These Fett Ah

Institut National Polytechnique de Lorraine
Centre de Recherche en Automatique de Nancy
Ecole doctorale IAEM Lorraine Dpartement de Formation Doctorale en Automatique e
Estimation dtat et diagnostic de e syst`mes ` commutation par ltrage e a multi-mod`le e

tel-00135049, version 1 - 6 Mar 2007
` THESE
prsente et soutenue publiquement le 08 dcembre 2006 e e e pour lobtention du
Doctorat de lInstitut National Polytechnique de Lorraine

(spcialit automatique et traitement du signal) e e par
Abdelfettah HOCINE
Composition du jury Prsident : e M.Ouladsine Professeur ` lUniversit dAix-Marseille a e
Rapporteurs :
D. Lefebvre M. Verg D. Maquin J. Ragot D. Theilliol
Professeur ` lUniversit du Havre a e Professeur ` lENSAM, Paris a Professeur ` lINPL, Nancy (directeur de th`se) a e Professeur ` lINPL, Nancy (co-directeur) a Professeur ` lUniversit de Nancy 1 a e
Examinateurs :
Centre de Recherche en Automatique de Nancy UMR 7039 - Nancy-Universit, CNRS e 2, Avenue de la Fort de Haye 54516 Vanduvre-L`s-Nancy e e Tl.+33(0)3 83 59 59 59 Fax +33(0)3 83 59 56 44 e
tel-00135049, version 1 - 6 Mar 2007
Mis en page avec la classe thloria.
Remerciements
Le travail prsent dans ce mmoire a t eectu au sein du Centre de Recherche en Automatique de Nancy (CRAN - UMR 7039) au sein du groupe thmatique "Sret de Fonctionnement et Diagnostic des Systmes" sous la direction de Messieurs les professeurs Didier Maquin et Jos Ragot. Je tiens leur tmoigner ma profonde gratitude pour l'accueil, le suivi et l'aide prcieuse qu'ils m'ont apports tout au long de ce travail. Je leur suis trs reconnaissant pour la conance qu'ils m'ont tmoigne tout au long de mes travaux de recherche. J'exprime ma gratitude Messieurs les professeurs Dimitri Lefebvre et Michel Verg d'avoir accept de rapporter sur mon mmoire et pour l'intrt qu'ils ont voulu porter ce travail. Leur lecture approfondie du mmoire, leurs remarques et interrogations judicieuses m'ont t trs prcieuses. Je remercie galement Monsieur le professeur Mustapha Ouladsine d'avoir accept d'examiner ce travail et d'assurer la prsidence du jury. Mes remerciements s'adressent aussi Monsieur Didier Theilliol pour sa participation au jury et pour ses remarques fructueuses. Je tiens particulirement remercier tous les membres du CRAN et tous les doctorants pour leur sympathie et l'ambiance chaleureuse qu'ils ont su entretenir tout au long de mon sjour parmi eux et tout particulirement Marjorie Schwartz pour sa constante disponibilit. Enn, mes remerciements vont tous ceux qui m'ont soutenu ou qui, d'une manire ou d'une autre, ont contribu l'laboration de ce travail.
tel-00135049, version 1 - 6 Mar 2007
tel-00135049, version 1 - 6 Mar 2007
ii
tel-00135049, version 1 - 6 Mar 2007
Je ddie cette thse mes parents adors sans lesquels je ne suis rien ma femme qui m'a soutenu et ma sur
iii
tel-00135049, version 1 - 6 Mar 2007
iv
Table des matires
tel-00135049, version 1 - 6 Mar 2007
Table des gures Table des notations Rfrences personnelles Introduction gnrale Chapitre 1 Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
1.1 1.2 1.3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ix
Filtre de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 Systme commutation markovienne temps discret . . . . . . . . . . . . 13 1.3.1 1.3.2 1.3.3 Chanes de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 Chanes de Markov espace d'tats discret . . . . . . . . . . . . . . 13 Description des systmes commutation markovienne . . . . . . . . 14 Description gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Approche multi-modle pour le cas non commutant . . . . . . . . . 18 Approche multi-modle pour les systmes commutation . . . . . . 21 Estimateur pseudo-baysien gnralis du premier ordre . . . . . . . 25 Estimateur pseudo-baysien gnralis du deuxime ordre . . . . . . 29 Estimateur IMM (Interacting Multiple Model Estimator) . . . . . . 33
1.4
Estimation d'tat par multi-modle . . . . . . . . . . . . . . . . . . . . . . 15 1.4.1 1.4.2 1.4.3 1.4.4 1.4.5 1.4.6
1.5
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 v
Table des matires
Chapitre 2 Diagnostic des systmes commutation

2.1 2.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Principes fondamentaux du diagnostic . . . . . . . . . . . . . . . . . . . . 44 2.2.1 2.2.2 2.2.3 2.2.4 2.3 2.3.1 Surveillance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Prise de dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 Performance d'une procdure de diagnostic . . . . . . . . . . . . . . 47 Modle de dfaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 Dtection de dfaut . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 Construction de la matrice de Markov . . . . . . . . . . . . . . . . 53 valuation des performances de la mthode . . . . . . . . . . . . . 54
Estimateurs multi-modles pour le diagnostic . . . . . . . . . . . . . . . . . 48 2.3.2 2.3.3 2.3.4
tel-00135049, version 1 - 6 Mar 2007
2.4 2.5
Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Chapitre 3 Estimation de la matrice de Markov

3.1 3.2 3.3 3.4 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 Fonction de densit de probabilit de la matrice de Markov 3.4.1 3.4.2 3.5 3.6 . . . . . . . . 67 Algorithme quasi baysien . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 Estimation quasi baysienne des paramtres d'une distribution mlange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 Estimateur quasi baysien de la MPT . . . . . . . . . . . . . . . . . 79 Algorithme par intgration numrique . . . . . . . . . . . . . . . . . . . . . 84 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Chapitre 4 Observateurs mmoire nie pour les systmes commutation markovienne

4.1 4.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 Observateur mmoire nie . . . . . . . . . . . . . . . . . . . . . . . . . . 92 4.2.1 4.2.2 vi Condition d'existence de l'observateur . . . . . . . . . . . . . . . . 94 Taille de l'horizon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.3 4.3 4.4
Proprits de l'observateur . . . . . . . . . . . . . . . . . . . . . . . 95
Observateur mmoire nie avec entre inconnue . . . . . . . . . . . . . . 95 Observateur mmoire nie pour les systmes commutation markovienne 97 4.4.1 4.4.2 Dveloppement de la mthode . . . . . . . . . . . . . . . . . . . . . 99 Exemple d'application . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.5 4.6
Extension de la mthode pour les systmes entre inconnue . . . . . . . . 106 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Chapitre 5 Observateur mixte pour les systmes commutation markovienne

tel-00135049, version 1 - 6 Mar 2007
5.1 5.2 5.3 5.4 5.5 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 Observateur mmoire nie . . . . . . . . . . . . . . . . . . . . . . . . . . 113 Observateur mixte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Observateur mixte pour les systmes commutation markovienne . . . . . 121 5.5.1 5.5.2 5.6 Dveloppement de la mthode . . . . . . . . . . . . . . . . . . . . . 121 Exemple d'application . . . . . . . . . . . . . . . . . . . . . . . . . 123
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Chapitre 6 Estimateur multi-modle structur

6.1 6.2 6.3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 Matrice des probabilits de transition . . . . . . . . . . . . . . . . . . . . . 130 6.3.1 6.3.2 6.4 Matrice des probabilits de transition entre deux sous-ensembles de modles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 Matrice des probabilits de transition au sein d'un sous-ensemble de modles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 Procdure d'estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 6.4.1 6.4.2 6.4.3 6.5 6.6 Sous-estimateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 Estimateur global . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 Choix du modle actif . . . . . . . . . . . . . . . . . . . . . . . . . 137
Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 vii
Table des matires
Conclusion et perspectives Bibliographie 153 165 167
tel-00135049, version 1 - 6 Mar 2007
viii
Table des gures
tel-00135049, version 1 - 6 Mar 2007
1.1 1.2 1.3 1.4 1.5 1.6 2.1 2.2 2.3 2.4 2.5 2.6 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8
Systme commutation markovienne . . . . . . . . . . . . . . . . . . . . . 15 Estimateur multi-modle pour les systmes non commutants . . . . . . . . 20 Estimateur multi-modle optimal pour les systmes commutants . . . . . . 24 Estimateur GPB1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 Estimateur GPB2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 Estimateur IMM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 Entre u du systme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 Courant i du systme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 Vitesse angulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 Estime du courant i du systme . . . . . . . . . . . . . . . . . . . . . . . 58 Estime de la vitesse angulaire . . . . . . . . . . . . . . . . . . . . . . . 58 Probabilits d'activation i . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Procdure d'estimation de la matrice de Markov . . . . . . . . . . . . . . . 68 Densit mlange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 Convergence de i . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 Densit mlange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 Convergence de i . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 Classication des donnes . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 Signaux d'entre-sortie et signaux de commutations . . . . . . . . . . . . . 83 Convergence de ii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 ix
Table des gures

3.9 Signaux d'entre-sortie et signaux de commutation . . . . . . . . . . . . . 85
3.10 Convergence de ij . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 3.11 Signaux d'entre-sortie et signaux de commutation . . . . . . . . . . . . . 87
3.12 Convergence de ij . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 4.1 4.2 4.3 4.4 Entres sorties du systme . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 Entre inconnue estime en prsence de bruit . . . . . . . . . . . . . . . . . 98 Entre inconnue estime en prsence de bruit . . . . . . . . . . . . . . . . . 99 Entres sorties du systme . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 Probabilit d'activation du modle 1 . . . . . . . . . . . . . . . . . . . . . 104 Probabilit d'activation du modle 2 . . . . . . . . . . . . . . . . . . . . . 104 Probabilit d'activation du modle 3 . . . . . . . . . . . . . . . . . . . . . 105 Probabilit d'activation du modle 1 avec bruit . . . . . . . . . . . . . . . 107 Probabilit d'activation du modle 2 avec bruit . . . . . . . . . . . . . . . 108
tel-00135049, version 1 - 6 Mar 2007
4.5 4.6 4.7 4.8 4.9
4.10 Probabilit d'activation du modle 3 avec bruit . . . . . . . . . . . . . . . 108 4.11 Estimation de l'entre inconnue en l'absence de bruit . . . . . . . . . . . . 109 4.12 Estimation de l'entre inconnue en prsence de bruit 5.1 5.2 5.3 5.4 5.5 5.6 6.1 6.2 6.3 6.4 6.5 x volution du terme D max (P + I)/ de e(k) . . . . . . . . . . . . 109
min (Q) en fonction du paramtre 118
Erreur d'estimation pour les deux composantes du vecteur d'tat et norme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 Variation du paramtre en fonction de la longueur de la fentre . . . . . 120 Probabilit d'activation du modle 1 . . . . . . . . . . . . . . . . . . . . . 124 Probabilit d'activation du modle 2 . . . . . . . . . . . . . . . . . . . . . 125 Probabilit d'activation du modle 3 . . . . . . . . . . . . . . . . . . . . . 125 Sous-estimateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 Estimateur global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 Entre-sorties du systme . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Probabilits d'activation (mthode directe) . . . . . . . . . . . . . . . . . . 144 Probabilits d'activation (mthode hirarchise) . . . . . . . . . . . . . . . 145
6.6
Probabilits d'activation mthode mixte . . . . . . . . . . . . . . . . . . . 146
tel-00135049, version 1 - 6 Mar 2007
xi
tel-00135049, version 1 - 6 Mar 2007
xii
Table des gures
Table des notations
tel-00135049, version 1 - 6 Mar 2007
BDI FA FDI GPB GPB1 GPB2 GPS IID IMM SDH OMF LMI MM MPT MV ND SMC SMM TMD
bonne dtection et isolation fausse alarme fault detection and isolation generalized pseudo-Bayesian estimator GPB du premier ordre GPB du deuxime ordre global positioning system isolation incorrecte du dfaut interacting multiple model estimator systmes dynamiques hybrides observateur mmoire nie linear matrix inequalities multi-modle matrice des probabilits de transition maximum de vraisemblance non-dtection systme commutations markoviennes static multiple model temps moyen de dtection
xiii
tel-00135049, version 1 - 6 Mar 2007
xiv
Table des notations
Rfrences personnelles
tel-00135049, version 1 - 6 Mar 2007
Revues avec comit de lecture

A. Hocine, D. Maquin et J. Ragot, Identication de systmes commutation, eSTA, Sciences et Technologies de l'Automatique, revue lectronique de la SEE, vol. 2, n 3, 2005. Article slectionn des Journes Doctorales, Modlisation, Analyse et Conduite des Systmes dynamique, JD-MACS, Lyon, France, 5-7 septembre 2005. A. Hocine, D. Maquin et J. Ragot, Observateur mmoire nie pour les systmes
commutations : application la dtection de dfauts, e-STA, Sciences et Technologies de l'Automatique, revue lectronique de la SEE, vol. 1, n 4, 2004. Article slectionn de la Confrence Internationale Francophone d'Automatique, CIFA'2004, Douz, Tunisie, 22-24 novembre 2004.
Congrs internationaux avec comit de lecture et actes

A. Hocine, M. Chadli, D. Maquin et J. Ragot, A discrete-time Sliding Window Ob-
server for Markovian Switching System, 45rd IEEE Conference on Decision and
Control, San Diego, CA, USA, December 13-15, 2006. A. Hocine, D. Maquin et J. Ragot, Finite memory observer for switching systems :
Application to diagnosis, 16th IFAC World Congress, Prague, Czech Republic, July
4-8, 2005. 1
Rfrences personnelles
J. Ragot, A. Hocine et D. Maquin, Parameter estimation of switching systems, International Conference on Computational Intelligence for Modelling, Control and Automation, CIMCA'2004, Gold Coast, Australia, July 12-14, 2004. A. Hocine, D. Maquin et J. Ragot, Finite memory observer for switching system :
application to diagnosis, Workshop on Advanced Control and Diagnosis, Karlsruhe,

Germany, November 17-18, 2004.
Congrs nationaux avec comit de lecture et actes

tel-00135049, version 1 - 6 Mar 2007
A. Hocine, D. Maquin et J. Ragot,Utilisation d'une banque de modles variable pour
la dtection de changement de rgimes, Journes Doctorales d'Automatique, Valenciennes, France, 25-27 juin 2003.
Introduction gnrale
tel-00135049, version 1 - 6 Mar 2007
Le dveloppement croissant de l'automatisation, au cours de ces deux dernires dcennies, a touch tous les secteurs de l'industrie. La complexit des systmes industriels qui en rsulte a rendu leur exploitation plus performante et plus vulnrable. En eet, l'volution des technologies a permis l'amlioration des performances des dirents dispositifs, mais a aussi entran une prise en compte de leur abilit, critre qui caractrise leur sret de fonctionnement. Il s'ensuit que la ralisation de systmes srs passe par la prise en compte lors de leur conception des proccupations relatives leur aptitude rsister aux ventuelles dfaillances matrielles (capteurs, actionneurs, etc.), logicielles (par exemple, l'algorithme de commande) et humaines. Ainsi, cette volution technologique a contribu au dveloppement de nouvelles procdures de surveillance qui permettent la dtection, la localisation et le diagnostic des ventuels dfauts. Ces procdures ou algorithme de surveillance comprennent une tape de gnration d'indicateurs de dfauts ou rsidus, qui caractrise un cart par rapport aux conditions de fonctionnement (plusieurs modes de fonctionnement peuvent tre rpertoris). Une phase d'valuation de ces rsidus conduit ensuite prendre une dcision. Or, pour gnrer ces rsidus, on utilise des informations issues d'un modle analytique du systme, an de les comparer celles fournies par les instruments de mesure. Une phase prliminaire d'analyse est donc ncessaire : c'est la structuration de la connaissance ou plus exactement la modlisation du systme. Si l'on considre qu'un systme peut changer de mode de fonctionnement n'importe quel instant (par exemple passage d'un mode de fonctionnement normal un mode de fonctionnement en dfaut) le systme pourra tre considr comme 3
Introduction gnrale
un systme commutation. Cette catgorie de systme est volution la fois continue et vnementielle (commutation). Elle appartient la classe des systmes dynamiques hybrides SDH (Zaytoon, 2001). En l'absence d'informations concernant les instants de commutation due au caractre alatoire de l'apparition des dfauts, nous avons choisi de modliser le systme rel par un systme commutation markovienne qui est reprsent par un ensemble de modles de fonctionnement (fonctionnements normaux et anormaux) et par une matrice de probabilit de transition de Markov qui contient les probabilits de passage d'un modle de fonctionnement un autre. La reprsentation du systme tant x, celle-ci ore un cadre idal l'application de l'estimation multi-modle (Magill, 1965) (Bar-Shalom et al., 1989) et (Zhang and Li, 1998). L'intrt d'utiliser ce type d'estimateurs rside dans le fait qu'en plus de l'estimation de l'tat du systme, les estimateurs multi-modle procurent la probabilit d'occurrence ou d'activation de chaque modle de fonctionnement. Ces probabilits peuvent tre utilises pour la dtection de dfaut. Dans ce travail, nous avons utilis les spcicits de l'estimation multi-modle an de procder la dtection et l'isolation des dfauts qui peuvent aecter un systme linaire. Cependant, plusieurs amliorations et amnagements ont t apports cet estimateur dans le but d'augmenter les performances du diagnostic.
tel-00135049, version 1 - 6 Mar 2007
Organisation
Ce mmoire, dcompos en six chapitres, est organis de la faon suivante :
Chapitre 1
Aprs un rappel non exhaustif de quelques notions sur le ltre de Kalman ainsi que sur les systmes commutation markovienne et leur stabilit, nous introduisons l'estimation d'tat par multi-modle en relatant les direntes formes dont il est fait tat dans la littrature spcialise. 4
Chapitre 2
Dans ce chapitre, nous utilisons les mthodes d'estimation multi-modle pour la dtection de dfaut o le systme est reprsent par un ensemble de modles de bon fonctionnement et un ensemble de modles reprsentants les dfauts. Les probabilits d'activation des modles issues des estimateurs du chapitre 1 sont utilises pour la dtection, et l'isolation du ou des dfauts.
Chapitre 3
tel-00135049, version 1 - 6 Mar 2007
Le troisime chapitre est ddi l'estimation de la matrice de Markov. Nous avons choisi de prsenter deux mthodes (mthode quasi baysienne et mthode par intgration numrique) proposes par (Jilkov and Li, 2004) pour eectuer cette estimation. Ensuite, nous les avons intgr l'estimation multi-modle an d'estimer simultanment la matrice de Markov et l'tat du systme ainsi que les probabilits d'activation des modles de fonctionnement du systme.
Chapitre 4
Nous proposons dans ce chapitre d'intgrer les observateurs mmoire nie (OMF) dans le cadre de la procdure de diagnostic et d'estimation multi-modle. Ce type d'observateur nous permet d'estimer les entres inconnues du systme et d'eectuer la dtection de dfaut simultanment.
Chapitre 5
An d'amliorer les performances de dtection et d'estimation de l'estimateur multimodle, nous proposons un observateur d'tat mixte. Cet observateur est une combinaison de l'observateur mmoire nie et de l'observateur de Luenberger. Il est intgr une procdure d'estimation multi-modle et appliqu la dtection de dfaut. 5
Introduction gnrale
Chapitre 6
An de limiter la dispersion des probabilits (dicult prendre une dcision sur le modle actif) lie au nombre de ltres fonctionnant en parallle, nous proposons dans ce chapitre, une approche hirarchise. Les modles sont regroups en dirents sousensembles. Un "sous-estimateur" est construit en s'appuyant sur tous les modles de chaque sous-ensemble. Ces sous-estimateurs constituent ensuite les ltres lmentaires d'un estimateur multi-modle global. Cette approche hirarchise permet de dterminer tout d'abord le sous-ensemble actif (c'est--dire le sous-ensemble dont la probabilit de contenir le modle actif est la plus leve) puis le modle actif au sein de ce sous-ensemble.
tel-00135049, version 1 - 6 Mar 2007
tel-00135049, version 1 - 6 Mar 2007
1
Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
Sommaire
1.1 1.2 1.3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 Filtre de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 Systme commutation markovienne temps discret . . . . 13
1.3.1 1.3.2 1.3.3 Chanes de Markov . . . . . . . . . . . . . . . . . . . . . . . . . Chanes de Markov espace d'tats discret . . . . . . . . . . . Description des systmes commutation markovienne . . . . . 13 13 14
1.4
Estimation d'tat par multi-modle . . . . . . . . . . . . . . . . 15

