
0
Notons que les deux convertisseurs DC-DC sont commandés en courant. Pour passer d’un
mode à l’autre, les courants de référence (iL1 max , iL1 min , iL2 min et iL2 min ) sont fixés pour
chaque convertisseur en respectant les deux conditions suivantes :
iL1 min < iL1 < iL1 max et iL2 min < iL2 < iL2 max (3.80)
Un observateur par intervalles, proposé pour le système (3.78), est explicité par
ẋ+ (t) = (Aq(t) − Lq(t) C)x+ (t) + Bu(t) + Lq(t) y(t) + d+ (t)



ẋ− (t) = (Aq(t) − Lq(t) C)x− (t) + Bu(t) + Lq(t) y(t) + d− (t) (3.81)
 −
x (t0 ) ≤ x(t) ≤ x+ (t0 )

En résolvant les LMI (??) du chapitre 2, appliquées au système linéaire à commutation

(3.78), nous obtenons les simulations suivantes :
3.8.1 Cas du convertisseur buck/boost fonctionnant en mode

boost
Le convertisseur DC-DC réversible en courant fonctionne en mode boost pour élever
la tension Vbus (30V dans notre cas). Le signal du mode de contrôle q(t) est généré à partir
de la machine à états fini. Il change de valeur lorsque le courant dépasse les écarts définis.
La figure 3.95 représente ces changements au cours du temps.
La figure 3.96 montre le courant IL1 en mode boost. Ce convertisseur DC-DC est com-
mandé en courant pour maintenir la valeur de IL1 dans une certaine limite. IL1 + et IL1 −
présentent l’estimation d’état supérieure et inférieure du courant IL1 . La figure 3.97 montre
le courant dans le convertisseur buck/boost. Dans ce cas le courant IL2 est positif car le
convertisseur fonctionne en survolteur. Le supercondensateur fournit le courant IL2 pour
supporter la batterie pendant le démarrage du véhicule hybride. IL+2 et IL−2 représentent
l’observation d’état supérieure et inférieuer du courant IL2 . Quant aux figures 3.98 et 3.99,
elles représentent respectivement la tension Vbus et Vsc et leurs états observés supérieur et
inférieur en mode boost.
111
Figure 3.95 – Mode de commutation q(t)
Figure 3.96 – Evolution de IL1 et de Figure 3.97 – Evolution de IL2 et de

ses observateurs supérieur et inférieur en ses observateurs supérieur et inférieur en
mode boost mode boost
Figure 3.98 – Evolution de Vbus et de Figure 3.99 – Evolution de Vsc et et de

ses observateurs supérieur et inférieur en ses observateurs supérieur et inférieur en
mode boost mode boost

buck
Le convertisseur DC-DC réversible fonctionne en mode buck ce qui provoque la charge
de supercondensateur et par conséquent la diminution de la tension Vbus (25V dans notre
cas). Le signal de commutation q(t) est généré à partir de la machine à états fini. Il change
de valeur lorsque le courant dépasse les écarts définis. La figure représente ces change-
ments au cours du temps. La figure 3.101 met en évidence le courant dans le deuxième
convertisseur DC-DC. Dans ce cas IL2 est négatif car le deuxième convertisseur fonctionne
en buck. Le supercondensateur récupère le courant IL2 en mode freinage du véhicule hy-
bride. IL+2 et IL−2 illustrent les estimations d’état supérieure et inférieure du courant IL2 .
112
3.8. Application à l’observation par intervalles à entrées inconnues du système de gestion
d’énergie
Figure 3.100 – Signal de commutation q(t)
La figure 3.102 décrit le courant dans le premier convertisseur DC-DC. Les figures 3.103
et 3.104 montrent respectivement les tensions Vbus et Vsc et leurs états observés supérieur
et inférieur en mode abaisseur.

ses estimateurs supérieur et inférieur en ses estimateurs supérieur et inférieur en
mode buck mode buck
Figure 3.103 – Evolution de Vbus et de Figure 3.104 – LEvolution de Vsc et de

ses estimateurs supérieur et inférieur en ses estimateurs supérieur et inférieur en
mode buck mode buck

buck/boost
Dans ce cas, le convertisseur DC-DC réversible fonctionne en mode buck/boost. Un
tel fonctionnement provoque la charge et la décharge du supercondensateur. La tension
113
Vbus augmente lorsque le deuxième convertisseur fonctionne comme un boost et diminue

lorsqu’il fonctionne comme un buck. Le signal de commutation q(t) est généré à partir de
la machine à états finis. Il change de valeur lorsque le courant dépasse les écarts définis.
La figure 3.105 représente ces changements au cours du temps. La figure 3.106 montre
Figure 3.105 – Le mode q(t)
que le courant IL2 qui passe d’une valeur positive (au démarrage du véhicule) à une
valeur négative (en mode de freinage). La figure 3.107 met en évidence le courant dans
le convertisseur boost. Alors que les figures 3.108 et 3.109 représentent respectivement la
tension Vbus et Vsc et leurs observés supérieur et inférieur.

ses observateurs d’état supérieur et infé- ses observateurs d’état supérieur et infé-
rieur en mode buck/boost rieur en mode buck/boost
Figure 3.108 – Evolution de Vbus et de Figure 3.109 – Evolution de Vsc et de

ses observateurs d’état supérieur et infé- ses observateurs d’état supérieur et infé-
rieur en mode buck/boost rieur en mode buck/boost
114
3.9. Conclusion
3.9 Conclusion
Au cours de ce chapitre, l’estimation des différentes variables d’états du système de
gestion d’énergie du véhicule hybride a été simulé et implémenté dans un simulateur réel.
Trois types d’observateurs ont été testés à savoir l’observateur bilinéaire a entrée inconnue,
l’observateur hybride et l’observateur par intervalles. L’utilisation de ces estimateurs a été
mise en œuvre pour la commande du système de gestion d’énergie ainsi que la détection
et l’isolation de défauts.
115
Conclusion générale
Cette thèse est consacrée à l’observation d’état et la détection de défauts du système