7
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
1.4.1 1.4.2 1.4.3 1.4.4 1.4.5 1.4.6 Description gnrale . . . . . . . . . . . . . . . . . . . . . . . . Approche multi-modle pour le cas non commutant . . . . . . . Approche multi-modle pour les systmes commutation . . . Estimateur pseudo-baysien gnralis du premier ordre . . . . Estimateur pseudo-baysien gnralis du deuxime ordre . . . Estimateur IMM (Interacting Multiple Model Estimator) . . . 15 18 21 25 29 33
1.5
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
tel-00135049, version 1 - 6 Mar 2007
1.1. Introduction
1.1
Introduction
La complexit croissante des systmes industriels ncessite le recours des mthodes de commande de plus en plus performantes. Ces dernires se basent principalement sur l'utilisation de l'tat du systme. Celui-ci n'est pas toujours mesurable et les mesures disponibles sont souvent entaches de bruits, une procdure d'estimation d'tat est donc incontournable. Le ltre de Kalman est l'un des estimateurs les plus utiliss. labor pour un modle stochastique, il permet de dterminer d'une manire optimale l'tat du systme lorsque
tel-00135049, version 1 - 6 Mar 2007
ce dernier a t au pralable modlis. Dans le cas d'une erreur de modlisation ou d'un changement signicatif du mode de fonctionnement du systme, le ltre de Kalman dans sa version de base ne garantit plus des rsultats optimaux. Pour rsoudre le problme du changement de mode de fonctionnement, une approche consiste utiliser un groupe de ltres, chaque ltre tant adapt un mode particulier. Des hypothses de slection de modle et de fusion de donnes bases sur l'estimation fournie par chaque ltre sont mises en uvre pour avoir une meilleure estimation d'tat, cette approche appartient la classe des mthodes d'estimation dites multi-modle. Les systmes commutation reprsentent une catgorie importante des systmes sujets des changements dans leur mode de fonctionnement. Dans ce type de systmes, les changements sont abrupts (commutations) et peuvent dpendre de l'tat et/ou entres du systme, de la structure du systme ou peuvent tre alatoires. La motivation de cette approche dcoule du fait qu'il est souvent dicile de concevoir un modle qui tient compte de toute la complexit du systme tudi. Les systmes commutation sont des systmes volution la fois continue et vnementielle (commutation). Ils appartiennent la classe des systmes dynamiques hybrides SDH (Zaytoon, 2001) qui permettent de reprsenter de nombreux systmes dans des domaines d'application varis tels que les systmes de transport, les systmes exibles de production, la robotique, etc. Les commutations entre les modes de fonctionnement peuvent tre reprsentes par des modles non stochastiques (automates temporiss, rseaux de Petri temporiss, algbre min-max, etc.) ou par des modles stochastiques (chane de Markov, rseaux de les d'at9
tentes, rseaux de Petri stochastiques, etc). Dans le but de dterminer l'tat et le mode actif du systme, l'approche multi-modle est applique dans le cadre des systmes commutation markovienne qui sont reprsents par un ensemble de modles de fonctionnement et par une matrice de probabilits de transition de Markov. Cette approche permet la prise en compte des commutations entre les modes. L'occurrence des modes de fonctionnement est reprsente par les probabilits des modes de fonctionnement (probabilits d'activation) au lieu des fonctions d'activation utilises dans (Takagi and Sugeno, 1985), (Gasso et al., 2001), (Gasso, 2000). Cette approche peut tre applique la fois dans le cas de commutations brutales entre les modes ainsi que dans le cas de passage progressif du fait que les commutations sont reprsentes par des probabilits d'activation et non par des variables binaires. Ces dernires annes, les mthodes d'estimation bases sur l'approche multi-modle appliques aux systmes commutation markovienne ont t l'objet de nombreux travaux. Elles ont t inities par Magill dans (Magill, 1965), puis amliores par Ackerson dans (Ackerson and Fu, 1970) qui a pris en compte des commutations entre les dirents modes. En eet, l'intrt de cette approche rside dans sa capacit traiter des problmes variations paramtriques et/ou structurelles et de dcomposer des problmes d'estimation complexes en sous-problmes d'estimation simplis. Elle a t utilis dans de nombreux domaines tel que le suivi de trajectoire d'une cible (Bar-Shalom et al., 1989), (Bar-Shalom, 1990), le GPS (global positioning system) (Burnette, 2001), (Chen and Harigae, 2001) ainsi que la dtection de dfauts (Zhang and Li, 1998) (Tugnait and Haddad, 1979a). Ce chapitre sera consacr la prsentation des mthodes d'estimation par multi-modle appliques aux systmes commutation markovienne pour les utiliser ultrieurement dans le cadre du diagnostic et de la dtection de dfauts appliqus aux systmes dynamiques linaires. Dans un premier temps, nous commenons par un rappel non exhaustif de quelques notions sur le ltre de Kalman ainsi que sur les systmes commutation markovienne et leurs stabilit. Ensuite, nous introduisons l'estimation d'tat par multi-modle en relatant les direntes formes dont il est fait tat dans la littrature spcialise. 10
tel-00135049, version 1 - 6 Mar 2007
1.2. Filtre de Kalman
1.2
Filtre de Kalman
Le ltre de Kalman rsout de faon lgante le problme du ltrage linaire. Utilisant la reprsentation d'tat du systme, le ltre de Kalman se prsente sous la forme d'un ensemble d'quations rcurrentes faciles rsoudre d'un point de vue numrique. Sa ralisation fournit non seulement l'estim optimal de l'tat du systme, mais aussi la variance de l'erreur d'estimation. L'volution de l'tat du systme est dcrite par le systme d'quations rcurrentes :
tel-00135049, version 1 - 6 Mar 2007
x(k) = Ax(k 1) + Bu(k 1) + w(k 1) z(k) = Cx(k) + v(k)
(1.1)
o x(k) Rn est le vecteur d'tat l'instant k , A Rnn est la matrice d'volution d'tat, u(k 1) Rp est le vecteur de commande l'instant k 1, B Rnp est la matrice des gains de l'entre, C Rqn est la matrice des gains de la sortie, z(k) Rq est la sortie du systme l'instant k , w(k 1) Rn est le bruit sur l'tat l'instant k 1 enn v(k) Rq est le bruit mesure w et v sont blancs, gaussiens et centrs tels que :
E w(k)wT (j) = Q(k)kj E v(k)v T (j) = R(k)kj E v(k)wT (j) = 0 k, j

(1.2)
o Q(k) et R(k) sont les matrices de variance des bruits et kj est le symbole de Kronecker 1 k = j kj = 0 k=j L'tat x(k) et l'observation z(k), qui se dduisent linairement des bruits v(k), w(k) et des conditions initiales gaussiennes x(0), avec E [x(0)] = 0, sont eux aussi gaussiens. L'expression du ltre de Kalman peut s'obtenir de manire itrative. partir des conditions initiales x(0 |0 ) et de la matrice de covariance P (0|0), les quations du ltre de Kalman 11
discret s'crivent :
P (k + 1 |k ) = AP (k |k )AT + Q(k) x(k + 1 |k ) = A(k |k ) + Bu(k) x K(k + 1) = P (k + 1 |k )C T CP (k + 1 |k )C T + R(k + 1)

1
(1.3)
x(k + 1 |k + 1) = x(k + 1 |k ) + K(k + 1)(z(k + 1) C x(k + 1 |k )) P (k + 1 |k + 1) = (I K(k + 1)C) P (k + 1 |k )

Le rsidu (k + 1) = z(k + 1) C x(k + 1 |k ) est la dirence entre la mesure actuelle et la meilleure prdiction de la mesure, il sert la radaptation de l'estime du ltre. Si les
tel-00135049, version 1 - 6 Mar 2007
hypothses prcdentes (1.2) sur les bruits sont vries, on a :
E [(k)] = 0 E (k) T (j) = 0, k = j E (k) T (k) = S(k) = CP (k|k 1)C T + R(k)

Notons N (V (k); 0, S(k)) la distribution gaussienne de V (k) de moyenne nulle et de matrice de variance S(k) :
1 1 N (V (k); 0, S(k)) = |2S(k)| 2 exp V T (k)S 1 (k)V (k) 2
(1.4)
(1.5)
La densit de probabilit de (k) est alors donne par :
p ((k)) = N ((k); 0, S(k))
(1.6)
Si le rsidu n'a pas ces caractristiques, alors les hypothses (1.2) ne sont pas vries, cela peut tre d une mauvaise modlisation du systme ou un dfaut sur le systme. partir des quations (1.5), plus la valeur du rsidu et proche de 0 avec une variance faible, plus la valeur de la densit de probabilit augmente et plus le modle du systme reprsente le comportement du systme. La valeur de cette densit de probabilit ou fonction de vraisemblance du modle, sera un lment important dans l'valuation des modles dans les mthodes multi-modle exposes par la suite. 12
1.3. Systme commutation markovienne temps discret
1.3
Systme commutation markovienne temps discret
Avant d'introduire les systmes commutation markovienne, nous allons rappeler quelques notions sur les chanes de Markov.
1.3.1 Chanes de Markov

tel-00135049, version 1 - 6 Mar 2007
Une chane de Markov est un processus stochastique possdant la proprit Markovienne. Dans un tel processus, la prdiction d'un vnement futur partir de l'vnement prsent ne ncessite pas la connaissance du pass.
1.3.2 Chanes de Markov espace d'tats discret

Une chane de Markov en temps discret est une squence X1 , X2 , X3 , ... de variables alatoires. L'ensemble de leurs valeurs possibles est appel l'espace d'tat, la valeur Xt est l'tat du processus l'instant t. La distribution de probabilit de Xt+1 conditionnelle aux tats passs est donne par :
P {Xt+1 = A|X1 , X2 , X3 , ..., Xt } = P {Xt+1 = A|Xt }

o A est un tat quelconque du processus. L'identit prcdente constitue la proprit Markovienne. On modlise avec une chane de Markov l'volution au cours du temps de l'tat Xt qui peut prendre un nombre ni d'tats {A1 , A2 , . . . , An } et qui passe de l'tat Ai l'instant
t l'tat Aj l'instant suivant t + 1 avec une probabilit ij donne. Les nombres ij

vrient ij [0, 1] et
n j=0
ij = 1. Si l'espace des tats est ni, alors la distribution de
probabilit peut tre reprsente par une matrice appele matrice de transition, dont le
(i, j)me lment vaut ij = P {Xt+1 = Aj |Xt = Ai }
13
1.3.3 Description des systmes commutation markovienne

Les systmes physiques peuvent tre sujets des changements brusques dans leurs comportement, par exemple en cas de panne sur un actionneur ou sur un capteur, ainsi le changement est souvent imprvisible. Ce type de comportement peut tre modlis par les systmes commutation markovienne. Les systmes commutation markovienne appartiennent la classe des systmes hybrides, ils contiennent un ensemble de dynamiques rgies par un mode de commutation stochastique. Les commutations sont modlises par une chane de Markov espace d'tats ni. Un systme linaire commutation markovienne est reprsent par un ensemble de mo-
tel-00135049, version 1 - 6 Mar 2007
dles M = {M1 , M2 , . . . , Mr } o r est le nombre de modles. Si le modle Mj , caractris par les matrices Aj , Bj , Cj , est actif l'instant k , le comportement du systme est dcrit par : x(k) = A x(k 1) + B u(k 1) + w(k 1) j j z(k) = C x(k) + v(k)
j
(1.7)
o x (k) Rn est le vecteur d'tat l'instant k , u (k) Rp est le vecteur de commande l'instant k , z (k) Rq est la sortie du systme l'instant k , enn w (k) Rn et v (k) Rq sont respectivement le bruit d'tat et le bruit de mesure considrs blancs, gaussiens et centrs tels que :
E w(k)wT (j) = Q(k)kj E v(k)v T (k) = R(k)kj E v(k)wT (j) = 0 k, j

(1.8)
o Q(k) et R(k) sont les matrices de variance des bruits. Dornavant, on notera Mj (k) l'vnement correspondant l'activation du modle Mj l'instant k . Les transitions d'un mode un autre suivent un processus markovien, dni par sa matrice de transition 1r 11 . .. . . . (1.9) = . . . r1 rr avec
r j=1
ij = 1, i = 1, . . . , r et o ij reprsente la probabilit de passage du ime
mode au j me mode. 14
1.4. Estimation d'tat par multi-modle
13 12 11 23
M1
21
22
M2
32
33
M3
31
tel-00135049, version 1 - 6 Mar 2007
Fig. 1.1 Systme commutation markovienne
Le systme commutation est reprsent sur la gure 1.1 avec r = 3. L'utilisation de ce type de systme procure un certain avantage dans le cas o les commutations entre les modles ne sont pas connues a priori et les informations relatives aux commutations sont reprsentes par la matrice des probabilits de transition. La stabilit de ce type de systme hybride peut tre tudie dans le cadre plus gnral des multi-modles.
1.4
Estimation d'tat par multi-modle
1.4.1 Description gnrale

L'ide de base de l'estimation d'tat par multi-modle est de considrer un ensemble de modles M qui reprsente le comportement du systme. On construit alors un banc de ltres o chaque ltre est cal sur un modle de l'ensemble M . L'estime globale est donne par une combinaison des estimes de ces ltres. L'approche multi-modle a t initie par Magill (Magill, 1965). Les premiers travaux ont trait le cas des systmes invariants dans le temps, mais reprsents par des modles incertains ou inconnus. Plusieurs applications de cet estimateur multi-modle peuvent tre trouves dans la littrature sous des noms dirents, comme "static multiple-model 15
(SMM) algorithm" (Li and Zhang, 2000), "multiple model adaptive estimator" (Maybeck, 1982), "parallel processing algorithm" (Anderson and Moore, 1979) et "lter bank method" (Brown, 1983). Ces direntes appellations sont relatives la structure, aux caractristiques et aux capacits de cette premire gnration d'estimateurs multi-modle (Li, 1996). Dans la premire gnration des algorithmes SMM, les ltres lmentaires oprent individuellement sans aucune interaction entre eux parce qu'il est suppos qu'il n'y a pas de commutation entre les modes de fonctionnement. Par consquent, cette mthode n'est pas ecace dans le cas des systmes commutation frquentes. Cependant, elle reste ecace dans le cas des systmes commutations trs rares. An de prendre en compte les commutations entres les modes du systme, une deuxime gnration d'algorithmes a t dveloppe, notamment l'estimateur "generalized pseudoBayesian estimator" (GPB)(Chang and Athans, 1978) et l'estimateur "interacting multiple model" (IMM) (Blom and Bar-Shalom, 1988). Pour ces estimateurs, la commutation d'un mode un autre est suppose rgie par un processus markovien. La principale dirence entre ce type d'estimateurs et ceux issus des algorithmes SMM rside dans l'tape de rinitialisation des ltres. Dans cette section, nous allons traiter, dans un premier temps, le cas d'estimateurs multimodles sans commutation et chercher calculer les probabilits d'activation i (k) des modles Mi ainsi que l'estime globale de l'tat. Puis, nous allons considrer le cas de modles commutant dans le temps, o plusieurs mthodes seront prsentes. La dirence entre ces mthodes rside dans la manire d'utiliser l'historique des commutations. En gnral l'estimation d'tat par multi-modle est mise en uvre en adoptant la chronologie suivante :
tel-00135049, version 1 - 6 Mar 2007
Dtermination de l'ensemble des modles

Les performances d'un estimateur multi-modle sont largement dpendantes de l'ensemble des modles utilis. De ce fait, une des principales tapes dans la construction d'un estimateur multi-modle est la dtermination de l'ensemble des modles M reprsentatif du fonctionnement du systme. Elle a t tudie pour les estimateurs multi-modle dans 16

Li et al. (2005) o le concept de mode et modle alatoire a t introduit. Les auteurs ont reprsent les modes de fonctionnement du systme par des variables alatoires an d'introduire la notion de distance probabiliste entre les modles. Trois mthodes ont t labores en se basant cette notion de distance probabiliste. D'autres rsultats sont prsents dans (Li, 2002; Li et al., 2002) o une tude portant sur l'inuence du choix de l'ensemble des modles sur la qualit de l'estimation de l'tat a t conduite. D'autres rsultats ont t labors dans (Caputi, 1995; Li, 1998; Sheldon and Maybeck, 1993).
Slection du ltre
tel-00135049, version 1 - 6 Mar 2007
Plusieurs types de ltre peuvent tre employs pour eectuer une estimation d'tat sur la base d'un des modles de l'ensemble M . Chacun de ces ltres sera appel ltre lmentaire. Le ltre de Kalman est largement utilis, mais on peut recourir d'autres types de ltres, le choix sera motiv par l'application et les objectifs de l'estimation. On a propos dans (Hocine et al., 2005a) l'utilisation d'un observateur mmoire nie an de rduire les eets des bruits. Cette mthode sera expose dans le chapitre 4 ainsi que l'utilisation d'un observateur fentre glissante.
Rinitialisation des ltres

Except le cas d'estimateurs multi-modle pour les systmes non commutants, les ltres lmentaires ne doivent pas oprer indpendamment les uns des autres. L'entre de chaque ltre dpend du comportement des autres ltres. La rinitialisation de chaque ltre sert crer des interactions entre les dirents ltres. Plusieurs congurations de rinitialisation sont possibles. Nombre d'entre elles sont prsentes dans (Bar-Shalom and Li, 1993; Li, 1998).
Elaboration de l'estime globale

L'estime globale est obtenue en fusionnant les estimes issues des ltres lmentaires bass sur l'ensemble des modles M . Deux approches sont envisageables : Pas de dcision : l'estime globale est la somme pondre des estimes xi (k|k) issues 17
des dirents ltres. Dans ce type d'approche, aucune dcision relative au choix du mode actif n'est prise. Cela revient prendre en considration toute les estimes pondres par leurs probabilits d'activation.
r
x(k |k ) = E [x(k) |z(k)] =

i=1
xi (k |k )P {Mi |z(k)}
(1.10)
Prise de dcision : dans ce cas l'estime globale est calcule en n'utilisant que les N modles les plus probables, c--d qui ont la probabilit P {Mi |z(k)} la plus leve. Autrement dit l'estime globale est calcule partir de la somme des N estimes, issues des ltres relatifs aux N modles les plus probables, pondre par leurs probabilits normalises de faon ce que la somme des N probabilits soit gale 1 (Tugnait and Haddad, 1979a). Dans le cas le plus extrme (N = 1) l'estime globale correspond exactement une des estimes.
tel-00135049, version 1 - 6 Mar 2007
1.4.2 Approche multi-modle pour le cas non commutant

Dans un premier temps, nous considrons que le systme volue selon un unique mode de fonctionnement. Il s'agit de reconnatre le modle selon lequel le systme observ volue, parmi un ensemble M connu de r modles M = {M1 , . . . , Mr }. Mj dsigne indiremment le modle numro j ou l'vnement (au sens des probabilits) correspondant son occurrence, c--d le fait que le modle Mj soit eectivement le modle selon lequel le systme fonctionne. L'approche multi-modle permet le calcul des probabilits d'occurrence de chaque mode de fonctionnement (probabilit d'activation ) l'instant k partir de cette mme probabilit calcule ou connue a priori l'instant prcdent k 1. La probabilit d'activation a priori du mode Mj est dnie par :
j (0) = P {Mj |Z 0 }, j = 1, . . . , r
o Z 0 reprsente l'information a priori et o
r j=1
(1.11)
j (0) = 1.
La probabilit d'activation du mode Mj l'instant k est dnie par
j (k) = P {Mj |Z k }, j = 1, . . . , r
18
(1.12)

o Z k = [z(0), z(1), . . . , z(k)] reprsente le vecteur des mesures cumules jusqu' l'instant k avec
r j=1
j (k) = 1.
En utilisant la formule de Bayes, la probabilit d'activation du j me modle connaissant les mesures jusqu' l'instant k , peut tre obtenue de manire rcursive :
j (k) = P Mj Z k =
on a alors :
= P Mj z (k) , Z k1
p z (k) Z k1 , Mj P Mj Z k1 r k1 , M ] P {M | Z k1 } i i i=1 p [z (k) |Z
p z (k) Z k1 , Mj P Mj Z k1 P {z (k) | Z k1 }
tel-00135049, version 1 - 6 Mar 2007
j (k) =
p z (k) Z k1 , Mj j (k 1) r k1 , M ] (k 1) i i i=1 p [z (k) |Z
j = 1, . . . , r
(1.13)
Le premier terme droite de l'quation (1.13) reprsente la vraisemblance l'instant k du
j me mode de fonctionnement. Sous l'hypothse gaussienne, la vraisemblance peut s'crire j (k) = p z (k) Z k1 , Mj = p [j (k)] = N [j (k) ; 0, Sj (k)]
T Sj (k) = Cj Aj P (k 1|k 1)AT Cj + R(k) j
(1.14)
j (k) = z(k) Cj (Aj xj (k 1|k 1) + Bj u(k 1))

o R(k) est la covariance du bruit sur la sortie, Sj (k) est la covariance du rsidu j (k) issu de la dirence entre la mesure z(k) et l'estimation z (k) calcule par le j me ltre reprsentant le j me mode de fonctionnement. La probabilit d'activation de chaque mode de fonctionnement est calcule par (1.13) en utilisant la vraisemblance (1.14) correspondent au j me ltre. La procdure d'estimation est illustre par la gure 1.2. Sous l'hypothse que Mj est le modle actif, le j me ltre donne en sortie l'estime xj (k|k) et sa variance associe Pj (k|k) ainsi que sa fonction de vraisemblance j (k). Aprs l'initialisation des tats, les ltres fonctionnent d'une manire rcursive. A l'instant
k , ils utilisent leurs propres estimes calcules l'instant k 1 an de calculer celles de
l'instant prsent k . La fonction de vraisemblance relative chaque modle est utilise pour la remise jour des probabilits d'activation. Ces probabilits d'activation sont utilises leur tour pour le calcul de l'estime globale de d'tat et de sa covariance : 19
z(k)
x1 (0|0), P1 (0|0)
xr (0|0), Pr (0|0)
tel-00135049, version 1 - 6 Mar 2007
Filtre M1
......
Filtre Mr
x1 (k|k) P1 (k|k)
1 (k)
xr (k|k) Pr (k|k)
r (k)
...
Calcul de lestime globale
...
Mise jour des probabilits dactivation
...... ......
x(k|k), P (k|k) 1 (k) r (k)
Fig. 1.2 Estimateur multi-modle pour les systmes non commutants
20

r
x (k |k ) =
j=1 r
j (k) xj (k |k )
(1.15)
P (k |k ) =
j=1
j (k) Pj (k |k ) + [j (k |k ) x (k |k )] [j (k |k ) x (k |k )]T x x
(1.16)
Ce rsultat est applicable condition que : 1. Le mode de fonctionnement actif appartient l'ensemble des modles M . 2. Un seul mode de fonctionnement est actif pondant toute la dure de l'estimation. En cas de commutation d'un mode un autre la deuxime hypothse n'est plus respecte et une reformulation de l'approche sera ncessaire pour tenir compte des commutations.
tel-00135049, version 1 - 6 Mar 2007
1.4.3 Approche multi-modle pour les systmes commutation

Cette fois, chaque instant, le systme peut fonctionner selon l'un des modles de l'ensemble M = {M1 , M2 , . . . , Mr }, les commutations d'un modle l'autre se produisant de manire alatoire. Si le modle Mj , caractris par les matrices d'tat Aj , Bj et
Cj est actif l'instant k , le comportement du systme est dcrit par : x(k) = A x(k 1) + B u(k 1) + w(k 1) j j z(k) = C x(k) + v(k)
j
(1.17)
Du fait de la possibilit de commuter n'importe quel instant, l'instant k on a rk historiques de commutation possibles. Le lme historique est reprsent par :
Mk, l = {Mi1, l , . . . , Mik, l },
l = 1, . . . , rk
(1.18)
o it, l est l'indice du modle l'instant t appartenant au lme historique. On remarque que le nombre d'historiques rk est exponentiellement croissant avec le temps. Par exemple pour r = 2 et l'instant k = 2, on a rk = 4 squences possibles
l
1 2 3 4
i1l
1 1 2 2
i2l
1 2 1 2 21
On suppose que le processus de commutation est un processus markovien rgi par une matrice . On note Mj (k) l'vnement indiquant qu' l'instant k le j me modle est actif. La probabilit conditionnelle du lme historique est dnie par :
k, l = P {Mk, l |Z k }
La lme squence de modles jusqu' l'instant k est reprsente par :
(1.19)
Mk, l = {Mk1, l , Mj (k)}
(1.20)
o Mk1, l est la squence des (k 1) premier modles de la lme squence et Mj (k) est le
tel-00135049, version 1 - 6 Mar 2007
dernier modle de la squence l'instant k . On utilisant la proprit de Markov, on peut crire :
P {Mj (k)|Mk1, l } = P {Mj (k)|Mi (k 1)} = ij

o i reprsente l'indice du dernier modle de la squence Mk1, l .
(1.21)
L'expression de la densit de probabilit conditionnelle de l'tat x l'instant k est calcule en utilisant le thorme de la probabilit totale. Ce calcul se fait en supposant que l'ensemble M reprsente tous les comportements possibles du systme et qu'un seul modle est actif un instant k . On obtient l'expression suivante :
rk
p x(k) Z
=
l=1
p x(k) Mk,l , Z k P Mk,l Z k
(1.22)
L'utilisation de la densit de probabilit p[x(k)|Z k ] de l'quation (1.22), o p x(k) Mk,l , Z k reprsente la densit de probabilit de x(k) conditionnelle l'historique Mk,l et P Mk,l Z k la probabilit de cet historique, permet de calculer l'esprance de x(k) et par consquent d'obtenir l'expression de l'estime globale donne par :
x(k) = =
rk l=1 rk l=1
xk, l (k)P Mk,l Z k

(1.23)
xk, l (k)k, l
o xk, l (k) est l'estime relative au lme historique et rk est le nombre de ltres ncessaires une estimation optimale l'instant k . On peut remarquer que ce nombre augmente exponentiellement avec le temps, par consquent l'approche utilisant tout l'historique est 22

pratiquement irralisable. La gure 1.3 reprsente la procdure d'estimation l'instant
k = 2 avec r = 2. Elle illustre bien le phnomne d'augmentation du nombre de ltres

ncessaire l'estimation. La probabilit k, l de l'historique l est dveloppe en utilisant la formule de Bayes de la faon suivante :
k, l = P Mk,l Z k = P Mk,l z(k), Z k1

En utilisant le thorme de Bayes, on obtient :
(1.24)
tel-00135049, version 1 - 6 Mar 2007
1 k, l = p z(k) Mk,l , Z k1 P {Mk,l Z k1 } c

o c est une constante de normalisation. Puis, en tenant compte de (1.20) :
(1.25)
1 k, l = p z(k) Mk,l , Z k1 P Mj (k), Mk1, l Z k1 c

Une seconde application du thorme de Bayes, permet d'crire :
(1.26)
1 k, l = p z(k) Mk,l , Z k1 P Mj (k) Mk1,l , Z k1 P Mk1,l Z k1 c

d'o l'expression nale de la probabilit k, l :
(1.27)
1 k, l = p z(k) Mk,l , Z k1 P Mj (k) Mk1,l , Z k1 k1, l c

En utilisant la proprit de Markov sur l'indpendance du pass, on obtient :
(1.28)
1 k, l = p z (k) Mk, l , Z k1 P {Mj (k) |Mi (k 1) } k1, l c

ce qui donne :
(1.29)
1 k, l = k, l (k)ij k1, l c
(1.30)
o i est l'indice du dernier modle de la squence Mk1, l et o k, l (k) reprsente la vraisemblance, l'instant k , de l'historique Mk, l . Sous l'hypothse gaussienne, cette vraisemblance peut s'crire :
k, l = p z (k) Mk, l , Z k1 = p [k, l ] = N [k, l (k) ; 0, Sk, l ]

T Sk, l = Cj Aj P (k 1|k 1)AT Cj + R(k) j
(1.31)
23
z(1) x(0|0), P (0|0)
Filtre M1
Filtre M2
1 (1)
2 (1) x2 (1|1) P2 (1|1)
tel-00135049, version 1 - 6 Mar 2007
x1 (1|1) P1 (1|1)
Calcul des probabilits
z(2) x(1|1), P (1|1) 1 (1) 2 (1)
Filtre M1
Filtre M2
Filtre M1
Filtre M2
1,1 (2)
x1,2 (2|2) P1,2 (2|2)
1,2 (2)
x2,1 (2|2) P2,1 (2|2)
2,1 (2)
x2,2 (2|2) P2,2 (2|2)
2,2 (2)
x1,1 (2|2) P1,1 (2|2)

Calcul des probabilits
x(2|2), P (2|2)
1,1 (2)
1,2 (2)
2,1 (2) 2,2 (2)
24
Fig. 1.3 Estimateur multi-modle optimal pour les systmes commutants
k, l = z(k) Cj (Aj xj (k 1|k 1) + Bj u(k 1))
o R(k) est la covariance du bruit sur la sortie, Sk, l est la covariance du rsidu k, l issu de la dirence entre la mesure z(k) et l'estimation de la mesure z (k) par le lme ltre reprsentant le lme historique. L'quation (1.31) procure les vraisemblances des historiques ncessaires au calcul des probabilits des historiques.
Approche pratique
La seule solution l'augmentation exponentielle du nombre des historiques, ainsi que du
tel-00135049, version 1 - 6 Mar 2007
nombre de ltres ncessaires l'estimation, est l'utilisation de techniques sub-optimales. Une des solutions envisageables consiste garder, chaque cycle d'estimation, les N historiques ayant les probabilits les plus leves et normaliser les probabilits ainsi retenues de faon ce que leur somme soit gale 1. L'approche pseudo-baysienne gnralise, en anglais "Generalized Pseudo-Bayesian" (GPB) consiste utiliser des historiques de longueur nie. Le GPB d'ordre 1 (GPB1) considre seulement les r modles possibles l'instant k au lieu de considrer tout l'historique, cela implique l'utilisation de r ltres. Le GPB d'ordre 2 (GPB2) considre, l'instant k , les modles possibles aux instants k et k 1 et implique l'utilisation de r2 ltres, cela revient dire que la longueur des historiques est toujours gale 2. L'approche "Interacting Multiple Model" (IMM) est similaire au GPB2 dans le fait qu'elle prend en considration les modles de l'instant k et k 1. Son principal avantage rside dans le fait qu'elle utilise r ltres au lieu de r2 .
1.4.4 Estimateur pseudo-baysien gnralis du premier ordre

Dans l'approche GPB1, l'estimation d'tat est calcule en considrant r modles possibles l'instant k ; il existe donc r possibilits (hypothses) au lieu des rk de l'approche optimale. En appliquant le thorme de la probabilit totale la densit de probabilit de x(k), on 25
obtient, la place de (1.22) :
p[x(k) Z k ] = =
r j=1 r j=1 r j=1
p[x(k) Mj (k), Z k ]P Mj (k) Z k p[x(k) Mj (k), Z k ]j (k) p[x(k) |Mj (k), z(k), x(k 1|k 1), P (k 1|k 1) ]j (k)
(1.32)
L'approximation consiste remplacer l'information fournie par le vecteur des mesures
Z k1 par celle issue de l'estime x(k 1|k 1), issue du ltre de Kalman, de l'instant k 1 et de sa covariance. Cette approximation est justie intuitivement par le fait que
le calcul de l'estime est bas sur l'utilisation des mesures Z k1 . l'instant k , tout les ltres cals sur les dirents modles Mj , j = 1, 2, . . . , r, fournissent, partir de la connaissance de l'estime x(k 1|k 1) et de sa covariance
tel-00135049, version 1 - 6 Mar 2007
P (k 1|k 1), une estime xj (k|k).

La densit de probabilit de l'estime x(k) est un mlange de r densits gaussiennes relatives aux r modles. L'utilisation des proprits du mlange gaussien permet de calculer l'estime x(k|k) :
r
x(k|k) =
j=1
xj (k|k)j (k)
(1.33)
et sa covariance
r
P (k|k) =
j=1
j (k){Pj (k|k) + [j (k|k) x(k|k)][j (k|k) x(k|k)]T } x x
(1.34)
Les probabilits d'activation j (k) de chaque modle sont mises jour de faon rcurrente en fonction des informations disponibles chaque instant. La gure 1.4 reprsente l'agencement des direntes tapes de la mthode o r ltres en parallle fournissent des estimes xj (k|k) qui sont combines en une seule estime globale. Les probabilits j (k) des modles Mj sont mises jour chaque cycle de l'estimation. L'enchanement des direntes oprations est rsum ci-dessous.
Calcul des vraisemblances

l'instant k , chaque ltre a comme condition initiale x(k 1|k 1). Le j me ltre fournit en sortie l'estime xj (k|k) et sa covariance Pj (k|k). La vraisemblance du j me 26
x(k 1|k 1), P (k 1|k 1)
z(k)
tel-00135049, version 1 - 6 Mar 2007
Filtre M1
......
Filtre Mr
x1 (k|k) P1 (k|k)
1 (k)
xr (k|k) Pr (k|k)
r (k)
...
...
...... ......
x(k|k), P (k|k) 1 (k) r (k)
Fig. 1.4 Estimateur GPB1
27
modle j = 1, . . . , r est calcule sous l'hypothse gaussienne par :
j (k) = p [z (k) |Mj (k), x(k 1|k 1), P (k 1|k 1)] = p [j (k)] = N [j (k) ; 0, Sj (k)]
(1.35)
T Sj (k) = Cj Aj P (k 1|k 1)Cj AT + R(k) j
j (k) = z(k) Cj (Aj x(k 1|k 1) + Bj u(k 1))

o R(k) est la covariance du bruit sur la sortie, Sj (k) est la covariance du rsidu, j (k) est issu de la dirence entre la mesure z(k) et l'estimation z (k) calcule par le j me ltre reprsentant le j me mode de fonctionnement. Ces vraisemblances seront utilises pour le calcul des probabilits d'activation des modles.
tel-00135049, version 1 - 6 Mar 2007
Mise jour des probabilits d'activation

La probabilit d'activation j (k) du modle Mj est value en utilisant la formule de Bayes et en dcomposant le vecteur des mesures :
j (k) = P Mj (k) Z k = P Mj (k) z(k), Z k1 1 = p z(k) Mj (k), Z k1 P {Mj (k) Z k1 } c

o c est une constante de normalisation donne par :
r r
(1.36)
c=
j=1
j (k)
i=1
ij i (k 1)
(1.37)
En utilisant le thorme de la probabilit totale sur P {Mj (k) Z k1 }, on obtient :
1 j (k) = j (k) c
P {Mj (k) Mi (k 1), Z k1 }P {Mi (k 1) Z k1 }

i=1
(1.38)
En utilisant la matrice de Markov, l'quation prcdente s'crit :
1 j (k) = j (k) c
ij i (k 1)
i=1
(1.39)
La formule (1.39) permet un calcul rcursif des probabilits d'activation. 28
Calcul de l'estime globale

L'estime globale l'instant k est une somme des estimes xj (k|k), j = 1, . . . , r pondre par les probabilits d'activation j (k), j = 1, . . . , r, (voir les quations (1.33), (1.34)). Cette estime, ainsi que sa vraisemblance, constitueront les donnes d'entre des ltres au cycle suivant.
1.4.5 Estimateur pseudo-baysien gnralis du deuxime ordre

Dans l'algorithme GPB2, l'estimation d'tat l'instant k , est calcule en prenant en compte les r modes possibles l'instant k ainsi que ceux l'instant k 1 ce qui reprsente
tel-00135049, version 1 - 6 Mar 2007
r2 possibilits. Une telle procdure ncessite l'utilisation de r2 ltres.