de gestion d’énergie dans un véhicule hybride. En effet, l’association du moteur électrique
et du moteur thermique engendre une complexité de conception des lois d’observation et
de commande du système de gestion d’énergie, d’où la nécessité d’assurer les différentes
transitions des flux énergétiques entre les composants pour répondre à tous les scénarios
possibles.
D’autre part, le système étudié est formé essentiellement par une pile à combustible ou
une batterie comme source d’alimentation principale et d’un module de superconden-
sateur comme source auxiliaire. Pour maintenir la tension du Bus DC constant, deux
convertisseurs Boost et Buck/boost commandés en courant sont intégrés dans le système.
En premier lieu, une modélisation de ce système a été proposée afin de déterminer l’ob-
servateur adéquat qui permet d’assurer la commande par retour d’état observé avec le
minimum de capteurs ainsi que le diagnostic pour la détection et l’isolation des défauts
du processus étudié. Principalement deux types de modèles ont été retenus qui sont le
modèle bilinéaire et le modèle hybride.
Afin de valider les différentes simulations numériques, nous avons conçu un simulateur
pour implémenter les différentes stratégies de commande du système de gestion d’énergie
ainsi que les différentes méthodes de détection et isolation de défauts.
La synthèse des différentes lois d’observation d’état pour commander les sorties d’un pro-
cessus étudié fait partie des contributions de ce travail. En effet, l’implémentation pratique
d’une loi de commande du système basé sur une machine à état finie faisant intervenir la
commande par hystérésis des courants de deux convertisseurs DC-DC a montré des per-
formances très probantes. L’idée est d’élaborer à partir d’un graphe d’état une commande
qui peut laisser les courants des convertisseurs dans une certaine limite prédéfinie quelque
soit les demandes énergétiques du système et quel que soit le scénario de la conduite du
véhicule. Les tests pratiques avec le simulateur du système de gestion d’énergie à base
d’une carte Dspace 1104 ont montré que les temps de réponse malgré les perturbations
extérieures rend le temps de réponse de ce système très rapide et précis.
La synthèse d’observateurs d’état en vue de la commande et la détection de défaut du

système a été élaborée dans la deuxième partie de cette thèse. En effet, un observateur
117
Conclusion
linéaire à entrée inconnue a été proposé afin d’estimer les différents états du système tel
que les courants des deux convertisseurs Boost et Buck/Boost, ainsi que l’estimation de
la tension du pack supercondensateur et la tension du Bus DC a été présenté afin d’as-
surer le diagnostic du système pour la détection et l’isolation de défauts. Pour cela, la
technique de banc de résidu a été testé pour localiser et isoler des pannes qui peuvent
affecter les composants du système de gestion d’énergie. De plus, le dysfonctionnement
de quelques composants tels que le pack supercondensateur ou la batterie à combustible
peut engendrer des problèmes énormes pour tout le système ce qui influe directement sur
la sécurité du véhicule et de leur utilisateur.
Dans le même contexte, vue la nature du modèle du système, nous avons proposé un
observateur hybride afin d’estimer en temps réel les différentes variables d’état du sys-
tème. En effet, contrôler ces convertisseurs a toujours été difficile car ils sont constitués
de circuits de commutation dont les structures changent fréquemment au cours du temps.
Ils sont considérés comme des systèmes hybrides où la partie discrète est représentée par
la haute fréquence de commutation des MOSFETs et la partie continue est décrite par les
courants et les tensions dans les convertisseurs. Pour prendre en compte le comportement
continu et discret de ces convertisseurs, des méthodes de modélisation hybrides sont uti-
lisées. Un observateur hybride est conçu pour améliorer les performances de l’observateur
d’état et de la commande en utilisant un algorithme avec le minimum de capteurs afin
d’assurer la robustesse et d’augmenter la fiabilité du système étudié. La combinaison de
l’observateur hybride avec une machine à état fini nous a permis de garantir une robus-
tesse importante pour le contrôle du système. L’implémentation pratique de l’algorithme
de commande montre bien son efficacité vis-à-vis des contraintes engendrés par le temps
de réponse de certain capteur.
Un banc de résidu basé sur un observateur hybride a été testé pour détecter et isoler
les défauts. En effet, en se basant sur la résolution de plusieurs LMI, le générateur de
résidu a montré une grande efficacité pour isoler les défauts. Ainsi, chaque résidu généré
se déclenche uniquement pour un seul défaut, ce qui nous permet de détecter facilement
l’origine de la panne dans le véhicule hybride qui est nécessaire pour assurer le bon fonc-
tionnement du système. Le banc d’observateurs doit générer de résidus pour détecter et
isoler l’occurrence de chaque coordonnée du vecteur de défauts.
Un observateur par intervalle robuste à entrées inconnues a été conçu pour reconstruire les
variables d’état non mesurables. Les simulations numériques ont montré les performances
exceptionnelles de la technique de d’observation proposée. En effet, malgré l’entrée incon-
nue considérée comme étant une perturbation extérieure affectant le comportement du
processus, l’observateur est parvenu à fournir des performances concurrentielles en termes
de précision et de robustesse.
L’étude présentée dans ce mémoire nous a permis de mettre en avant plusieurs tech-
niques d’observation d’état des systèmes non linéaires et de les tester pour la détection de
défauts d’un système d’entraînement électrique. Il serait intéressant d’associer ces obser-
vateurs à d’autres systèmes de commande non linéaires en général, et du processus étudié
en particulier, et de tester leurs performances dans le cas pratique, et c’est dans ce sens
118
Conclusion générale
que nous envisageons de poursuivre nos travaux.
119
Bibliographie
[1] M. Farza, “Modélisation et synthese d’observateurs pour des classes de systemes