Comme dans le cas prcdent, la densit de probabilit de x(k) s'crit :
r
p[x(k) Z ] =
j=1
p[x(k) Mj (k), Z k ]P Mj (k) Z k
(1.40)
En appliquant le thorme de la probabilit totale :
p[x(k) Z k ] =
r r
p[x(k) Mj (k), Mi (k 1), Z k ]P Mi (k 1) Mj (k), Z k P Mj (k) Z k
(1.41)
j=1 i=1
Compte tenu du fait que l'on tient compte d'un historique de longueur gale 2, on notera l'introduction du terme P Mi (k 1) Mj (k), Z k qui correspond la probabilit que le systme ait fonctionn selon le modle Mi l'instant k 1 sachant qu'il fonctionne selon le modle Mj l'instant k et connaissant l'information Z k . Cette probabilit sera ensuite note i|j (k 1|k). On peut alors crire :
r r
p[x(k) Z ] =
j=1 i=1
p[x(k) Mj (k), Mi (k 1), z(k), Z k1 ]i|j (k 1|k)j (k)
(1.42)
On eectue ensuite une approximation en supposant que l'information disponible l'instant k 1, (Mi (k 1), Z k1 ) peut se rsumer la connaissance de l'estime xi (k 1|k 1) et sa covariance Pi (k 1|k 1) :
r r
p[x(k) Z k ]
j=1 j=1
p[x(k) |Mj (k), z(k), xi (k 1|k 1), Pi (k 1|k 1) ]i|j (k 1|k)j (k)
(1.43) 29
L'organisation de la mthode GPB2 est prsente la gure 1.5. On peut remarquer qu' l'instant k 1 on a r estimes xj (k 1|k 1), j = 1, . . . , r ; chacune d'entre elles est utilise l'entre des r ltres reprsentant les r modes de fonctionnement l'instant k , ce qui signie que r2 ltres sont utiliss chaque cycle de l'estimation. la sortie de ces ltres, on obtient r2 estimes xij (k|k) {i, j} = 1, . . . , r chacune tant ddie un historique d'ordre deux. Les estimes correspondant au mme modle l'instant k sont ensuite combines avec les poids i|j (k 1|k) pour fournir les r estimes xi (k|k). Ces estimes sont ensuite utilises l'entre du cycle suivant. Par rapport l'approche GPB1, on remarque qu'on a besoin de r2 ltres au lieu de r. L'algorithme suit les tapes suivantes :
tel-00135049, version 1 - 6 Mar 2007

Connaissant les estimes xi (k 1 |k 1) relatives aux r modles ainsi que leurs co variances associes, on peut calculer la vraisemblance de chaque historique {i, j} =
1, . . . , r : ij (k) = p [z (k) |Mj (k) , xi (k 1 |k 1) , Pi (k 1 |k 1)] i, j = 1, . . . , r

Sous l'hypothse de normalit, on obtient : (1.44)
ij (k) = p [ij (k)] = N [ij (k) ; 0, Sij (k)]
(1.45)
T Sij (k) = Cj Aj Pi (k 1|k 1)Cj AT + R(k) j
ij (k) = z(k) Cj (Aj xi (k 1|k 1) + Bj u(k 1))

o Sij (k) est la covariance du rsidu ij (k) = z(k) Cj (Aj xi (k 1|k 1) + Bj u(k 1)) qui correspond l'historique {i, j}. Ces vraisemblances vont servir au calcul des probabilits des historiques.
30
x1 (k 1|k 1), P1 (k 1|k 1)
z(k)
x2 (k 1|k 1), P2 (k 1|k 1)
Filtre M1
Filtre M2
Filtre M1
Filtre M2
tel-00135049, version 1 - 6 Mar 2007
x11 (k|k) P11 (k|k)
11 (k)
x12 (k|k) P12 (k|k)
12 (k)
x21 (k|k) P21 (k|k)
21 (k)
x22 (k|k) P22 (k|k)
22 (k)
Mlange pour M1
Mlange pour M2
x1 (k|k) P1 (k|k)
x2 (k|k) P2 (k|k)
Mise jour des probabilits
1|1 (k) 2|1 (k) 1|2 (k) 2|2 (k)
x(k|k), P (k|k)
1 (k)
2 (k)
Fig. 1.5 Estimateur GPB2
31
Calcul des probabilits de mlange

La probabilit pour que le modle Mi soit actif l'instant k 1 sachant que le modle
Mj est actif l'instant k qu'on appellera probabilit de mlange est donne par : i|j (k 1 |k ) = P Mi (k 1) Mj (k) , Z k
(1.46)
Comme dans les calculs prcdents, le vecteur des mesures cumules Z k a t spar en
Z k1 et z(k) i|j (k 1 |k ) = P Mi (k 1) z (k) , Mj (k) , Z k1

(1.47)
tel-00135049, version 1 - 6 Mar 2007
Puis en appliquant la formule de Bayes :
i|j (k 1 |k ) =
1 p z (k) , Mj (k) Mi (k 1) , Z k1 P Mi (k 1) Z k1 cj 1 = p z (k) Mj (k) , Mi (k 1) , Z k1 cj P Mj (k) Mi (k 1) , Z k1 P Mi (k 1) Z k1
(1.48)
La formule (1.48) peut tre crite sous la forme :
i|j (k 1 |k ) =
1 ij (k) ij i (k 1) i, j = 1, . . . , r cj
(1.49)
o i (k 1) est la probabilit du modle Mi l'instant k 1, ij tant la probabilit de transition de Markov et c tant donne par :
r
cj =
i=1
ij (k) ij i (k 1)
(1.50)
Calcul de l'estime mlange

L'estime xj (k|k), correspondant au modle Mj , est dnie par :
r
xj (k |k ) =
i=1
xij (k |k ) i|j (k 1 |k )
j = 1, . . . , r
(1.51)
et sa covariance :
r
Pj (k |k ) =
i=1
i|j (k 1 |k ) Pij (k |k ) + [ij (k |k ) xj (k |k )] [ij (k |k ) xj (k |k )]T x x

(1.52)
32

La probabilit d'activation j (k) d'un modle Mj l'instant k est donne par :
j (k) = P Mj (k) z (k) , Z k1 1 = P z (k) , Mj (k) Z k1 c r 1 P z (k) , Mj (k) Mi (k 1) , Z k1 P Mi (k 1) Z k1 = c i=1 1 = c

r
p z (k) Mi (k 1) , Z k1 P Mj (k) Mi (k 1) , Z k1 i (k 1)
i=1
(1.53)
tel-00135049, version 1 - 6 Mar 2007
La mise jour de la probabilit j est alors donne par :
j (k) =
1 c
ij (k) ij i (k 1)
i=1
(1.54)
o c, constante de normalisation, est dnie par :

r r
c=
j=1 i=1
ij ij i (k 1)
(1.55)
Cette expression permet la remise jour des probabilits d'activation j des r modles.

Les estimes issues de chaque ltre sont mlanges pour fournir l'estime globale chaque n de cycle d'estimation. Cette estime globale, utilise comme entre des ltres au cycle suivant, est donne par :
r
x (k |k ) =
i=1
xi (k |k ) i (k)
(1.56)
Sa covariance s'explicite :
r
P (k |k ) =
i=1
i (k) Pi (k |k ) + [i (k |k ) x (k |k )] [i (k |k ) x (k |k )]T x x
(1.57)
1.4.6 Estimateur IMM (Interacting Multiple Model Estimator)

L'approche IMM permet l'obtention de performances comparables l'approche prcdente GPB2 en n'utilisant que r ltres au lieu de r2 . 33
L'estimateur IMM fournit, l'instant k , une estime x(k|k) calcule en utilisant r ltres fonctionnant en parallle. l'entre de chaque ltre, on utilise une combinaison des estimes calcules l'instant prcdent. En appliquant le thorme de la probabilit totale, la densit de probabilit de x(k) peut s'crire :
p x (k) Z k = =
r j=1 r j=1
p x (k) Mj (k) , Z k P Mj (k) Z k p x (k) Mj (k) , Z

k
j (k)
(1.58)
La densit de probabilit de x(k) conditionnellement au modle Mj et au vecteur des
tel-00135049, version 1 - 6 Mar 2007
mesures cumules Z k est donne par :
p x (k) Mj (k) , z (k) , Z k1 =
p [z (k) |Mj (k) , x (k)] p x (k) Mj (k) , Z k1 p [z (k) |Mj (k) , Z k1 ]
(1.59)
Le dernier terme de l'quation (1.59) reprsente cette mme densit l'instant k 1. Le dveloppement de ce terme par le thorme de la probabilit totale donne :
p x (k) Mj (k) , Z k1 =
r i=1
p x (k) Mj (k) , Mi (k 1) , Z k1 P Mi (k 1) Mj (k) , Z k1
(1.60)
Ce dveloppement permet d'introduire la notion d'historique o on prend en considration les modles actifs l'instant k 1. On eectue ensuite une approximation en supposant que l'information contenue dans l'historique des mesures Z k1 peut se rsumer la connaissance des estimes xl (k 1 |k 1) et leurs covariances Pl (k 1 |k 1).
p x (k) Mj (k) , Z k1
r i=1
p [x (k) |Mj (k) , Mi (k 1) , {l (k 1 |k 1) , Pl (k 1 |k 1)}r ]i|j (k 1 |k 1 ) x l=1

(1.61)
r
p x (k) Mj (k) , Z k1 = p [x (k) |Mj (k) , Mi (k 1) , xi (k 1 |k 1) , Pi (k 1 |k 1 )]i|j (k 1 |k 1)

(1.62)
i=1
Le terme i|j (k 1 |k 1) correspond la probabilit que le systme ait fonctionn selon le modle Mi l'instant k 1 sachant qu'il fonctionne selon le modle Mj l'instant k et connaissant l'information Z k1 . 34

La densit de probabilit p x (k) Mj (k) , Z k1 de l'quation (1.62) peut tre reprsente par un mlange de gaussiennes. l'quation (1.62) devient :
p x (k) Mj (k) , Z k1 =
r i=1
N [x (k) ; E [x (k) |Mj (k) , xi (k 1 |k 1)] , Pi (k 1 |k 1)] i|j (k 1 |k 1)

r i=1
N x (k) ;
E [x (k) |Mj (k) , xi (k 1 |k 1) ] i|j (k 1 |k 1 ) , P0j (k 1 |k 1 )

r i=1
= N x (k) ; E x (k) Mj (k) ,
xi (k 1 |k 1) i|j (k 1 |k 1 ) , P0j (k 1 |k 1)
(1.63)
o Pi (k 1 |k 1) est la variance de l'estime xi (k 1 |k 1 ) et P0j (k 1 |k 1 ) est la
tel-00135049, version 1 - 6 Mar 2007
variance du mlange
Cette formule est la base de l'algorithme IMM. L'entre de chaque ltre j l'instant k est issue de la somme des r estimes xi (k 1 |k 1 ) des ltres l'instant k 1 pondre par les probabilits i|j (k 1|k 1), appeles probabilits de mlange. Cette faon de procder permet de considrer un historique {Mi (k 1), Mj (k)} tout en n'utilisant que r modles au lieu des r2 ncessaires pour la procdure GPB2. La gure 1.6 visualise les principales tapes de l'algorithme, o r ltres fonctionnent en parallle. Un mlange des estimes prcdentes est ralis l'entre de chaque ltre. Comme pour le GPB, on procde au calcul des probabilits des modles et de l'estime globale l'issue de chaque cycle. L'algorithme suit les tapes suivantes :
i=1
xi (k 1 |k 1) i|j (k 1 |k 1) qui sera exprime par la suite.
Calcul des probabilits de mlange

La probabilit que le modle Mi soit actif l'instant k 1, si le modle Mj est actif l'instant k , est donne par :
i|j (k 1 |k 1) = P Mi (k 1) Mj (k) , Z k1 1 = P Mj (k) Mi (k 1) , Z k1 P Mi (k 1) Z k1 cj

avec
r
(1.64)
cj =
i=1
ij i (k 1)
j = 1, . . . , r
(1.65) 35
x1 (k 1|k 1), P1 (k 1|k 1)
xr (k 1|k 1), Pr (k 1|k 1)
Calcul des estimes mlange initiales
x01 (k 1|k 1)
tel-00135049, version 1 - 6 Mar 2007
P01 (k 1|k 1)
x0r (k 1|k 1) P02 (k 1|k 1)
z(k)
Filtre M1
......
Filtre Mr
x1 (k|k) P1 (k|k)
1 (k)
xr (k|k) Pr (k|k)
r (k)
...
...
...... ......
x(k|k), P (k|k) 1 (k) r (k)
Fig. 1.6 Estimateur IMM
36

Cette probabilit peut tre rcrite en prenant en considration les probabilits de transition ij de Markov :
i|j (k 1 |k 1) =
1 ij i (k 1) cj
i, j = 1, . . . , r
(1.66)
Les probabilits i|j (k 1 |k 1) vont tre utilises pour le calcul des estimes mlanges l'entre des ltres.
Calcul des estimes mlanges

Elles sont calcules en combinant les estimes issues des ltres calcules l'instant
tel-00135049, version 1 - 6 Mar 2007
prcdent xi (k 1|k 1) et les probabilits mlanges i|j (k 1 |k 1) :

r
x0j (k 1 |k 1) =
i=1
xi (k 1 |k 1 )i|j (k 1 |k 1)
j = 1, . . . , r
(1.67)
La covariance associe cette estime s'crit :
P0j (k 1 |k 1) =
r i=1
i|j (k 1 |k 1 ) {Pi (k 1 |k 1 )
(1.68)
+ [i (k 1 |k 1) x0j (k 1 |k 1 )] x [i (k 1 |k 1) x0j (k 1 |k 1 )] x j = 1, . . . , r
T
Le calcul des estimes mlanges x0j (k 1 |k 1) initiales est dduit directement de l'quation (1.63). L'estime mlange x0j (k 1|k 1) sera utilise l'entre du j me ltre qui donnera en sortie l'estime xj (k 1|k 1) et sa variance Pj (k 1|k 1).

La fonction de vraisemblance d'un modle Mj l'instant k est donne par :
j (k) = p z (k) Mj (k) , Z k1

elle est value en utilisant l'estime mlange x0j (k 1 |k 1) est sa variance :
(1.69)
j (k) = p [z (k) |Mj (k) , x0j (k 1 |k 1) , P0j (k 1 |k 1 ) ]
j = 1, . . . , r (1.70)
37
Sous l'hypothse de la normalit des bruits entachant les mesures et les tats du systme la vraisemblance peut s'crire :
j (k) = p [j (k)] = N [j (k) ; 0, Sj (k)]

T Sj (k) = Cj Aj Pj (k 1|k 1)Cj AT + R(k) j
(1.71)
j (k) = z(k) Cj (Aj x0j (k 1|k 1) + Bj u(k 1))

o Sj (k) est la variance du rsidu j (k) qui correspond au j me modle. Ces vraisemblances vont servir au calcul des probabilits des modles.
tel-00135049, version 1 - 6 Mar 2007

La probabilit d'activation j (k) d'un modle Mj l'instant k est donne par :
j (k) = P Mj (k) Z k 1 = p z (k) Mj (k) , Z k1 P Mj (k) Z k1 c r 1 P Mj (k) Mi (k 1) , Z k1 P Mi (k 1) Z k1 = j (k) c i=1 1 = j (k) c

avec
r
(1.72)
ij i (k 1)
i=1 r
j = 1, . . . , r
c=
j=1
j (k)
i=1
ij i (k 1)
(1.73)
Ces probabilits d'activation sont utilises pour le calcul de l'estime globale ainsi que pour la dtection du mode actif l'instant k comme nous allons le voir dans le chapitre
2.

Les sorties de chaque ltre sont mlanges en une seule estime globale chaque n de cycle d'estimation :
r
x (k |k ) =
i=1
xi (k |k ) i (k)
(1.74)
38
1.5. Conclusion
La variance de cette estime s'explicite :
r
P (k |k ) =
i=1
i (k) Pi (k |k ) + [i (k |k ) x (k |k )] [i (k |k ) x (k |k )]T x x
(1.75)
Cette estime qui constitue la sortie de l'estimateur ne sera pas cependant rutilise pendant le cycle suivant.
1.5
tel-00135049, version 1 - 6 Mar 2007
Conclusion
Dans ce chapitre, nous avons rappel, dans un premier temps, quelques notions concernant le ltre de Kalman et les systmes commutation markovienne, ncessaires la comprhension et la mise en oeuvre des estimateurs multi-modle. Puis, nous avons prsent les direntes approches de l'estimation multi-modle. La premire gnration des estimateurs multi-modle est base sur l'hypothse exprimant que le modle actif ne change pas avec le temps. Cette approche ne permet pas une bonne estimation dans le cas d'un changement frquent de mode de fonctionnement. Des estimateurs conus pour les systmes commutations markoviennes ont t ensuite dnis. Plusieurs algorithmes ont t prsents ; ils dirent dans la manire dont ils utilisent l'historique des commutations ainsi que dans le mode de rinitialisation des ltres. Dans le chapitre suivant, nous prsentons une mthode de dtection de dfaut base des estimateurs multi-modle dcrits dans ce chapitre.
39
tel-00135049, version 1 - 6 Mar 2007
40
tel-00135049, version 1 - 6 Mar 2007
2
Diagnostic des systmes commutation
Sommaire
2.1 2.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Principes fondamentaux du diagnostic . . . . . . . . . . . . . . 44
2.2.1 2.2.2 2.2.3 2.2.4 Surveillance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Prise de dcision . . . . . . . . . . . . . . . . . . . . . . . . . . Performance d'une procdure de diagnostic . . . . . . . . . . . 44 44 46 47
2.3
Estimateurs multi-modles pour le diagnostic . . . . . . . . . 48

2.3.1 2.3.2 2.3.3 2.3.4 Modle de dfaut . . . . . . . . . . . . . . . . . . . . . . . . . . Dtection de dfaut . . . . . . . . . . . . . . . . . . . . . . . . 49 51 53 54
Construction de la matrice de Markov . . . . . . . . . . . . . . valuation des performances de la mthode . . . . . . . . . . .
41
Chapitre 2. Diagnostic des systmes commutation
2.4 2.5
Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . . 55 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
tel-00135049, version 1 - 6 Mar 2007
42
2.1. Introduction
2.1
Introduction
C'est une vidence de constater que la commande des systmes devient de plus en plus complexe ; cela est d la nature des systmes, mais aussi la volont de contrler tous les paramtres et toutes les perturbations aectant le systme. Dans cette dynamique s'est dveloppe la discipline de la sret de fonctionnement. Pour un grand nombre d'applications, il est ncessaire d'implanter un systme de surveillance an de dtecter, isoler, voire identier tout dysfonctionnement. Un systme de surveillance doit permettre de caractriser le mode de fonctionnement d'un
tel-00135049, version 1 - 6 Mar 2007
systme partir d'informations pralablement collectes, en reconnaissant et en indiquant les anomalies de comportement. Cette surveillance peut tre ralise en mode exploitation ou en mode hors exploitation, chacun des modes prsente un certain nombre d'avantages et d'inconvnients. Le mode d'implmentation en exploitation permet de ragir rapidement en cas de problmes et s'accompagne souvent d'une procdure de maintenance sur site. Il impose un traitement en temps rel des dirents signaux. Le mode d'implmentation hors exploi-
tation permet de faire de la maintenance prventive et peut tre utilis en complment

du mode d'implmentation en exploitation lorsque celui-ci ne permet pas de prciser la raison du dysfonctionnement du systme. Les techniques de FDI sont gnralement bases sur l'estimation de l'tat de fonctionnement du systme et l'analyse de cet tat vis--vis d'tats de rfrence traduisant le fonctionnement correct du systme. En pratique, il est souvent plus simple de gnrer une estimation de la sortie du systme. A partir de cette estimation, on calcule un rsidu, dirence entre la sortie mesure et la sortie estime, et qui a la proprit d'tre sensible aux dfauts. L'estimation d'tat ou de sortie du systme est la base des mthodes de FDI et l'estimation par multi-modle est un outil adapt pour la dtection de dfauts qui, elle aussi, se base sur le calcul de rsidus. Dans ce chapitre, nous allons utiliser les mthodes d'estimation multi-modle pour la dtection de dfaut o le systme sera reprsent par un ensemble de modles de bon fonctionnement et un ensemble de modles reprsentant les dfauts. Les probabilits d'activation des modles issues des estimateurs du chapitre 1 vont servir la dtection, l'iso43

lation ainsi que l'identication du ou des dfauts.
2.2 Principes fondamentaux du diagnostic

2.2.1 Surveillance
La surveillance d'un systme repose sur l'observation des processus (ensemble de phnomnes organiss dans le temps) qui rgissent le comportement du systme. Cependant, la surveillance n'a pas seulement pour fonction de centraliser et visualiser les informations. Elle a galement pour fonction de dterminer le fonctionnement courant du systme, de dtecter le passage d'un fonctionnement normal vers un fonctionnement anormal et de caractriser ce changement de fonctionnement en dterminant sa cause. Cette seconde fonction est dsigne par le terme diagnostic.
tel-00135049, version 1 - 6 Mar 2007
2.2.2 Diagnostic
Le diagnostic consiste dtecter un fonctionnement anormal au sein du systme et dterminer sa cause en localisant le ou les composants du systme prsentant une anomalie de fonctionnement et, ventuellement, en caractrisant l'anomalie (svrit, instant d'apparition, dure, etc.). Typiquement, le diagnostic dbute par la comparaison entre le comportement ou le fonctionnement rel du systme (dont une image est fournie par les observations) et le comportement ou le fonctionnement thorique attendu fourni par le modle.
Modle
Un systme physique tant un ensemble constitu de composants interconnects, un modle d'un systme est donc une description de sa structure physique et une reprsentation comportementale et/ou fonctionnelle, abstraite, de chacun de ses composants (Kleer and Williams, 1987). Le diagnostic peut ainsi faire appel divers niveaux de modlisation, chacun se rfrant des degrs de connaissance dirents du systme, structurelles, comportementales, fonctionnelles. La reprsentation structurelle dcrit les interconnexions 44
2.2. Principes fondamentaux du diagnostic

des composants d'un systme physique (la structure du systme peut tre reprsente, par exemple, sous forme d'une matrice d'incidence). La reprsentation comportementale est constitue de relations entre les dirents phnomnes qui rgissent le comportement du systme. Suite la comparaison entre les comportements observ et attendu, toute incohrence est alors rvlatrice d'une ou de plusieurs anomalies de comportement. Les incohrences sont ainsi considres comme des signes de dfauts ou des symptmes de dfaillances. Introduisons maintenant la notion de dfaillance et de dfaut qui sont des termes trs utiliss par la suite.
tel-00135049, version 1 - 6 Mar 2007
Dfaillance
Une dfaillance se rapporte une anomalie fonctionnelle. L'adjectif dfaillant est employ pour qualier un systme physique ou un composant dont une ou plusieurs fonctions sont altres. Par abus, nous qualions de dfaillant un systme physique ou un composant qui prsente une anomalie fonctionnelle. En cas de cessation fonctionnelle, le terme panne est utilis, c'est--dire l'inaptitude d'un composant accomplir sa fonction.
Dfaut
La notion de dfaut, quant elle, se rapporte une anomalie de comportement au sein d'un systme physique. Dans la littrature, un dfaut est souvent dni comme tout cart entre la caractristique observe sur le dispositif et la caractristique de rfrence (Afnor, 1994). La notion de dfaut est donc voisine de celle de dfaillance. Toutefois, un dfaut n'implique pas ncessairement une dfaillance car un dfaut, li au comportement, est plus gnral qu'une dfaillance, qui est quant elle lie aux fonctions qui peuvent tre toujours remplies malgr la prsence d'un dfaut. La description comportementale est plus dtaille que la description fonctionnelle et l'inclut donc. De la mme manire, la notion de dfaut inclut celle de dfaillance ; un dfaut n'altre pas ncessairement le fonctionnement d'un systme physique mais peut prsager d'une dfaillance venir. Dans la pratique, un processus est compos de trois groupes d'organes : les actionneurs, les capteurs et le processus. Le comportement de l'ensemble dpend de chaque composant. Une dfaillance peut donc surgir dans un ou plusieurs de ces organes. 45

Le diagnostic ncessite alors un ensemble de tests permettant de rvler des incohrences entre les observations et le modle, signes de dfauts ou symptmes de dfaillances. L'objectif est ensuite de localiser le ou les composants ayant un comportement ou un fonctionnement anormal partir des incohrences rvles par la procdure de diagnostic. Pour cela, un ensemble d'hypothses sur l'origine possible des anomalies est gnr. Chacune des hypothses est formule en termes de changements dans la structure, le comportement ou le fonctionnement du systme. La localisation consiste rechercher les hypothses permettant d'expliquer l'ensemble des incohrences observes.
tel-00135049, version 1 - 6 Mar 2007
Dtection et localisation
La dtection consiste prendre une dcision binaire : soit le systme fonctionne correctement, soit une panne s'est produite. Le rsultat de la procdure de dtection est une alarme signiant que le fonctionnement rel du systme ne concorde plus avec le modle de fonctionnement sain. Isoler revient attribuer le dfaut au module dfectueux du systme : capteur, actionneur, processus ou unit de commande. Diagnostiquer consiste eectuer la classication des dfauts selon certains paramtres qui les caractrisent : instant d'apparition, amplitude. Cette tape consiste galement prvoir l'volution des dfauts et quantier leur degr de svrit.
2.2.3 Prise de dcision

Une fois le fonctionnement incorrect du systme constat, il est primordial d'agir de faon maintenir les performances souhaites ou limiter les dgradations sur le systme rel. Cette prise de dcision permet de choisir entre plusieurs options comme arrter le systme pour faire de la maintenance ou accepter un fonctionnement dgrad. Il peut encore s'agir, quand cela est possible, de recongurer ou de rorganiser le systme (Beard, 1971). Le rle de la reconguration est de s'aranchir des consquences du dfaut pour conserver les performances initiales lorsque cela est possible ou encore d'assurer un fonctionnement dgrad du systme si celui-ci est tolrable. Il est important que le 46
2.2. Principes fondamentaux du diagnostic

dfaut soit identi avec exactitude (tendue, amplitude, type, cause) an d'en permettre sa compensation ventuelle. La reconguration peut porter sur le systme de rgulation (ou une partie de celui-ci), sur la structure de la loi de commande, sur le processus physique (en prsence de redondance matrielle, on peut basculer sur les lments ayant un fonctionnement correct).
2.2.4 Performance d'une procdure de diagnostic

La phase de dtection est trs importante dans le processus de surveillance du systme. Si cette tape n'est pas correctement ralise, les dfauts peuvent tre mal ou pas dtects
tel-00135049, version 1 - 6 Mar 2007
ou de fausses alarmes peuvent apparatre. Les performances souhaites d'un systme de dtection ont t dcrites par (Patton et al., 1989) : la dtection de dfaut naissant, la rapidit de dtection, l'isolation et la caractrisation des dfauts dtects, la minimisation du nombre de fausses alarmes, la minimisation des mauvaises dtections. Les performances attendues d'une procdure de dtection et d'isolation de dfauts reposent sur la dnition de critres de la mthode de diagnostic. Ils se dcomposent en critres minimiser : le retard la dtection, le taux de fausse alarme et de mauvaise dtection, le temps de calcul pour une utilisation en temps rel, et en critres maximiser : la sensibilit des dfauts de faible amplitude, l'insensibilit aux bruits et aux perturbations ainsi qu'aux incertitudes sur les paramtres du modle du systme. Les critres peuvent tre contradictoires, ce qui ncessitera la mise en place d'une optimisation. Certaines mthodes de dtection vont avantager certains de ces critres et pnaliser d'autres. Pour les systmes sujets des bruits, les hypothses sont souvent faites en considrant 47

ces bruits comme alatoires et non-corrls entre eux. Si les bruits sont non-stationnaires et non-gaussiens, alors les performances de la dtection en seront aectes. Une procdure de dtection de dfauts permet de dtecter dirents dysfonctionnements du systme lorsque ce dernier n'est plus en fonctionnement normal (dfauts de capteurs, d'actionneurs, variations de paramtres, changements de structure, prsence de bruits, ...). Nous devons donc focaliser l'action de dtection sur ce qui nous intresse en s'affranchissant des autres phnomnes qui seront considrs comme des perturbations. La procdure de dtection est alors conue a priori pour des types particuliers de dfauts.
tel-00135049, version 1 - 6 Mar 2007
2.3 Estimateurs multi-modles pour le diagnostic

Dans cette partie, nous appliquerons les mthodes d'estimation d'tat prsentes au chapitre prcdent pour la dtection de dfaut et le diagnostic des systmes commutation. Les mthodes d'estimation multi-modle sont labores pour des systmes sujets des changements structurels et/ou paramtriques. Elles sont naturellement adaptes la dtection de dfaut car, dans la ralit, un systme peut tre souvent reprsent par un ou plusieurs modles de bon fonctionnement, mais galement par un ensemble de modles dcrivant les situations de dfaut de capteurs, d'actionneurs ou de dommages sur les autres composants du systme. Ainsi, le fonctionnement global du systme peut tre dcrit par un ensemble de modles que l'on peut runir dans une structure multi-modle. Les estimateurs multi-modles ont t appliqus au diagnostic, dans un premier temps, sous leur version qui ne tient pas en compte des commutations (estimateur multi-modle non commutant) (Gustafson and al., 1978), (Maybeck, 1982), (Menke and Maybeck, 1995), (Napolitano and Swaim, 1992). Cette approche est approprie dans le cas d'incertitudes paramtriques et/ou structurelles, mais ne convient pas aux systmes commutation. An d'adapter ces estimateurs aux systmes commutation, plusieurs techniques ont t proposes dans (Gustafson and al., 1978), (Maybeck, 1982), (Menke and Maybeck, 1995) sans pour autant intgrer la notion de commutation markovienne dans l'algorithme d'estimation. 48
2.3. Estimateurs multi-modles pour le diagnostic

Des mthodes plus rcentes, tel que le GPB et l'IMM (Bar-Shalom and Li, 1993), (Blom and Bar-Shalom, 1988), ont permis la prise en compte des commutations entre les diffrents modes de fonctionnement du systme. Ces mthodes sont mieux adaptes la dtection de dfaut aectant les systmes commutation et ont t appliques avec succs au diagnostic dans (Tudoroiu and Khorasani, 2005), (Rago et al., 1998), (Hashimoto and Kawashima, 2001), (Fang et al., 1999), (Zhang and Li, 1998), (Zhang and Jiang, 2001). Elle s'appuient sur l'utilisation d'un banc de ltres disposs en parallle, chaque ltre tant cal sur un modle local associ un comportement particulier du processus rel. A partir de l'valuation des rsidus des ltres, on peut dtecter le modle actif et donc dtecter les dfauts si ceux-ci sont reprsents par des modles appropris.
tel-00135049, version 1 - 6 Mar 2007
2.3.1 Modle de dfaut

L'ensemble M des modles sur lequel on va s'appuyer pour raliser l'estimateur multimodle sera compos des modles de bon fonctionnement et des modles de dfaut. Certains modles du systme en dfaut peuvent tre dduits des modles de bon fonctionnement. Par exemple, on peut modliser un dfaut d'actionneur en modiant la matrice de commande d'un modle de bon fonctionnement. La construction de l'ensemble des modles de dfaut et plus particulirement leur nombre dpend largement de l'application considre. L'importance de la construction de l'ensemble des modles a t largement soulign dans la littrature et la dicult principale dans l'laboration des estimateurs multi-modle est la construction de cet ensemble de manire ce qu'il reprsente dlement le comportement du systme. La construction de l'ensemble des modles pour la dtection de dfauts ncessite des informations a priori sur le type du dfaut. Un dfaut multiplicatif d'actionneur peut tre modlis par la modication d'une colonne de la matrice de commande B . Ainsi, un dfaut sur le ime actionneur est pris en compte en crivant le systme sous la forme :
x (k) = Ax (k 1) + (B + Dai ) u (k 1) + Gw (k 1)
(2.1) 49

o Dai est une matrice qui a la mme dimension que B et dont toutes les composantes sont nulles sauf celles de la ime colonne qui caractrise le dfaut multiplicatif sur le ime actionneur du fait de sa modication. Dans le cas d'une panne totale sur le ime actionneur, on choisit la ime colonne de Dai de manire ce que sa somme avec la ime colonne de B soit nulle. De la mme manire, on peut dcrire un dfaut multiplicatif de capteur par :
z (k) = C + Dcj x (k) + v (k)
(2.2)
tel-00135049, version 1 - 6 Mar 2007
o Dcj est une matrice qui a la mme dimension que C et dont toutes les composantes sont nulles sauf celles de la j me ligne qui caractrise le dfaut multiplicatif sur le j me capteur. Dans le cas d'une panne totale sur le j me capteur, on choisit la j me ligne de Dcj de manire ce que sa somme avec la j me ligne de C soit nulle. Des situations plus complexes peuvent tre envisages, incluant des dfauts total ou partiel d'actionneur, des dfauts aectant des capteurs ou d'autre composantes du systme. Cette multiplicit de situations de dfaut motive l'utilisation des multi-modles et en particulier l'utilisation des systmes commutation markovienne o on prend en considration tout les modles chaque instant. Le systme considr est reprsent par un systme commutation markovienne dni par l'ensemble de modles M = {M1 , M2 , . . . , Mr } o r est le nombre de modles. Le comportement du systme, pour chaque modle d'volution d'tat Mj , est caractris par les matrices Aj , Bj , Cj , Gj dcrivant le systme dynamique suivant :
x(k) = A x(k 1) + B u(k 1) + w(k 1) j j z(k) = C x(k) + v(k) j

o, l'instant k , x (k) Rn est le vecteur d'tat, u (k) Rp est le vecteur de commande,
z (k) Rq est la sortie du systme, enn w (k) Rn et v (k) Rq sont respectivement le

bruit d'tat et le bruit de mesure considrs blancs, gaussiens et centrs. Les transitions d'un modle un autre suivent un processus markovien, dni par sa 50

matrice de transition :
11 . = . . r1
.. .
1r . . . rr
2.3.2 Dtection de dfaut

L'volution temporelle de la probabilit d'activation des modles, calcule par les estimateurs multi-modles du chapitre 1, donne des informations sur les modications qui peuvent survenir en cours du fonctionnement du systme. En eet, comme on l'a vu prcdemment, l'issue d'un cycle d'estimation, l'estimateur multi-modle aecte une probabilit i (k) chaque modle Mi . L'analyse de ces probabilits permet de dtecter et d'isoler les dfauts partir de rgles de dcision dnies cet eet. Certaines d'entre elles sont construites de manire minimiser l'inuence des perturbations et favoriser une prise de dcision sans ambigut.
tel-00135049, version 1 - 6 Mar 2007
Rgles de dcision
Le choix de la rgle de dcision et de ses paramtres dpend du systme, du niveau de bruit sur les signaux et de la distance entre les modles. Plusieurs rgles de dcision peuvent tre employes. Rgle 1 : prise en compte de la probabilit d'activation la plus importante
i (k) = max j (k)

j
(2.3)
* si i (k) le modle i est dclar actif l'instant k , * sinon le modle i est dclar inactif l'instant k ainsi que les autres modles,
La valeur du seuil [0, 1] dpend du nombre de modles, du niveau de bruit et des performances souhaites. Si l'on augmente , on risque de ne plus dtecter le modle actif et si on le diminue, on risque de faire des fausses dtections (fausse
alarme ). Un nombre important de modles implique une diminution de cause