non-linéaires application aux proces des biochimiques,” Habilitation a diriger des
recherches, vol. 21, 2000.
[2] P. Borne, J. Richard, and M. Tahiri, “Estimation of attractive domains for locally
stable or unstable systems,” Systems Analysis Modelling Simulation, vol. 7, no. 8,
pp. 595–610, 1990.
[3] R. E. Kalman and J. E. Bertram, “Control system analysis and design via the
“second method” of lyapunov : I—continuous-time systems,” Journal of Basic En-
gineering, vol. 82, no. 2, pp. 371–393, 1960.
[4] D. Luenberger, “An introduction to observers,” IEEE Transactions on automatic
control, vol. 16, no. 6, pp. 596–602, 1971.
[5] J. O’Reilly, Observers for linear systems, vol. 170. Academic press, 1983.
[6] S. H. Zak et al., “On the stabilization and observation of nonlinear/uncertain dyna-
mic systems,” IEEE Transactions on Automatic Control, vol. 35, no. 5, pp. 604–607,
1990.
[7] J.-P. Gauthier, H. Hammouri, and S. Othman, “A simple observer for nonlinear sys-
tems applications to bioreactors,” IEEE Transactions on automatic control, vol. 37,
no. 6, pp. 875–880, 1992.
[8] E. B. BRAIEK, “Développement de méthodes analytiques pour l’étude et la com-
mande de processus non linéaires,” in Doctoratè s Sciences, ENIT, 1995.
[9] K. Busawon, M. Farza, and H. Hammouri, “Observer design for a special class of
nonlinear systems,” International Journal of Control, vol. 71, no. 3, pp. 405–418,
1998.
[10] G. Millerioux and J. Daafouz, “An observer-based approach for input-independent
global chaos synchronization of discrete-time switched systems,” IEEE Transactions
on Circuits and Systems I : Fundamental Theory and Applications, vol. 50, no. 10,
pp. 1270–1279, 2003.
[11] D. E. C. Belkhiat, “Fault tolerant control for a class of switched linear systems using
generalized switched observer scheme,” Journal of Control Engineering and Applied
Informatics, vol. 17, no. 4, pp. 90–101, 2015.
[12] X. Zhao, H. Liu, J. Zhang, and H. Li, “Multiple-mode observer design for a class of
switched linear systems,” IEEE Transactions on Automation Science and Enginee-
ring, vol. 12, no. 1, pp. 272–280, 2013.
121
BIBLIOGRAPHIE
[13] F. Wang and L. Long, “Switched-observer-based event-triggered adaptive fuzzy fun-

nel control for switched nonlinear systems,” IEEE Transactions on Fuzzy Systems,
vol. 1, no. 1, 2021.
[14] D. Gómez-Gutiérrez, S. Čelikovskỳ, A. Ramírez-Treviño, and B. Castillo-Toledo,
“On the observer design problem for continuous-time switched linear systems with
unknown switchings,” Journal of the Franklin Institute, vol. 352, no. 4, pp. 1595–
1612, 2015.
[15] D. Gómez-Gutiérrez, G. Ramírez-Prado, A. Ramírez-Treviño, and J. Ruiz-León,
“Observability of switched linear systems,” IEEE Transactions on Industrial Infor-
matics, vol. 6, no. 2, pp. 127–135, 2009.
[16] G.-X. Zhong and G.-H. Yang, “Fault detection for discrete-time switched systems
in finite-frequency domain,” Circuits, Systems, and Signal Processing, vol. 34, no. 4,
pp. 1305–1324, 2015.
[17] S. Chebotarev, D. Efimov, T. Raïssi, and A. Zolghadri, “Interval observers for
continuous-time lpv systems with l1/l2 performance,” Automatica, vol. 58, pp. 82–
89, 2015.
[18] H. Hamdi, M. Rodrigues, C. Mechmeche, and N. B. Braiek, “Synthèse d’un ob-
servateur proportionnel intégral à entrées inconnues pour les systèmes singuliers
représentés par des multi-modèles,” in Sixième Conférence Internationale Franco-
phone d’Automatique, CIFA, p. Proceedings, Open Science, 2010.
[19] A. Akhenak, M. Chadli, J. Ragot, and D. Maquin, “Estimation d’état et d’entrées
inconnues d’un système non linéaire représenté sous forme multi-modèle,” in Confé-
rence Internationale Francophone d’Automatique, CIFA, Academia, 2004.
[20] S. Wang, J. Na, X. Ren, H. Yu, and J. Yu, “Unknown input observer-based ro-
bust adaptive funnel motion control for nonlinear servomechanisms,” International
Journal of Robust and Nonlinear Control, vol. 28, no. 18, pp. 6163–6179, 2018.
[21] C. Mechmeche, S. Nowakowski, and M. Darouach, “A failure detection procedure for
bilinear systems based on a new formulation of unknown inputs bilinear observers,”
IFAC Proceedings Volumes, vol. 27, no. 5, pp. 53–57, 1994.
[22] J. Ragot, F. Kratz, and D. Maquin, “Finite memory observer for input-output es-
timation. application to data reconciliation and diagnosis,” IFAC Proceedings Vo-
lumes, vol. 33, no. 11, pp. 575–580, 2000.
[23] S. Hara and K. Furuta, “Minimal order state observers for bilinear systems,” Inter-
national Journal of Control, vol. 24, no. 5, pp. 705–718, 1976.
[24] A. Alessandri and P. Coletta, “Design of luenberger observers for a class of hybrid
linear systems,” in International Workshop on Hybrid Systems : Computation and
Control, pp. 7–18, Springer, 2001.
[25] A. Balluchi, L. Benvenuti, M. D. Di Benedetto, and A. L. S. Vincentelli, “A hybrid
observer for the driveline dynamics,” in 2001 European Control Conference (ECC),
pp. 618–623, IEEE, 2001.
[26] J. Daafouz, G. Millerioux, and C. Iung, “A poly-quadratic stability based approach
for linear switched systems,” International journal of Control, vol. 75, no. 16-17,
pp. 1302–1310, 2002.
122
BIBLIOGRAPHIE
[27] J.-L. Gouzé, A. Rapaport, and M. Z. Hadj-Sadok, “Interval observers for uncertain
biological systems,” Ecological modelling, vol. 133, no. 1-2, pp. 45–56, 2000.
[28] M. D. Di Benedetto, S. Di Gennaro, and A. D’Innocenzo, “Discrete state observa-
bility of hybrid systems,” International Journal of Robust and Nonlinear Control :
IFAC-Affiliated Journal, vol. 19, no. 14, pp. 1564–1580, 2009.
[29] D. Efimov, W. Perruquetti, T. Raïssi, and A. Zolghadri, “Interval observers for time-
varying discrete-time systems,” IEEE Transactions on Automatic Control, vol. 58,
no. 12, pp. 3218–3224, 2013.
[30] T. N. Dinh, F. Mazenc, and S.-I. Niculescu, “Interval observer composed of observers
for nonlinear systems,” in 2014 European control conference (ECC), pp. 660–665,
IEEE, 2014.
[31] T. Raïssi and D. Efimov, “Some recent results on the design and implementation of
interval observers for uncertain systems,” at-Automatisierungstechnik, vol. 66, no. 3,
pp. 213–224, 2018.
[32] H. Ethabet, T. Raissi, M. Amairi, and M. Aoun, “Interval observers design for
continuous-time linear switched systems,” IFAC-PapersOnLine, vol. 50, no. 1,
pp. 6259–6264, 2017.
[33] R. E. H. Thabet, T. Raissi, C. Combastel, D. Efimov, and A. Zolghadri, “An effective
method to interval observer design for time-varying systems,” Automatica, vol. 50,
no. 10, pp. 2677–2684, 2014.
[34] Z. He and W. Xie, “Control of non-linear switched systems with average dwell time :
interval observer-based framework,” IET Control Theory & Applications, vol. 10,
no. 1, pp. 10–16, 2015.
[35] H. Ethabet, D. Rabehi, D. Efimov, and T. Raïssi, “Interval estimation for
continuous-time switched linear systems,” Automatica, vol. 90, no. 1, pp. 230–238,
2018.
[36] M. Moisan and O. Bernard, “Robust interval observers for global lipschitz uncertain
chaotic systems,” Systems & Control Letters, vol. 59, no. 11, pp. 687–694, 2010.
[37] N. Meskin, K. Khorasani, and C. A. Rabbath, “A hybrid fault detection and isolation
strategy for a network of unmanned vehicles in presence of large environmental
disturbances,” IEEE Transactions on Control Systems Technology, vol. 18, no. 6,
pp. 1422–1429, 2010.
[38] S. A. Gadsden and S. R. Habibi, “Model-based fault detection of a battery system in
a hybrid electric vehicle,” in 2011 IEEE Vehicle Power and Propulsion Conference,
pp. 1–6, IEEE, 2011.
[39] Y. Fang, H. Min, W. Wang, Z. Xu, and X. Zhao, “A fault detection and diagno-
sis system for autonomous vehicles based on hybrid approaches,” IEEE Sensors
Journal, vol. 20, no. 16, pp. 9359–9371, 2020.
[40] C. Xiang, F. Ding, W. Wang, and W. He, “Energy management of a dual-mode
power-split hybrid electric vehicle based on velocity prediction and nonlinear model
predictive control,” Applied energy, vol. 189, pp. 640–653, 2017.
[41] X. Tang, W. Yang, X. Hu, and D. Zhang, “A novel simplified model for torsional
vibration analysis of a series-parallel hybrid electric vehicle,” Mechanical Systems
and Signal Processing, vol. 85, pp. 329–338, 2017.
123
BIBLIOGRAPHIE
[42] S. Baskar, V. Vijayan, I. I. Premkumar, D. Arunkumar, and D. Thamaran, “Design