51

de la dispersion des probabilits (la somme des probabilits reste toujours gale 1 tandis que leur nombre est plus important). Une autre rgle peut tre envisage an d'exploiter le contraste entre les probabilits des dirents modles. Rgle 2 : prise en compte du contraste entre les deux probabilits les plus importantes (k) = max (k) i1 j j (2.4) (k) = max (k) i2 j
j=i1
j (k) =
tel-00135049, version 1 - 6 Mar 2007
i1 (k) i2 (k)
(2.5)
* si j (k) le modle i1 est dclar actif l'instant k, * sinon le modle i1 est dclar inactif l'instant k ainsi que les autres modles.
Cette rgle permet de diminuer le risque de fausse alarme. Mme si la probabilit i1 est faible, si la deuxime probabilit la plus leve i2 est faible proportionnellement i1 , alors l'activation du modle i1 est justie.
Avantages de la mthode
L'utilisation des mthodes d'estimation multi-modle prsentes dans le chapitre prcdent ore de nombreux avantages pour le diagnostic par rapport aux autres mthodes. Ces avantages rsident dans le fait que la prise de dcision permet non seulement la dtection du dfaut, mais procure aussi des informations sur le type de dfaut (dfaut sur un actionneur ou sur un capteur ...), la localisation (quel est l'actionneur ou le capteur en dfaut), l'amplitude du dfaut ainsi que son instant d'occurrence. Autrement dit, la technique ralise simultanment la dtection et le diagnostic. La dtection de dfaut est faite en mme temps que l'estimation de l'tat du systme ce qui donne un certain avantage la mthode. L'estime globale tient compte des dfauts qui peuvent aecter le systme et pourra donc tre utilise sans aucune reconguration de l'estimateur. 52

Cette approche peut tre associe une procdure de commande tolrante au dfaut an de permettre une reconguration de la commande. Dans (Zhang and Jiang, 2001) l'ide est de considrer un contrleur issue d'une combinaison de contrleurs associs aux dirents modles pondre par les probabilits d'activation des modles.
2.3.3 Construction de la matrice de Markov

La matrice de Markov est gnralement considre comme un paramtre de rglage de la mthode. Dans la majorit des cas, elle est dtermine pralablement l'estimation d'tat. Cependant, elle peut tre galement estime en ligne. Dans le chapitre 3, une procdure d'estimation simultane de la matrice de Markov et de l'tat du systme sera expose. La dtermination a priori de la matrice de Markov pour les multi-modles a t traite dans (Bar-Shalom and Li, 1993), (Blackman and Popoli, 1999), (Blair and Watson, 1992), (Bloomer and Gray, 2002) et (Busch and Blackman, 1995). L'approche la plus utilise consiste prendre en compte le temps de sjour moyen sur un modle (Bar-Shalom, 1990) (Li and Bar-Shalom, 1993). La probabilit de se maintenir sur un modle dtermin est donne par :
tel-00135049, version 1 - 6 Mar 2007
ii = max{li , 1
T } i
(2.6)
o i reprsente le temps de sjour moyen sur le ime modle, ii est la probabilit de de se maintenir sur le modle Mi et T est la priode d'chantillonnage, li reprsente la borne infrieure de la probabilit de transition. En pratique, la valeur de i est suprieure celle de la priode d'chantillonnage T . Les probabilits de passage du modle Mi vers les autres modles sont donnes par :
ij =
1 ii , r1
j = 1, . . . , r, i = j
(2.7)
Une mauvaise dtermination de la matrice de Markov peut introduire des retards sur la dtection du mode et peut aussi augmenter la sensibilit vis--vis du bruit. C'est pour cette raison que l'on va exposer deux mthodes d'estimation de la matrice de Markov an d'avoir une valeur de la matrice proche de la ralit. 53
2.3.4 valuation des performances de la mthode

Indice de performance
An d'valuer la performance du diagnostic par les mthodes multi-modles proposes dans le chapitre prcdent des critres de performance ont t dnis. Ces critres prennent en considration dirents aspects tel que la dtection, la localisation, le dlai de dtection et les fausses alarmes. Pour cela on dnit les indicateurs suivants : le taux de fausses alarmes (FA) qui est le ratio entre le nombre de fausses alarmes et le nombre de fois o le systme est en bon fonctionnement, le taux de non dtection (ND) qui est le ratio entre le nombre de fois o la mthode n'a pas abouti la dtection du dfaut et le nombre de fois o le systme est en dfaut, le taux de bonne dtection est d'isolation (BDI) qui est le ratio entre le nombre de fois o on a dtect le bon mode de fonctionnement et le nombre d'chantillons, le taux d'isolation incorrect du dfaut (IID) est le ratio entre le nombre de cas o on a une dtection de dfaut mais le dfaut isol n'est pas le bon et le nombre de fois o le systme est en dfaut, le temps moyen de dtection (TMD) qui est donn par la moyenne des retards la dtection. La rgle 2 dcrite prcdemment est utilise pour dcider du modle actif. Les dirents critres sont calculs en comparant le modle choisi par la rgle 2 avec le vrai mode de fonctionnement. Pour l'valuation de la mthode, un scnario des commutations est tabli pralablement et les instants de commutation sont connus an de pouvoir les comparer avec les dcisions prises.
tel-00135049, version 1 - 6 Mar 2007
Scnario pour le test

Pour cela les commutations entre les modes de fonctionnement sont gnrs en utilisant la matrice de transition de Markov. On peut commuter alatoirement d'un modle l'autre n'importe quel instant suivant les probabilits de la matrice de Markov. Cependant, pour mieux s'approcher de la ralit, on suppose que le systme est semi-markovien ce 54
2.4. Exemple de simulation

qui revient imposer le temps de sjour minimum ti sur chaque mode. D'autres scnarios dterministes ou alatoires peuvent tre labors selon le systme trait et les performances vises.
Robustesse de la mthode
Les performances d'une procdure de dtection peuvent tre aectes par des variations ou des erreurs de modlisation des paramtres entrant dans l'laboration de celle-ci. Plus la procdure de dtection est insensible ces variations et plus la dtection s'eectue dans de meilleures conditions. Un des paramtres de la mthode propose est la matrice
tel-00135049, version 1 - 6 Mar 2007
de Markov ; il est intressant d'tudier l'inuence des erreurs de modlisation des termes de cette matrice sur la dtection de dfaut. Ce point a t abord dans (Li, 1996), (Li and Bar-Shalom, 1993), o il est conclu que la performance de l'estimateur n'est pas trs sensible aux erreurs de modlisation de cette matrice. Dans l'exemple qui suit, nous valuons les performances de la dtection par rapport aux changements des termes de la matrice de Markov. Une procdure de dtection est d'autant plus ecace qu'elle n'est pas sensible aux bruits ; pour cette raison, il est intressant d'tudier aussi les performances de la dtection, caractrises par les indices de performance dnis prcdemment, par rapport au niveau de bruit.
2.4
Exemple de simulation
Un exemple de simulation est propos dans cette section pour montrer les performances de la mthode prsente en ce qui concerne la dtection de dfauts de capteurs et d'actionneurs d'un moteur courant continu (Park et al., 2000). L'quation linaire de l'volution de l'tat du systme reprsentant la dynamique du moteur est donne par : 0.1815 0.0005 0.0084 u (k 1) + w (k 1) x (k 1) + x (k) = 1.7902 0.0517 0.8069 (2.8) 10 x (k) + v (k) y (k) = 01 55

Le vecteur d'tat x(k) est le suivant :
x (k) = i(k) (k)

(2.9)
o i(k) reprsente le courant traversant le moteur et (k) sa vitesse angulaire et o u reprsente la tension l'entre du moteur. Pour dtecter les dfauts sur les capteurs et les actionneurs, plusieurs modles sont gnrs an de reprsenter direntes situations de dfaut capteur ou actionneur ou des dfauts simultans de capteur et d'actionneur. Dans un premier temps, on suppose que l'on ne peut avoir qu'un seul dfaut la fois et que le dfaut sera total (panne du composant). Les matrices des dirents modles sont donnes par :
tel-00135049, version 1 - 6 Mar 2007
Ai = 0.0005 0.0084 0.0517 0.8069

T
, i = 1...3 10 01 10 . .
B1 = 0.1815 1.7902
, C1 =
00 T 10 . B3 = 0 1.7902 , C3 = 01 T 00 . B4 = 0.1815 1.7902 , C4 = 01 T 10 . B5 = 0.1815 0 , C5 = 01
B2 = 0.1815 1.7902
, C2 =
Le premier modle reprsente le fonctionnement normal du moteur et les quatre autres reprsentent des situations de pannes d'actionneurs et de capteurs. Les matrices de variances des bruits sur l'tat et la sortie sont donnes par : 0.001 0 . Q= 0 0.001 56
R= 0.01 0 0 0.4
Les transitions d'un modle un autre sont rgies par la matrice : 0.95 0.0125 0.0125 0.0125 0.0125 0.05 0.95 0 0 0 1 = 0.05 0 0.95 0 0 0.05 0 0 0.95 0 0.05 0 0 0 0.95
tel-00135049, version 1 - 6 Mar 2007
L'entre u(k) choisie pour simuler le modle (2.8) est prsente sur la gure 2.1 et la sortie
y(k) est reprsente sur les gures 2.2 et 2.3. Les rsultats de l'estimation sont reprsents
sur les gures 2.4 et 2.5 o on a superpos l'tat rel x(k) et son estime x(k). Les pro babilits des modles M1 , M2 , M3 , M4 et M5 ainsi que leurs fonctions d'activation relles sont reprsentes respectivement sur les gures ??, ??, ??, ?? et 2.6. Le tableau 2.1 donne la valeur des dirents critres de performances pour une simulation de la mthode sur
50000 instants d'chantillonnage et pour dirents niveaux de bruit de sortie.

De la gure 2.6 on peut remarquer que les probabilits d'activation des modles sont
1.1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
100
200
300
400
500
600
700
800
900
1000
Fig. 2.1 Entre u du systme
en adquation avec les vrais occurrences des modles et elles donnent des informations 57
12
0.25
0.2
10
0.15
0.1
0.05
2 Entre
tel-00135049, version 1 - 6 Mar 2007
0.05
0.1
2
0 100 200 300 400 500 600 700 800 900 1000
100
200
300
400
500
600
700
800
900
1000
Fig. 2.2 Courant i du systme
Fig. 2.3 Vitesse angulaire
12
0.25 courant rel courant estime 0.2
vitesse relle vitesse estime
10
0.15
0.1
0.05
4
0
2
0.05
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
100
200
300
400
500
600
700
800
900
1000
Fig. 2.4 Estime du courant i du sys-
Fig. 2.5 Estime de la vitesse angulaire
tme
58

1 Probabilits dactivation du modle 1 0.5 0 0 100 200 300 400 1 Probabilits dactivation du modle 2 0.5 0 0 100 200 300 400 500 600 700 800 900 1000 500 600 700 800 900 1000
1 Probabilits dactivation du modle 3 0.5 0 0 100 200 300 400 1 Probabilits dactivation du modle 4 0.5 0 0 100 200 300 400 1 Probabilits dactivation du modle 5 0.5 0 0 100 200 300 400 500 600 700 800 900 1000 k 500 600 700 800 900 1000 500 600 700 800 900 1000
tel-00135049, version 1 - 6 Mar 2007
Fig. 2.6 Probabilits d'activation i
pertinentes sur le "vrai" modle actif. An d'apprcier l'inuence des bruits de sortie sur la dtection, on a fait plusieurs simulations avec dirents niveaux de bruit ; les performances de la mthode de dtection sont prsentes dans le tableau 2.1 o on peut remarquer la dtrioration des performance avec l'augmentation du niveau du bruit. Le tableau 2.2 reprsente les variations des performances de la dtection en fonction des modications eectues sur la matrice de Markov. Pour cet exemple, les commutations sont gnres en utilisant la matrice 1 et en gardant le mme niveau de bruit pour toutes les simulations. L'estimation est ralise quant elle en utilisant les matrices 1 , 2 , 3 ou 4 . On peut remarquer que les performances de la dtection se dtriorent de plus en plus si l'on s'loigne de la vraie matrice de transition 1 . Cela montre l'inuence de cette matrice sur la dtection et la ncessit de l'estimer dans le cas o elle n'est pas connue. 59

BDI niveau de bruit R niveau de bruit 2 R niveau de bruit 3 R niveau de bruit 5 R FA ND IID TMD
0.9120 0.8325
0.7582
0.00024 0.00078 0.0014 0.0018
0.1756 0.2854 0.3377 0.4887
0.0066 0.0371 0.0619 0.0869
2.4571 4.2541 5.7483 10.3701
0.6124
Tab. 2.1 Performance de la dtection en fonction du niveau du bruit de sortie
0.97 0.0075 0.0075 0.03 0.97 0 2 = 0.03 0 0.97 0.03 0 0 0.03 0 0 0.90 0.025 0.025 0.10 0.90 0 3 = 0.10 0 0.90 0.10 0 0 0.10 0 0 0.80 0.05 0.05 0.20 0.80 0 4 = 0.20 0 0.80 0.20 0 0 0.20 0 0 0.0075 0.0075 0 0 0.97 0 0 0 0
tel-00135049, version 1 - 6 Mar 2007
0.97 0.025 0.025 0 0 0 0 0.90 0 0 0.90 0.05 0.05 0 0 0 0 0.80 0 0 0.80
2.5 Conclusion
Dans ce chapitre, les mthodes d'estimation multi-modle ont t appliques avec succs pour la dtection et l'isolation de dfaut. Cependant, la mthode de dtection propose, qui ore plusieurs avantages par rapport d'autres mthodes de dtection, reste sensible plusieurs de ses paramtres (niveau de bruit, matrice des probabilits de 60
2.5. Conclusion
BDI FA ND IID TMD
1 2 3 4
0.9120 0.8305 0.8040 0.7760
0.00024 0.0023 0.0020 0.00096
0.1756 0.1260 0.1578 0.1860
0.0066 0.0846 0.0772 0.0669
2.4571 2.4601 2.7097 3.1762
Tab. 2.2 Performance de la dtection en fonction de la prcision de la matrice de Markov
transition de Markov (MPT) et nombre de modles). An d'amliorer les performances
tel-00135049, version 1 - 6 Mar 2007
de cette mthode de dtection, nous proposons, dans les chapitres qui suivent, plusieurs amliorations et modications en agissant dirents niveaux de la mthode d'estimation. Le chapitre 3 est consacr une procdure d'estimation de la MPT. Cette procdure est indispensable dans le cas o l'on a peu ou pas d'information a priori sur cette matrice.
61
tel-00135049, version 1 - 6 Mar 2007
62
tel-00135049, version 1 - 6 Mar 2007
3
Estimation de la matrice de Markov
Sommaire
3.1 3.2 3.3 3.4 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . 65 Fonction de densit de probabilit de la matrice de Markov
3.4.1 Estimation quasi baysienne des paramtres d'une distribution mlange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.2 Estimateur quasi baysien de la MPT . . . . . . . . . . . . . . 72 79
67
Algorithme quasi baysien . . . . . . . . . . . . . . . . . . . . . 71
3.5 3.6
Algorithme par intgration numrique . . . . . . . . . . . . . . 84 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
63
Chapitre 3. Estimation de la matrice de Markov
3.1 Introduction
Les Systmes Commutations Markovienne (SCM), commutent comme leur nom l'indique d'un modle un autre, suivant un processus de Markov dont les paramtres sont habituellement supposs connus. Dans ce chapitre, nous traitons le problme de l'estimation d'tat d'un SCM dans le cas o la Matrice des Probabilits de Transition de la chane de Markov rgissant les commutations est inconnue, sous l'hypothse que la matrice de Markov est invariante dans le temps et reprsente par une matrice alatoire. Dans la pratique, la matrice de Markov est souvent considre comme un paramtre cal-
tel-00135049, version 1 - 6 Mar 2007
culer pralablement une procdure d'estimation multi-modle telle que prsent dans le chapitre 1. Plusieurs techniques de calcul de la matrice de Markov ont t proposes dans divers domaines tel que le suivi de trajectoire d'une cible (Bar-Shalom et al., 1989) ou la dtection et l'isolation de dfaut (Zhang and Jiang, 2001). Ces techniques sont conues pour une application o l'on a des informations a priori sur les probabilits de passage d'un modle un autre et o l'on n'exploite pas les donnes en ligne. Cependant, pour beaucoup d'applications, les informations a priori sur la matrice de Markov, tels que la frquence des pannes sur un systme donn et leur dure moyenne, peuvent tre insufsantes ou mme errones. Utiliser une matrice de Markov imprcise, comme on l'a vu dans le chapitre prcdent, peut conduire une mauvaise dtection du modle actif, d'o l'intrt de l'estimation en ligne de la matrice de Markov. Dans la littrature, il existe quelques publications consacres la rsolution du problme de l'estimation de la matrice de Markov dans le cadre des SCM. Dans (Sawaragi et al., 1973), le problme a t considr pour le cas simple d'une chane de Markov binaire modlisant des dfauts de mesure (observations interrompues) o la rsolution est base sur l'approche baysienne qui permet d'laborer un estimateur approximatif de la matrice de Markov. Pour le mme cas restrictif de chane de Markov binaire, (Tugnait and Haddad, 1979b) et (Tugnait and Haddad, 1980) ont dvelopp et analys la convergence d'un estimateur de Maximum de Vraisemblance (MV) pour la matrice de Markov. Cependant, le temps de calcul de l'algorithme bas sur le MV est exponentiellement croissant en fonction du temps. Pour contourner cette dicult, un 64
3.2. Formulation du problme

schma approximatif a t propos dans (Tugnait, 1982). L'estimation de la matrice de Markov a aussi t considre dans (Goutsias and Mendel, 1988), (West and Harrison, 1997), (Pavlovic et al., 1999) et (Ghahramani and Hinton, 2000). Dans (Pavlovic et al., 1999), le SCM a t formul comme un rseau baysien dynamique et un estimateur de la matrice de Markov bas sur la mthode MV a t propos ainsi que dans (Ghahramani and Hinton, 2000). Nous avons choisi de prsenter l'approche traite par (Jilkov and Li, 2004) pour sa facilit de mise en uvre et sa possibilit d'intgration dans un contexte d'estimation MM (estimation simultane de la matrice de Markov et de l'tat du MM). L'approche est base sur l'hypothse que la matrice de Markov est inconnue mais invariante dans le temps et alatoire, avec une distribution dnie sur un espace continu. Toujours dans un cadre baysien, nous obtenons une approximation rcursive de la fonction de densit de probabilit de la matrice de Markov. Dans le paragraphe qui suit, une formulation du problme d'estimation de la matrice de Markov est propose. Ensuite, une approximation de la fonction de densit de probabilit de cette matrice est dveloppe. Puis, un estimateur quasi baysien de la matrice de Markov est propos. Enn, on prsente un algorithme numrique d'estimation de la matrice de Markov.
tel-00135049, version 1 - 6 Mar 2007
3.2
Formulation du problme
On considre le SCM (1.17) dcrit par le modle d'volution d'tat du systme : x(k) = A x(k 1) + B u(k 1) + w(k 1) j j z(k) = C x(k) + v(k)
j
z (k) Rq est la sortie du systme, enn w (k) Rn et v (k) Rq sont respectivement le

bruit d'tat et le bruit de mesure considrs blancs, gaussiens et centrs. j tant l'indice du modle actif l'instant k , on notera que Mj (k) est l'vnement correspondant l'activation du modle Mj caractris par les matrices Aj , Bj , Cj connues. Tous les modles sont regroups dans l'ensemble M = {M1 , M2 , . . . , Mr } o r est le nombre de modles. 65