and material characteristics of hybrid electric vehicle,” Materials Today : Procee-
dings, vol. 37, pp. 351–353, 2021.
[43] V. Krithika and C. Subramani, “A comprehensive review on choice of hybrid vehicles
and power converters, control strategies for hybrid electric vehicles,” International
Journal of Energy Research, vol. 42, no. 5, pp. 1789–1812, 2018.
[44] S. Schaeck, A. Stoermer, and E. Hockgeiger, “Micro-hybrid electric vehicle appli-
cation of valve-regulated lead–acid batteries in absorbent glass mat technology :
Testing a partial-state-of-charge operation strategy,” Journal of Power Sources,
vol. 190, no. 1, pp. 173–183, 2009.
[45] D. Winkler and C. Gühmann, “Hardware-in-the-loop simulation of a hybrid elec-
tric vehicle using modelica/dymola,” in Proceedings of the 22nd international bat-
tery, hybrid and fuel cell Electric Vehicle Symposium (EVS-22), Yokohama, Japan,
pp. 1054–1063, Citeseer, 2006.
[46] D. S. Cardoso, P. O. Fael, and A. Espírito-Santo, “A review of micro and mild
hybrid systems,” Energy reports, vol. 6, pp. 385–390, 2020.
[47] G. Rojas-Dueñas, J. R. Riba, and M. Moreno-Eguilaz, “Modeling of a dc-dc bidi-
rectional converter used in mild hybrid electric vehicles from measurements,” Mea-
surement, vol. 183, p. 109838, 2021.
[48] A. W. Stienecker, T. Stuart, and C. Ashtiani, “An ultracapacitor circuit for reducing
sulfation in lead acid batteries for mild hybrid electric vehicles,” Journal of Power
Sources, vol. 156, no. 2, pp. 755–762, 2006.
[49] L. Hao, Y. Wang, Y. Bai, and Q. Zhou, “Energy management strategy on a pa-
rallel mild hybrid electric vehicle based on breadth first search algorithm,” Energy
Conversion and Management, vol. 243, p. 114408, 2021.
[50] Z. Liu, A. Ivanco, and S. Onori, “Aging characterization and modeling of nickel-
manganese-cobalt lithium-ion batteries for 48v mild hybrid electric vehicle applica-
tions,” Journal of Energy Storage, vol. 21, pp. 519–527, 2019.
[51] S. B. Peterson, J. Whitacre, and J. Apt, “The economics of using plug-in hybrid
electric vehicle battery packs for grid storage,” Journal of Power Sources, vol. 195,
no. 8, pp. 2377–2384, 2010.
[52] T. Liu, X. Tang, H. Wang, H. Yu, and X. Hu, “Adaptive hierarchical energy manage-
ment design for a plug-in hybrid electric vehicle,” IEEE Transactions on Vehicular
Technology, vol. 68, no. 12, pp. 11513–11522, 2019.
[53] X. Hu, T. Liu, X. Qi, and M. Barth, “Reinforcement learning for hybrid and plug-in
hybrid electric vehicle energy management : Recent advances and prospects,” IEEE
Industrial Electronics Magazine, vol. 13, no. 3, pp. 16–25, 2019.
[54] J. Zuliani, J. Guilbaud, and M. Carreau, “Decarbonization of remote mine electricity
supply and vehicle fleets,” CIM Journal, vol. 12, no. 4, pp. 135–148, 2021.
[55] H. M. Billah, M. M. Lafifi, B. Brahim, and K. Salah, “Stratégie basée sur la com-
mande prédictive du moteur à combustion pour les véhicules hybrides série-parallèle
(hev),” Synthèse, vol. 23, no. 2, pp. 233–243, 2017.
124
BIBLIOGRAPHIE
[56] M. B. Harida, M. M. Lafifi, B. Boulebtateche, and S. Kermiche, “Stratégie basée