Les probabilits d'activation initiales des modles j (0) et les probabilits de transition d'un modle un autre sont donnes par :
P {Mj (0)} = j (0) P {Mj (k) |Mi (k 1) } = P Mj (k) Mi (k 1) , Z k1 = ij , i, j = 1, . . . r

(3.1)
o Z k = {z(1), ..., z(k)} est le vecteur des mesures. Si tous les paramtres Aj , Bj , Cj ,
j (0) et ij des quations (1.17, 3.1) sont connus, on peut procder l'estimation d'tat
pour obtenir x (k) = E x (k) Z k en utilisant les techniques GPB o IMM. Mais, en l'absence de connaissances ables de la Matrice de Markov, les techniques d'estimation multi-modle peuvent se rvler inecaces. Considrons maintenant le problme d'estimation de l'tat x rgi par le modle (1.17) en l'absence d'informations sur la matrice de probabilit de transition dnie dans (3.1) avec = [1 , 2 , . . . , r ] et i = [i1 , i2 , . . . , ir ] , i = 1, ..., r. An d'estimer la matrice de Markov en mme temps que l'tat du systme, il est ncessaire d'estimer la matrice de Markov rcursivement o chaque nouveau cycle d'estimation,
tel-00135049, version 1 - 6 Mar 2007
l'estime de la matrice de Markov (k), l'instant k , est calcule en utilisant l'estime (k 1) de la matrice de Markov, l'instant k 1, et les nouvelles informations procures par la mesure z(k), l'instant k . Le problme d'estimation est formul de la faon suivante : tape (1) : l'instant k , excuter un algorithme d'estimation multi-modle (par exemple : GPB ou IMM) en utilisant l'estime d'tat prcdente et les probabilits
d'activation des modles i (k1) et l'estime (k1), l'instant k1, de la matrice

de transition, pour mettre jour l'estime de x, les probabilits d'activation des modles et leurs vraisemblances dnies dans le chapitre 1. Les informations issues de cette tape sont les suivantes :
x(k|k) = E[x(k)|Z k ] i (k) = P Mi (k) (k 1) , Z k (k) = [1 (k) , . . . , r (k)]

66
(3.2)
(3.3)
3.3. Fonction de densit de probabilit de la matrice de Markov
i (k) = p z (k) Mi (k) , (k 1) , Z k1 (k) = [1 (k) , . . . , r (k)]
(3.4)
tape (2) : mettre jour l'estime (k) de la matrice de Markov on se basant sur (k 1) et sur les informations fournies par l'tape (1).
Notons que cette procdure ne se restreint pas seulement la mthode IMM o GPB (tape (1) ) mais peut s'appliquer d'autres mthodes d'estimation. Pour raliser l'tape
(2), il faut avoir un estimateur rcursif de la matrice de Markov an de calculer (k) en
tel-00135049, version 1 - 6 Mar 2007
fonction de (k 1).
Les direntes tapes de la procdure d'estimation sont reprsentes sur la gure 3.1. La partie qui suit permet d'exprimer la densit de probabilit de la matrice de Markov, l'instant k , en fonction de celle l'instant k 1. Cette rcursion est la base des deux mthodes d'estimation de la matrice de Markov exposes par la suite.
3.3
Fonction de densit de probabilit de la matrice de Markov
Dans cette partie, une relation rcursive est labore en vue de la mise jour de la PDF de la matrice de Markov (Jilkov and Li, 2004). Elle sera exprime en fonction des probabilits d'activation des modes de fonctionnement et des fonctions de vraisemblance dnies dans (3.3, 3.4). L'objectif est de trouver une relation approximative entre p Z k et p Z k1 . En utilisant le thorme de la probabilit totale on a :
p z (k) , Z k1 = =
p z (k) Mj (k) , , Z k1 P Mj (k) , Z k1

r i=1
j=1 r j=1
p z (k) Mj (k) , , Z k1
P Mj (k) Mi (k 1) , , Z k1
P Mi (k 1) , Z k1
(3.5) 67
x(k 1|k 1)
z(k)
(k 1)
tel-00135049, version 1 - 6 Mar 2007
Estimateur multi-modle de l'tat
x(k|k) 1 (k)
r (k) 1 (k)
r (k)
(k 1)
Estimation de la matrice de Markov
(k)
Fig. 3.1 Procdure d'estimation de la matrice de Markov
68
3.3. Fonction de densit de probabilit de la matrice de Markov

La matrice n'est pas connue. On utilise alors les informations issues de l'tape (1) de l'algorithme prcdent en considrant les approximations suivantes :
p z (k) Mj (k) , , Z k1 j (k) P Mi (k 1) , Z k1

La substitution dans (3.5) conduit :
i (k 1)
(3.6)
p z (k) , Z k1
r j=1
j (k)
r i=1
ij i (k 1)
= (k) (k 1)
tel-00135049, version 1 - 6 Mar 2007
= (k 1) (k)
o reprsente la matrice transpose de .
(3.7)
Notons que les approximations (3.6) consistent remplacer la matrice inconnue par sa
meilleure estime (k 1) obtenue l'instant k 1. Pratiquement, cela revient approximer la fonction p z (k) , Z k1 par une fonction linaire de donne par (3.7). En considrant l'approximation (3.7), p z (k) Z k1 peut tre crite sous la forme suivante :
p z (k) Z k1 = =
A partir de la dnition
p z (k) , Z k1 p Z k1 d (k 1) (k)p Z
k1
(3.8)
(k 1) = E[|Z k1 ] =
p Z k1 d
(3.9)
de l'estime de la matrice de Markov, on obtient alors :
p z (k) Z k1 = (k 1) (k 1) (k)
(3.10)
En appliquant la formule de Bayes p Z k , puis en remplaant par les rsultats obtenus (3.7) et (3.10) on obtient :
p Zk =
p z (k) , Z k1 p Z k1 p [z (k) |Z k1 ] (k 1) (k) = p Z k1 (k 1) (k) (k 1)
(3.11)
69

L'quation (3.11) est le point de dpart des mthodes d'estimation de la MPT proposes dans ce chapitre. Son principal intrt rside dans le fait qu'elle ore une rcurrence sur la densit de probabilit p Z k . On peut dcoupler la densit de probabilit p Z k but d'estimer chaque ligne indpendamment des autres. L'hypothse suivante permet d'obtenir les rcurrences entre p i Z k et p i Z k1 : de (3.11) an d'obtenir une densit de probabilit p i Z k pour chaque ligne i , i = 1, ..., r de la matrice dans le
l p 1 , . . . , r Z k1 d1 . . . di1 di+1 . . . dr = l (k 1) p i Z k1
(3.12)
tel-00135049, version 1 - 6 Mar 2007
o l est l'estime de la lme ligne de l'instant k et l 1 . . . m et l = i.

Donc l peut tre le numro de n'importe quelle ligne de sauf la ime . L'intgrale (3.12) revient dire que la ligne l est indpendante de la ligne i ce qui implique que p 1 , . . . , r Z k1 = p 1 , . . . , i1 , i+1 , . . . , r Z k1 p i Z k1 . En utilisant (3.12), on obtient la rcurrence suivante :
p i Z k = 1 + i (k) [i i (k 1)] (k) p i Z k1

o
(3.13)
i (k) =
i (k 1) (k 1) (k 1) (k)
(3.14)
Pour prouver ce rsultat, notons d/di =d1 . . . di1 di+1 . . . dr , ce qui permet d'crire :
p i Z k =
En utilisant l'quation (3.11), on obtient :
p Z k d/di
(3.15)
p i Z k =
avec
Ai (k 1) (k 1) (k)
(3.16)
Ai =
70
(k 1) (k)p Z k1 d/di
(3.17)
3.4. Algorithme quasi baysien

Compte tenu des dnitions de et de , on a aussi :
r
Ai =
r l=1
l (k 1) l (k)p Z k1 d/di l (k 1)
l=1 r
= =
l=i
l p Z k1 [d/di ] (k) l p Z k1 [d/di ] (k) p Z k1 [d/di ] (k)
(3.18)
l (k 1)
+i (k 1) i
et selon (3.12), on a
tel-00135049, version 1 - 6 Mar 2007
Ai =
l=i r
l (k 1) l (k 1) + i (k 1) i (k) p i Z k1 l (k 1) l (k 1) + i (k 1) i i (k 1) i (k 1) (k) p i Z k1
l=1
= (k 1) (k 1) (k) + i (k 1) [i i (k 1)] (k) p i Z k1

(3.19) Donc partir de (3.16) et (3.19), on dduit (3.13) ce qui achve la dmonstration. L'intrt de la formule (3.13) est que p i Z k s'exprime en fonction de p i Z k1 . Cette formule peut tre utilise pour l'estimation de la ime ligne de . La formule (3.13) sera utile dans le cadre d'un algorithme d'estimation rcursif des i . L'objectif tant l'estimation de la MPT, on cherche obtenir un algorithme de calcul de la moyenne i (k) = E[i |Z k ], i = 1, ..., r. Pour cela, on propose deux mthodes qui utilisent les expressions rcursives (3.11) et (3.13).
3.4
Algorithme quasi baysien
An de rsoudre le problme de l'estimation de la MPT, une approche base sur l'approximation quasi baysienne (Titterington et al., 1985) est utilise. Dans cette approche, les auteurs considrent le problme de l'estimation des paramtres de pondration d'une somme pondre de distributions connues. Pour appliquer le rsultat de (Titterington et al., 1985), on transforme la vraisemblance
p z (k) i , Z k1 correspondant chaque ligne i , i = 1, . . . , r en se servant de (3.13) et

71

en utilisant la formule de Bayes an de la mettre sous forme d'un mlange de vraisemblances :
p z (k) i , Z k1 = 1 + i (k) [i i (k 1)] (k) p [z (k) |Z k1 ]
(3.20)
En utilisant les dnitions de i et (k), on dveloppe l'quation (3.20) comme suit :
p z (k) i , Z k1 = p [z (k) |Z k1 ]
Posons
1 + i (k) j (k) i (k 1) (k) ij

j=1
(3.21)
f [z (k) |i ] = p z (k) i , Z
k1
=
j=1
ij gij (k)
(3.22)
tel-00135049, version 1 - 6 Mar 2007
avec
gij (k) = gij (k) p z (k) Z k1 gij (k) = 1 + i (k) j (k) i (k 1) (k)
(3.23) (3.24)
L'quation (3.22), qui est une somme pondre de densits de probabilits, est de la mme forme que celle utilise dans (Smith and Makov, 1978) et (Titterington et al., 1985). La section suivante prsente la mthode utilise dans (Titterington et al., 1985) pour estimer les paramtres de pondration qui sont dans notre cas les ij . Cette mthode sera ensuite applique pour l'estimation de chaque ligne de la matrice de Markov .
3.4.1 Estimation quasi baysienne des paramtres d'une distribution mlange

Dans cette partie, nous allons considrer le problme d'estimation des pondrations dans le cas d'un mlange de plusieurs fonctions de densits de probabilits. Considrons une srie d'observations X k = {x(1), x(2), . . . , x(k)}. Chacune de ces observations appartient une des populations M1 , M2 , . . . , Mr , les populations Mi pouvant tre assimiles des modes de fonctionnement dans le cas d'un systme commutations. L'observation de rang k est classe en se basant sur les observations x(1), x(2), . . . , x(k). On suppose que la densit de probabilit des observations est donne par :
f [x(k)|] = 1 f1 [x(k)] + 2 f2 [x(k)] + . . . + r fr [x(k)],

72
(3.25)

On considre le vecteur des pondrations = (1 , 2 , . . . , r ) et les fonctions de densit de probabilit f1 , f2 , . . . , fr relatives l'appartenance de x(k) chaque population Mi , o les i sont positifs et leur somme est gale un. La densit fi est la distribution de la probabilit d'appartenance de l'observation x(k) la population Mi , et i est la probabilit que l'observation appartienne la population Mi . Connaissant les fonctions
fi et les observations x(k), on se propose d'estimer les paramtres i .

On peut remarquer que la densit de l'quation (3.25) est de la mme forme que le rsultat obtenu dans (3.13).
tel-00135049, version 1 - 6 Mar 2007
Recherche d'une formulation baysienne

Soit p[] la densit de probabilit a priori de , la densit a posteriori p[|X k ] =
p[|x(1), x(2), . . . , x(k)] de avec x(1), x(2), . . . , x(k) connues et pi [|X k ] la densit a
posteriori de , conditionnellement ce que la k me observation appartient Mi . Par le thorme de Bayes et pour k 1 on a
p[|X k ] f [x(k)|]p[|X k1 ].
(3.26)
On dnit les variables alatoires y (1), y (2), . . . , y (k), . . . avec y (k) = i si et seulement si x(k) appartient Mi , i = 1, 2, . . . , r. Alors, par le thorme de la probabilit totale, on a :
r r
p[|X ] =
i=1
P {(k) = i|X }p[|(k) = i, X ] = y y

i=1
P {(k) = i|X k }pi [|X k ] y
(3.27)
On a aussi par la formule de Bayes
P {(k) = i|X k } = y
p[x(k)|(k) = i, X k1 ]P {(k) = i|X k1 } y y r k1 ]P {(k) = j|X k1 } y y j=1 p[x(k)|(k) = j, X
(3.28)
En considrant que la meilleure estime de i , l'instant k 1, est reprsente par P {(k) = i|X k1 } et que l'expression p[x(k)|(k) = i, X k1 ] reprsente fi [x(k)] alors y y
l'quation (3.28) peut tre formule :
P {(k) = i|X k } = y
fi [x(k)]i (k 1) r fj [x(k)]j (k 1)
j=1
(3.29) 73

Cette expression permettra le calcul de la probabilit d'appartenance d'une mesure x(k) une population en connaissant l'estimation de l'instant k1. Les probabilits P {(k) = y
i|X k } permettent la classication des mesures en les associant une des populations Mi
en fonction de ces probabilits.
Solution quasi baysienne

On suppose que p(), la densit a priori de , suit une loi de Dirichlet,
(1 (0) + 2 (0) + . . . + r (0)) p[] = D(; 1 (0), 2 (0), . . . , r (0)) = (1 (0)) (2 (0)) . . . (r (0))
i i
i=1
(0)1
tel-00135049, version 1 - 6 Mar 2007
(3.30)
les i (0) sont les paramtres initiaux de la distribution de Dirichlet avec i (0) > 0, i =
1, 2, . . . , r. A partir de l'quation (3.27) et aprs avoir observ x1 , on obtient alors :

r
p[|X ] =
i=1
P {(1) = i|X 1 }D(; 1 (0) + i1 , 2 (0) + i2 , . . . , r (0) + ir ) y
(3.31)
ij = 0 si i = j , ij = 1 si i = j . Selon les proprits de la distribution de Dirichlet, si on

sait quelle population appartient x, alors on obtient :
p[|X 1 ] = D(; 1 (0) + 11 , 2 (0) + 12 , . . . , r (0) + 1r )
(3.32)
o 1i = 1 si x(1) appartient la population Mi sinon 1i = 0. Cependant, on ne sait pas quelle population x(1) appartient ; par contre, on peut utiliser les probabilits d'appartenance P {(1) = i|X 1 } de x(k) aux populations Mi . L'approximation se traduit par y le remplacement de 1i par P {(1) = i|X 1 } qui reprsente la probabilit d'appartenance y de x(k) la ime population, alors l'quation (3.32) devient :
p[|X 1 ] = D(; 1 (0)+P {(1) = 1|X 1 }, 2 (0)+P {(1) = 2|X 1 }, . . . , r (0)+P {(1) = r|X 1 }) y y y
(3.33) En partant de cette quation et en la remettant jour chaque nouvelle donne, on obtient p(|X k ) qui est reprsent par une distribution de Dirichlet dont les paramtres sont donns par :
i (k) = i (k 1) + P {(k) = i|X k }, i = 1, 2, . . . , r y