sur la commande prédictive du moteur à combustion pour les véhicules hybrides
série-parallèle (hev),” Synthèse : Revue des Sciences et de la Technologie, vol. 35,
no. 1, pp. 233–243, 2017.
[57] G. Harper, R. Sommerville, E. Kendrick, L. Driscoll, P. Slater, R. Stolkin, A. Walton,
P. Christensen, O. Heidrich, S. Lambert, et al., “Recycling lithium-ion batteries from
electric vehicles,” Nature, vol. 575, no. 7781, pp. 75–86, 2019.
[58] Z. Li, A. Khajepour, and J. Song, “A comprehensive review of the key technologies
for pure electric vehicles,” Energy, vol. 182, pp. 824–839, 2019.
[59] E. Belousov, M. Grigor’ev, and A. Gryzlov, “An electric traction drive for electric
vehicles,” Russian Electrical Engineering, vol. 88, no. 4, pp. 185–188, 2017.
[60] W. Enang and C. Bannister, “Modelling and control of hybrid electric vehicles
(a comprehensive review),” Renewable and Sustainable Energy Reviews, vol. 74,
pp. 1210–1239, 2017.
[61] K. Palmer, J. E. Tate, Z. Wadud, and J. Nellthorp, “Total cost of ownership and
market share for hybrid and electric vehicles in the uk, us and japan,” Applied
energy, vol. 209, pp. 108–119, 2018.
[62] A. Olabi, T. Wilberforce, and M. A. Abdelkareem, “Fuel cell application in the
automotive industry and future perspective,” Energy, vol. 214, p. 118955, 2021.
[63] D. Shen, C.-C. Lim, P. Shi, and P. Bujlo, “Energy management of fuel cell hybrid
vehicle based on partially observable markov decision process,” IEEE Transactions
on Control Systems Technology, vol. 28, no. 2, pp. 318–330, 2018.
[64] S. Ahmadi, S. Bathaee, and A. H. Hosseinpour, “Improving fuel economy and per-
formance of a fuel-cell hybrid electric vehicle (fuel-cell, battery, and ultra-capacitor)
using optimized energy management strategy,” Energy Conversion and Manage-
ment, vol. 160, pp. 74–84, 2018.
[65] Y. Wang, Z. Sun, and Z. Chen, “Energy management strategy for bat-
tery/supercapacitor/fuel cell hybrid source vehicles based on finite state machine,”
Applied energy, vol. 254, p. 113707, 2019.
[66] N. Sulaiman, M. Hannan, A. Mohamed, P. J. Ker, E. Majlan, and W. W. Daud,
“Optimization of energy management system for fuel-cell hybrid electric vehicles :
Issues and recommendations,” Applied energy, vol. 228, pp. 2061–2079, 2018.
[67] H. Fathabadi, “Fuel cell hybrid electric vehicle (fchev) : Novel fuel cell/sc hybrid
power generation system,” Energy Conversion and Management, vol. 156, pp. 192–
201, 2018.
[68] J. Garcia, D. Millet, P. Tonnelier, S. Richet, and R. Chenouard, “A novel approach
for global environmental performance evaluation of electric batteries for hybrid ve-
hicles,” Journal of Cleaner Production, vol. 156, pp. 406–417, 2017.
[69] L. Andaloro, A. Arista, G. Agnello, G. Napoli, F. Sergi, and V. Antonucci, “Study
and design of a hybrid electric vehicle (lithium batteries-pem fc),” International
Journal of Hydrogen Energy, vol. 42, no. 5, pp. 3166–3184, 2017.
[70] Z. P. Cano, D. Banham, S. Ye, A. Hintennach, J. Lu, M. Fowler, and Z. Chen,
“Batteries and fuel cells for emerging electric vehicle markets,” Nature Energy, vol. 3,
no. 4, pp. 279–289, 2018.
125
BIBLIOGRAPHIE
[71] G. Berckmans, M. Messagie, J. Smekens, N. Omar, L. Vanhaverbeke, and

J. Van Mierlo, “Cost projection of state of the art lithium-ion batteries for elec-
tric vehicles up to 2030,” Energies, vol. 10, no. 9, p. 1314, 2017.
[72] Z. Fu, L. Zhu, F. Tao, P. Si, and L. Sun, “Optimization based energy management
strategy for fuel cell/battery/ultracapacitor hybrid vehicle considering fuel economy
and fuel cell lifespan,” International Journal of Hydrogen Energy, vol. 45, no. 15,
pp. 8875–8886, 2020.
[73] Y. Wang, Z. Sun, X. Li, X. Yang, and Z. Chen, “A comparative study of power
allocation strategies used in fuel cell and ultracapacitor hybrid systems,” Energy,
vol. 189, p. 116142, 2019.
[74] X. Lu, Y. Chen, M. Fu, and H. Wang, “Multi-objective optimization-based real-time
control strategy for battery/ultracapacitor hybrid energy management systems,”
IEEE Access, vol. 7, pp. 11640–11650, 2019.
[75] Y. Wang, G. Gao, X. Li, and Z. Chen, “A fractional-order model-based state es-
timation approach for lithium-ion battery and ultra-capacitor hybrid power source
system considering load trajectory,” Journal of Power Sources, vol. 449, p. 227543,
2020.
[76] R. Koubaa et al., “Double layer metaheuristic based energy management strategy
for a fuel cell/ultra-capacitor hybrid electric vehicle,” Energy, vol. 133, pp. 1079–
1093, 2017.
[77] T. Azib, G. Remy, O. Bethoux, and C. Marchand, “Control strategy with saturation
management of a fuel cell/ultracapacitors hybrid vehicule,” in 2010 IEEE Vehicle
Power and Propulsion Conference, pp. 1–6, IEEE, 2010.
[78] H. He, R. Xiong, X. Zhang, F. Sun, and J. Fan, “State-of-charge estimation of the
lithium-ion battery using an adaptive extended kalman filter based on an impro-
ved thevenin model,” IEEE Transactions on vehicular technology, vol. 60, no. 4,
pp. 1461–1469, 2011.
[79] S. Berradi, F. Moutaouakkil, and H. Medromi, “Hybrid electrical architecture for
vertical takeoff and landing unmmaned aerial vehicule,” in International Symposium
on Ubiquitous Networking, pp. 439–448, Springer, 2015.
[80] A. Ravey, B. Blunier, and A. Miraoui, “Control strategies for fuel cell based hy-
brid electric vehicles : From offline to online,” in 2011 IEEE Vehicle Power and
Propulsion Conference, pp. 1–4, IEEE, 2011.
[81] L. D. Barker, M. V. Jakuba, A. D. Bowen, C. R. German, T. Maksym, L. Mayer,
A. Boetius, P. Dutrieux, and L. L. Whitcomb, “Scientific challenges and present
capabilities in underwater robotic vehicle design and navigation for oceanographic
exploration under-ice,” Remote Sensing, vol. 12, no. 16, p. 2588, 2020.
[82] D. Zhou, A. Ravey, A. Al-Durra, and F. Gao, “A comparative study of extremum
seeking methods applied to online energy management strategy of fuel cell hybrid
electric vehicles,” Energy conversion and management, vol. 151, pp. 778–790, 2017.
[83] J. Snoussi, S. Ben Elghali, M. Benbouzid, and M. F. Mimouni, “Auto-adaptive
filtering-based energy management strategy for fuel cell hybrid electric vehicles,”
Energies, vol. 11, no. 8, p. 2118, 2018.
126
BIBLIOGRAPHIE
[84] H. Li, H. Chaoui, and H. Gualous, “Cost minimization strategy for fuel cell hy-
brid electric vehicles considering power sources degradation,” IEEE Transactions
on Vehicular Technology, vol. 69, no. 11, pp. 12832–12842, 2020.
[85] X. Lü, Y. Wu, J. Lian, Y. Zhang, C. Chen, P. Wang, and L. Meng, “Energy manage-
ment of hybrid electric vehicles : A review of energy optimization of fuel cell hybrid
power system based on genetic algorithm,” Energy Conversion and Management,
vol. 205, p. 112474, 2020.
[86] R. Katuri and S. Gorantla, “Design and comparative analysis of a control stra-
tegy approach implemented to hybrid energy storage system based electric vehicle,”
Journal Europeen des Systemes Automatises, vol. 50, no. 3, p. 257, 2017.
[87] Y. Liu, J. Liu, D. Qin, G. Li, Z. Chen, and Y. Zhang, “Online energy management
strategy of fuel cell hybrid electric vehicles based on rule learning,” Journal of
Cleaner Production, vol. 260, p. 121017, 2020.
[88] H. S. Das, C. W. Tan, and A. Yatim, “Fuel cell hybrid electric vehicles : A review
on power conditioning units and topologies,” Renewable and Sustainable Energy
Reviews, vol. 76, pp. 268–291, 2017.
[89] Y. Zhou, A. Ravey, and M.-C. Péra, “Multi-mode predictive energy management for
fuel cell hybrid electric vehicles using markov driving pattern recognizer,” Applied
Energy, vol. 258, p. 114057, 2020.
[90] H. F. Gharibeh, A. S. Yazdankhah, M. R. Azizian, and M. Farrokhifar, “Online
energy management strategy for fuel cell hybrid electric vehicles with installed pv
on roof,” IEEE Transactions on Industry Applications, vol. 57, no. 3, pp. 2859–2869,
2021.
[91] P. M. Munoz, G. Correa, M. E. Gaudiano, and D. Fernández, “Energy manage-
ment control design for fuel cell hybrid electric vehicles using neural networks,”
International Journal of Hydrogen Energy, vol. 42, no. 48, pp. 28932–28944, 2017.
[92] X. Hu, C. Zou, X. Tang, T. Liu, and L. Hu, “Cost-optimal energy management of
hybrid electric vehicles using fuel cell/battery health-aware predictive control,” ieee
transactions on power electronics, vol. 35, no. 1, pp. 382–392, 2019.
[93] L. Li, S. Coskun, F. Zhang, R. Langari, and J. Xi, “Energy management of hybrid
electric vehicle using vehicle lateral dynamic in velocity prediction,” IEEE Transac-
tions on Vehicular Technology, vol. 68, no. 4, pp. 3279–3293, 2019.
[94] H. Wang, Y. Huang, A. Khajepour, H. He, and D. Cao, “A novel energy manage-
ment for hybrid off-road vehicles without future driving cycles as a priori,” Energy,
vol. 133, pp. 929–940, 2017.
[95] D. Saoudi, C. Mechmeche, et al., “Ts fuzzy bilinear observer for a class of nonlinear
system,” in 18th Mediterranean Conference on Control and Automation, MED’10,
pp. 1395–1400, IEEE, 2010.
[96] B. Tibken, E. Hofer, and A. Sigmund, “The ellipsoid method for systematic bilinear
observer design,” IFAC Proceedings Volumes, vol. 29, no. 1, pp. 2774–2779, 1996.
[97] M. Kinnaert, “Robust fault detection based on observers for bilinear systems,” Au-
tomatica, vol. 35, no. 11, pp. 1829–1842, 1999.
127
BIBLIOGRAPHIE
[98] Y. Li and R. G. Sanfelice, “A robust finite-time convergent hybrid observer for linear
systems,” in 52nd IEEE Conference on Decision and Control, pp. 3349–3354, IEEE,
2013.
[99] H. Ríos and A. R. Teel, “A hybrid observer for fixed-time state estimation of linear
systems,” in 2016 IEEE 55th Conference on Decision and Control (CDC), pp. 5408–
5413, IEEE, 2016.
[100] F. Hamdi, N. Manamanni, N. Messai, and K. Benmahammed, “Hybrid observer
design for linear switched system via differential petri nets,” Nonlinear Analysis :
Hybrid Systems, vol. 3, no. 3, pp. 310–322, 2009.
[101] A. L. Juloski, “Observer design and identification methods for hybrid systems :
Theory and experiments.,” 2002.
[102] A. Birouche, J. Daafouz, and C. Iung, “Observer design for a class of discrete time
piecewise-linear systems,” in Analysis and Design of Hybrid Systems 2006, pp. 12–
17, Elsevier, 2006.
[103] D. Xu, J. Liu, X.-G. Yan, and W. Yan, “A novel adaptive neural network constrained
control for a multi-area interconnected power system with hybrid energy storage,”
IEEE Transactions on Industrial Electronics, vol. 65, no. 8, pp. 6625–6634, 2017.
[104] Z. Wang, C.-C. Lim, and Y. Shen, “Interval observer design for uncertain discrete-
time linear systems,” Systems & Control Letters, vol. 116, pp. 41–46, 2018.
[105] F. Cacace, A. Germani, and C. Manes, “A new approach to design interval obser-
vers for linear systems,” IEEE Transactions on Automatic control, vol. 60, no. 6,
pp. 1665–1670, 2014.
[106] M. Nachidi, A. El Hajjaji, and J. Bosche, “An enhanced control approach for dc–dc
converters,” International Journal of Electrical Power & Energy Systems, vol. 45,
no. 1, pp. 404–412, 2013.
[107] M. Castaneda, A. Cano, F. Jurado, H. Sánchez, and L. M. Fernández, “Sizing
optimization, dynamic modeling and energy management strategies of a stand-
alone pv/hydrogen/battery-based hybrid system,” International journal of hydrogen
energy, vol. 38, no. 10, pp. 3830–3845, 2013.
[108] S. Delprat, J. Lauber, T.-M. Guerra, and J. Rimaux, “Control of a parallel hybrid
powertrain : optimal control,” IEEE transactions on Vehicular Technology, vol. 53,
no. 3, pp. 872–881, 2004.
[109] A. Mirzaei, A. Jusoh, Z. Salam, E. Adib, and H. Farzanehfard, “Analysis and design
of a high efficiency bidirectional dc–dc converter for battery and ultracapacitor
applications,” Simulation Modelling Practice and Theory, vol. 19, no. 7, pp. 1651–
1667, 2011.
[110] B. Kiran, P. Parthiban, D. Jena, and P. Prakash, “Design and implementation of
sliding mode voltage controller for dc to dc buck converter by using hysteresis mo-
dulation and pulse width modulation,” in 2016 Biennial International Conference
on Power and Energy Systems : Towards Sustainable Energy (PESTSE), pp. 1–6,
IEEE, 2016.
[111] P. Alou, J. Á. Oliver, O. Garcia, J. A. Cobos, A. M. Abou-Alfotouh, et al., “Nonli-
near control for dc–dc converters based on hysteresis of the current with a frequency
128
BIBLIOGRAPHIE
loop to operate at constant frequency,” IEEE transactions on Industrial Electronics,

vol. 58, no. 3, pp. 1036–1043, 2010.
[112] J.-C. Tsai, C.-L. Chen, Y.-H. Lee, H.-Y. Yang, M.-S. Hsu, and K.-H. Chen, “Mo-
dified hysteretic current control (mhcc) for improving transient response of boost
converter,” IEEE Transactions on Circuits and Systems I : Regular Papers, vol. 58,
no. 8, pp. 1967–1979, 2011.
[113] B. Vural, “Fc/uc hybridization for dynamic loads with a novel double input dc–
dc converter topology,” international journal of hydrogen energy, vol. 38, no. 2,
pp. 1103–1110, 2013.
[114] R. Pavithra and M. Muruganandam, “A sensorless current controlled dc-dc conver-
ter with intelligent control technique,” Int J Adv Res Electr Electron Instrum Eng,
vol. 4, no. 2, pp. 779–786, 2015.
[115] Y. Shi and H. Li, “Isolated modular multilevel dc–dc converter with dc fault current
control capability based on current-fed dual active bridge for mvdc application,”
IEEE Transactions on Power Electronics, vol. 33, no. 3, pp. 2145–2161, 2017.
[116] J. Liu, S. Laghrouche, and M. Wack, “Observer-based higher order sliding mode
control of power factor in three-phase ac/dc converter for hybrid electric vehicle
applications,” International Journal of Control, vol. 87, no. 6, pp. 1117–1130, 2014.
[117] Q. Zhang, R. Min, Q. Tong, X. Zou, Z. Liu, and A. Shen, “Sensorless predictive cur-
rent controlled dc–dc converter with a self-correction differential current observer,”
IEEE Transactions on Industrial Electronics, vol. 61, no. 12, pp. 6747–6757, 2014.
[118] K.-Y. Lian and C.-W. Hong, “Current-sensorless flyback converters using integral
ts fuzzy approach.,” International Journal of Fuzzy Systems, vol. 15, no. 1, 2013.
[119] M. Sitbon, S. Schacham, and A. Kuperman, “Disturbance observer-based voltage re-
gulation of current-mode-boost-converter-interfaced photovoltaic generator,” IEEE
transactions on industrial electronics, vol. 62, no. 9, pp. 5776–5785, 2015.
[120] W. Wang, L. Li, D. Zhou, and K. Liu, “Robust state estimation and fault diagnosis
for uncertain hybrid nonlinear systems,” Nonlinear analysis : Hybrid systems, vol. 1,
no. 1, pp. 2–15, 2007.
[121] D. Belkhiat, N. Messai, and N. Manamanni, “Design of a robust fault detection
based observer for linear switched systems with external disturbances,” Nonlinear
Analysis : Hybrid Systems, vol. 5, no. 2, pp. 206–219, 2011.
[122] H. Gara and K. B. Saad, “Design of a fault detection hybrid observer for linear
switched systems,” in 2018 15th International Multi-Conference on Systems, Signals
& Devices (SSD), pp. 1–6, IEEE, 2018.
[123] A. Takrouni, N. Zanzouri, and I. Labidi, “Robust diagnosis for hybrid noise sys-
tems,” International Journal of Modelling, Identification and Control, vol. 25, no. 3,
pp. 177–189, 2016.
[124] V. Cocquempot, M. Staroswiecki, and T. El Mezyani, “Switching time estimation
and fault detection for hybrid systems using structured parity residuals,” IFAC
Proceedings Volumes, vol. 36, no. 5, pp. 633–638, 2003.
129

Version 0000

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Version 0000

Transféré par

Droits d'auteur :

Formats disponibles

Bejaoui fatah

Observation d’état bilinéaire, hybride et par

Directeur de thèse : M. Ali Sghaier TLILI

Table des matières

1 Sur l’observation d’état et la détection de défauts des systèmes dy-

2 Approches d’observation d’état pour la détection des défauts des sys-

3 Application à la détection et l’isolation de défauts du système de ges-

3.3.1 Interêt de la gestion de l’énergie dans les voitures hybrides . . . . . 69

Conclusion générale 117

De jour en jour, la consommation mondiale en énergie primaire croît d’une manière

à tous les scénarios possibles. La commande et le diagnostic de ce système représentent un

Le premier chapitre est dédié à la présentation des voitures hybrides et électriques et

Dans le troisième chapitre, la première partie a été consacrée à la modélisation du sys-

Le quatrième chapitre a été consacré au diagnostic et l’isolation des défauts du système

du supercondensateur et la tension du bus DC. Un banc de générateur de résidus a été

Le dernier volet de ce chapitre sera consacré essentiellement à la modélisation du sys-

1.2 Observabilité des systèmes dynamiques

1.2.1 Observabilité des systèmes non linéaires

Pour définir la notion d’observabilité, nous partons de la notion de distinguabilité.

Définition 1.1 (Distinguabilité) [1]

Définition 1.2(Observabilité) [1]

Définition 1.3 [2]

Définition 1.4(Observabilité locale) [1]

1.2.2 Observabilité des systèmes linéaires

1.2.3 Observabilité des systèmes bilinéaires

où Ai , i = 0, . . . , m, Bi , i = 1, . . . , m, C et D sont des matrices constantes de dimensions

D’autres références utilisent également la représentation d’état qui suit [8] :

Définition 1.5[Observabilité uniforme] [9]

Le système bilinéaire (1.6) est uniformément observable si et seulement s’il existe (n − 2)

1.2.4 Observabilité des systèmes linéaires à commutation

où q ∈ J = [1, . . . , N ], N ∈ N, est le signal de commutation supposé connu et qui

Le système linéaire à commutation est dit complètement observable, tout en supposant

1.3 Observateurs d’état des systèmes dynamiques

Définition 1.8 On appelle observateur ou reconstructeur d’état d’un système

Figure 1.1 – Structure d’un observateur d’état

Le système O est dit un observateur d’état asymptotique du système (1.1) si

De même, le système O est dit observateur exponentiel du système S si

1.3.1 Observateur d’état de Luenberger

Dans le cas où dim(z(t)) = dim(x̂(t)) = dim(x(t)) = n, l’observateur d’état, appelé

ė(t) = Âe(t) + (A − LC − Â)x(t) + (B − B̂ − LD)u(t) (1.15)

Si les conditions Â = A − LC et B̂ = B − LD sont vérifiées, alors l’équation (1.15) est

e(t) = k0 eÂt (1.17)

où k0 représente l’erreur initiale d’observation.

avec Â une matrice de Hurwitz.

L’observateur d’état (1.3.5) peut être alors exprimé par

1.3.2 Observateur d’état à entrées inconnues

Considérons le système muni d’entrées inconnues présenté comme suit :

Un observateur d’état, utilisé pour l’estimation de x(t) en présence de l’entrée inconnue

1.3.3 Observateur d’état bilinéaire

avec z(t) le vecteur d’état de l’observateur et x̂(t) sa sortie.

L’erreur d’observation est donnée par

e(t) = z(t) − T x(t) (1.25)

où T est une matrice de dimension appropriée. Il vient alors la dynamique de l’erreur

ė(t) = Âe(t) (1.28)

Ainsi, d’après (1.24) et (1.25), il s’ensuit que

x̂(t) = M z(t) + Ey(t) = (M T + EC)x(t) + M e(t) (1.29)

1.3.4 Observateur d’état hybride

Pour mettre en exergue la technique d’observation d’état hybride, nous considérons le

Un observateur hybride conçu pour le système (1.31) est donné par

La stabilité est garantie si cette condition est verifiée

1.3.5 Observateur d’état par intervalles

L’observateur par intervalle consiste à un système dynamique auxiliaire fournissant une

Considérons le système non linéaire défini par

w(t)− ≤ w(t) ≤ w(t)+ (1.38)