74
(3.34)

o les i
(k1)
sont les paramtres de P [|X k1 ] et o le calcul de P {(k) = i|X k } s'eectue y
grce l'quation (3.29).
En considrant que les meilleures estimes des i sont leurs moyennes E[i |X k ], les i (k)
sont directement dduites des proprits de la distribution de Dirichlet, la proprit de la moyenne de la distribution nous permet d'crire :
i (k 1) + P {(k) = i|X k } y i (k) i (k) = = 0 + k 0 + k

avec 0 = suivantes
r i=1
(3.35)
i (0). On remarquera que la contrainte
r i=1 i
= 1 est toujours respecte.
L'approche propose est facile mettre en uvre et peut se rsumer par les deux tapes
tel-00135049, version 1 - 6 Mar 2007
i (k) = i (k 1) +
fi [x(k)]i (k 1) r j=1 fj [x(k)]j (k
1)
(3.36)
i (k) i (k) = (3.37) 0 + k Les quations (3.36) et (3.37) permettent d'estimer les paramtres de pondration i en
utilisant les donnes x(k) et les densits fi [x(k)], l'estimation ne ncessite pas un grand volume de calculs et ces quations vont tre utilises pour estimer la matrice de Markov.
La convergence des i vers les i a t tudie par (Smith and Makov, 1978).
Le calcul des probabilits P {(k) = i|X k } permet de classer les donnes x(k). Leurs y valeurs sont donnes par :
P {(k) = i|X k } = y
fi [x(k)]i (k 1) r j=1 fj [x(k)]j (k
1)
(3.38)
o P {(k) = i|X k } reprsente la probabilit d'appartenance de la donne x(k) la poy pulation Mi .
Exemple 1
On considre un ensemble de donnes X n qui suivent une loi de distribution mlange de deux lois gaussiennes f1 [x(k)] et f2 [x(k)] avec leurs pondrations 1 et 2
f [x(k)|] = 1 f1 [x(k)] + 2 f2 [x(k)]

avec f1 [x(k)] = N (x(k), 0, 1), f2 [x(k)] = N (x(k), 3, 1), 1 = 0.3 et 2 = 0.7 o
x N (x, x, ) = (2)1/2 e1/2(x)
1 (x) x
(3.39)
(3.40) 75

et x = E[x], = E[(x x)(x x) ]. Notons N (V (k); , ) la distribution gaussienne de V (k) de moyenne et de variance
. Connaissant une srie de donnes X n , on cherche estimer les paramtres i par

l'algorithme quasi baysien en posant (0) = 2. On remarque, la gure 3.3, que l'on
0.35
0.3
0.25
0.2
tel-00135049, version 1 - 6 Mar 2007
0.15
0.1
0.05
0 4
Fig. 3.2 Densit mlange
obtient une convergence vers les valeurs relles des paramtres du mlange malgr la proximit des deux densits de probabilit f1 [x(k)] et f2 [x(k)] reprsentes sur la gure 3.2.
Exemple 2
On considre une variable alatoire deux dimensions qui suit une distribution mlange de deux lois gaussiennes f1 [x(k)] et f2 [x(k)] avec leurs pondrations 1 et 2 :
f [x(k)|] = 1 f1 [x(k)] + 2 f2 [x(k)]
(3.41)
avec f1 [x(k)] = N (x(k), x1 , 1 ), f2 [x(k)] = N (x(k), x2 , 2 ), 1 = 0.3 et 2 = 0.7 o 20 10 . , 2 = x1 = [1, 2], x2 = [3, 2] et 1 = 02 01 Par l'algorithme quasi-baysien, on estime les paramtres du mlange avec (0) = 200. 76
0.4
0.3
0.2
0.1
20
40
60
80
100
120
140
160
180
200
0.8 0.7 0.6 0.5 2
tel-00135049, version 1 - 6 Mar 2007
0.4 0.3
20
40
60
80
100
120
140
160
180
200
Fig. 3.3 Convergence de i
La gure 3.5 reprsente la convergence des estimes des paramtres i et la gure 3.6 reprsente la classication des donnes x(k). Cette dernire utilise les probabilits d'appartenance de chaque donne aux populations Mi en choisissant chaque fois la population qui a la probabilit la plus leve pour un x(k) donn. On observant les gures 3.3 et 3.5
Fig. 3.4 Densit mlange
on remarque une dirence de vitesse de convergence. Cela est d la valeur de (0), en 77

0.3 0.25 0.2 0.15 0.1 0.05
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
0.95 0.9 0.85 0.8 0.75 0.7
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
tel-00135049, version 1 - 6 Mar 2007
Fig. 3.5 Convergence de i
8 4
Fig. 3.6 Classication des donnes
eet plus sa valeur est leve plus la convergence est lente. La mthode propose dans (Titterington et al., 1985) considre le problme de la classication des donnes qui suivent une loi de distribution mlange. La loi de distribution de chaque population Mi est suppose connue, mais les paramtres du mlange restent dterminer. Cette classication s'eectue l'aide du calcul des probabilits d'appartenance un groupe, pour chaque donne, et l'estimation rcursive des paramtres du mlange. Cette mthode d'estimation des paramtres du mlange va tre adapte l'estimation des paramtres de la matrice de Markov en utilisant la formule (3.22). 78
3.4.2 Estimateur quasi baysien de la MPT

En appliquant l'algorithme quasi baysien de (Smith and Makov, 1978), reprsent par les quations (3.36) et (3.37), au problme d'estimation de la MPT formul par (3.22)(3.24), on cherche estimer la matrice des probabilits de Markov . Comme prcis dans
l'tape 1 du paragraphe 3.2, les informations issues de l'estimateur multi-modle sont les
suivantes :
x(k|k) = E[x(k)|Z k ] i (k) = P Mi (k) (k 1) , Z k
tel-00135049, version 1 - 6 Mar 2007
(k) = [1 (k) , . . . , r (k)] i (k) = p z (k) Mi (k) , (k 1) , Z k1 (k) = [1 (k) , . . . , r (k)]

Ces informations sont utilises pour calculer les densits de probabilits gij (k) de l'quation (3.23) an de pouvoir appliquer la mthode d'estimation des paramtres de pondration d'une densit de probabilit mlange, prsente dans le paragraphe prcdent, l'estimation des ij . En appliquant la mthode de (Smith and Makov, 1978) chaque ligne de la matrice , on obtient l'algorithme suivant :
Algorithme Initialisation :
i (0) = [i1 (0) , i2 (0) , . . . , ir (0)]
(3.42)
o i est relative la ime ligne de la matrice

r
i (0) =
j=1
ij (0) , i = 1, 2, . . . , r; ij (0) 0. 1 i (0) , i = 1, 2, . . . , r. i (0)
(3.43) (3.44)
j (0) =
Rpter pour k = 1, 2, . . . Rpter pour i = 1, 2, . . . , r Rpter pour j = 1, 2, . . . , r

i (k) = i (k 1) (k 1) (k 1) (k)
(3.45) 79
gij (k) = 1 + i (k) j (k) i (k 1) (k) ij (k) = ij (k 1) + ij (k) = ij (k 1) gij (k) r j=1 ij (k 1) gij (k)
(3.46) (3.47) (3.48)
1 ij (k) k + i (0)
Notons que gij (k) a t directement utilis dans (3.47) la place de gij (k). Le vecteur des paramtres i (0) reprsente les valeurs non normalises de dpart de la MPT j (0) qui sera normalis par (3.44). Pour l'application de cette mthode, on utilise l'algorithme IMM comme estimateur pour calculer les vraisemblances et les probabilits d'activation des modles l'instant k ((3.3)
tel-00135049, version 1 - 6 Mar 2007
et (3.4)) qui sont essentielles la procdure d'estimation de la matrice de Markov. En dnitive, la mthode permet une estimation simultane de l'tat du systme commutation et de la matrice de transition de Markov. On considre un systme commutation r modles locaux linaires : x (k) = A x (k 1) + B u (k 1) + w (k 1) i i z (k) = C x (k) + v (k)
i
(3.49)
i = 1, 2, , r
z (k) Rq est la sortie du systme, enn w (k) Rq et v (k) Rh sont respectivement le

bruit d'tat et le bruit de mesure considrs blancs, gaussiens et centrs o Q et R sont les matrices de variance des bruits. En utilisant la mthode IMM, on obtient l'algorithme suivant :
Algorithme Initialisation :
i (0) = [i1 (0) , i2 (0) , . . . , ir (0)]
r
(3.50) (3.51) (3.52) (3.53)
i (0) =
j=1
ij (0) , i = 1, 2, . . . , r; ij (0) 0. x(0), xi (0), i (0)
i (0) =
80
1 i (0) , i = 1, 2, . . . , r. i (0)
Rpter pour k = 1, 2, . . .
r
j (k |k 1) =
i=1
ij (k 1) i (k 1) ij (k 1) i (k 1) j (k |k 1) xi (k 1 |k 1 )i|j (k 1)
i=1
(3.54)
i|j (k 1) =
r
(3.55) (3.56)
x0 (k 1 |k 1 ) = j Pj0 (k 1 |k 1) =
r i=1
Pi (k 1 |k 1) + x0 (k 1 |k 1) xi (k 1 |k 1) j
T
tel-00135049, version 1 - 6 Mar 2007
x0 (k 1 |k 1) xi (k 1 |k 1 ) j
i|j (k 1) j = 1, 2, . . . , r
(3.57) (3.58) (3.59) (3.60) (3.61) (3.62) (3.63) (3.64) (3.65) (3.66)
xj (k |k 1) = Aj x0 (k 1 |k 1) + Bj u (k 1) j Pj (k |k 1) = Aj Pj0 (k 1 |k 1) AT + Q (k 1) j j (k) = z (k) Cj xj (k |k 1)

T Sj (k) = Cj Pj (k |k 1 ) Cj + R (k) 1 Kj (k) = Pj (k |k 1 ) Cj Sj (k)
xj (k |k ) = xj (k |k 1) + Kj (k) j (k)
T Pj (k |k ) = Pj (k |k 1) Kj (k) Sj (k) Kj (k)
j (k) =
1 1 T exp j (k) Sj (k) j (k) 2 2 |Sj (k)| j (k) = j (k |k 1 ) j (k)

r i=1 r
i (k |k 1) i (k) xi (k |k )i (k)
i=1
x (k |k ) =
r
(3.67)
P (k |k ) =
i=1
i (k) Pi (k |k ) + ( (k |k ) xi (k |k )) ( (k |k ) xi (k |k ))T x x
(3.68)
Rpter pour i = 1, 2, . . . , r
81
Rpter pour j = 1, 2, . . . , r
i (k) = i (k 1) (k 1) (k 1) (k)
(3.69) (3.70) (3.71) (3.72)
gij (k) = 1 + i (k) [j (k) i (k 1) (k)] ij (k) = ij (k 1) + ij (k) = ij (k 1) gij (k) r j=1 ij (k 1) gij (k)
1 ij (k) k + i (0)
Exemple
tel-00135049, version 1 - 6 Mar 2007
On considre un systme commutant entre deux modes de fonctionnement : x (k) = 0.8x (k 1) + u (k 1) + v (k 1) z (k) = x (k) + w (k)
(3.73)
x (k) = 0.8x (k 1) + 0.5u (k 1) + v (k 1) z (k) = x (k) + w (k) 0.5 0.5 = 0.1 0.9
(3.74)
(3.75)
L'entre u appartient [0, 1], avec des bruits w(k) et v(k) de variance R = 0.1 et Q = 0.01 et les commutations entre les deux modes de fonctionnement sont rgies par la matrice de Markov . L'algorithme propos est appliqu pour 500 simulations. La gure 3.7 reprsente les signaux entre-sortie du systme ainsi que les commutations et les probabilits d'activation des modles compares aux activations relles. La gure 3.8 reprsente la convergence de la moyenne des ii en fonction du temps. Les rsultats reprsents sur les gures 3.7 et 3.8 montrent la faisabilit de la mthode et la possibilit d'estimer les paramtres de la matrice de Markov simultanment l'estimation de l'tat du systme et au calcul des probabilits d'activation des modles. L'estimation de la matrice de transition de Markov est calcule pour des paramtres
i (0) = [20, 20], la valeur de i (0) est lie la valeur initiale de par l'expression j (0) =
82
1 i (0) , i = 1, 2, . . . , r. i (0)

et au degr de conance qu'on accorde cette valeur initiale ; plus on a conance dans la valeur initiale de plus la valeur de i (0) est leve. On trouve une estimation qui est proche de la valeur qui a servi la simulation. 0.4246 0.5744 = 0.0877 0.9113
(3.76)
1 Entre 0.5 0
tel-00135049, version 1 - 6 Mar 2007
0 Sortie
50
100
150
200
250
300
350
4 2 0 0.2
0 Bruit
50
100
150
200
250
300
350
0 0.2 1 0.5 0 1 estimation des commutations 0.5 0 0 50 100 150 200 250 300 350
50 Commutations
100
150
200
250
300
350
50
100
150
200
250
300
350
Fig. 3.7 Signaux d'entre-sortie et signaux de commutations
En utilisant une autre matrice de Markov pour la gnration des commutations, on obtient les rsultats reprsents sur les gures 3.9 et 3.10 avec les valeurs suivantes : 0.8 0.2 (3.77) = 0.3 0.7
= 0.7681 0.2309 0.2835 0.7156

(3.78)
83

0.45 0.75 12 0.4 11 0.7
0.35
0.65
0.3
0.6
0.25
20
40
60
80
100
0.55
20
40
60
80
100
0.9 0.8
0.5 0.45 0.4 21
tel-00135049, version 1 - 6 Mar 2007
0.7 0.6 0.5 0.4 22
0.35 0.3 0.25 0.2 0 20 40 60 80 100 0.15 0 20 40 60 80 100
Fig. 3.8 Convergence de ii
Les gures 3.8 et 3.10 montrent que l'on arrive estimer correctement la matrice de Markov utilise pour gnrer les commutations. Les gures 3.7 et 3.9 montrent la capacit de la mthode dtecter le modle actif chaque instant.
3.5 Algorithme par intgration numrique

On considre cette fois une approche plus directe pour rsoudre le problme d'estimation de la MPT (Jilkov and Li, 2004). Cette approche se base sur la discrtisation du domaine possible de la MPT en un ensemble de MPT, (s) , s = 1, 2, . . . , N o N est le nombre de MPT et o la PDF de chaque (s) est calcule rcursivement par la formule (3.11). Le calcul de l'estimation se fait par intgration numrique en utilisant les PDF des MPTs. On peut prsenter l'algorithme de la faon suivante
Algorithme
84
3.5. Algorithme par intgration numrique

1 Entre 0.5 0 0 4 2 0 0 0.5 0 0.5 0 1 10 20 30 40 50 60 70 80 90 100 10 Bruit 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
Sortie
Commutations
tel-00135049, version 1 - 6 Mar 2007
0.5 0 0 1 0.5 0 0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
estimation des commutations
Fig. 3.9 Signaux d'entre-sortie et signaux de commutation
Initialisation :
1 (0) = N
N
(s) p(s) (0) ,

s=1
p(s) (0) = P (s) .
(3.79)
Rpter pour k = 1, 2, . . . Rpter pour s = 1, 2, . . . , N

p(s) (k) = (k 1) (s) (k) p(s) (k 1) (k 1) (k) (k 1) 1 (k) = N
N
(3.80)
(s) p(s) (k)

s=1
(3.81)
Cette mthode consiste dnir un ensemble de matrices (s) , s = 1, 2, . . . , N qui sont rparties uniformment dans l'espace des valeurs possibles de la matrice , 0 < ij < 1 et
r i=1 (s)
ij = 1, o r est le nombre de modes de fonctionnement et ij est la ij me composante
(s)
(s)
de la matrice (s) . La prcision de l'estime (k) dpend du nombre N , plus N est

lev plus la mthode est prcise. Cette mthode est dicile mettre en uvre dans 85

0.7 0.6 0.5 0.4 0.3 0.2 11 0.8 0.7 12 0.6 0.5 0.4 0.3
20
40
60
80
100
20
40
60
80
100
0.75 0.7 0.65 22
0.5 21 0.45
tel-00135049, version 1 - 6 Mar 2007
0.6 0.4 0.55 0.5 0.45 0.4 0 20 40 60 80 100 0.3 0 20 40 60 80 100 0.35
Fig. 3.10 Convergence de ij
le cas o la matrice de Markov est de grande dimension, car on est oblig d'augmenter considrablement le nombre N an de couvrir l'espace des valeurs possibles. Pour le mme exemple que celui utilis prcdemment avec bruit, on obtient les rsultats suivants en utilisant un nombre de matrices (s) gal N = 36, la convergence de la moyenne de l'estimation des ii est reprsente sur la gure 3.12 et l'estime de est donne par :
= 0.5015 0.4985 0.1 0.9

(3.82)
La gure 3.11 reprsente les signaux d'entre-sortie du systme ainsi que les commutations et leurs estimations. On remarque que l'algorithme par intgration numrique converge rapidement vers la vraie valeur de . Cet algorithme est plus rapide et plus prcis que l'algorithme quasi baysien. Cependant, il ncessite un important volume de calcul, car plus on veut tre prcis, plus on doit augmenter le nombre de matrices (s) ce qui conduit l'augmentation 86
3.6. Conclusion
2 Entre 1 0 5
10 Sortie
20
30
40
50
60
70
80
90
100
0 0.2
10 Bruit
20
30
40
50
60
70
80
90
100
0 0.2 1
10
20
30
40
50
60
70
80
90
100
Commutations
tel-00135049, version 1 - 6 Mar 2007
0.5 0 1 estimation des commutations 0.5 0 0 10 20 30 40 50 60 70 80 90 100
10
20
30
40
50
60
70
80
90
100
Fig. 3.11 Signaux d'entre-sortie et signaux de commutation
du volume de calcul. Ce volume sera d'autant plus lev que la dimension de la matrice
est leve.
3.6
Conclusion
Dans ce chapitre, une forme rcursive de la fonction densit de probabilit a t introduite dans le but d'estimer la matrice de probabilits de transition d'un systme commutations markoviennes. Deux algorithmes utilisant cette approximation ont t exposs. L'estimateur quasi baysien est simple implmenter et ncessite un volume de calcul moindre compar l'estimateur intgration numrique. L'estimateur intgration numrique estime la matrice en faisant une mise jour numrique de la vraisemblance de la matrice de Markov. Il converge plus rapidement avec un volume de calcul xe (on utilise toujours les mmes matrices (s) ), mais ces performances peuvent tre dtriores dans 87

0.75 0.5
0.7
0.45
0.65
0.4
0.6
0.35
0.55
20
40
60
80
100
0.3
20
40
60
80
100
0.95 0.9
0.35 0.3 0.25 0.2 0.15 0.1
tel-00135049, version 1 - 6 Mar 2007
0.85 0.8 0.75 0.7
20
40
60
80
100
20
40
60
80
100
Fig. 3.12 Convergence de ij
le cas d'un problme de grande dimension (o on aura un nombre de modes de fonctionnement r important) ce qui veut dire qu'on doit augmenter le nombre N de matrices (s) an de pouvoir reprsenter correctement l'espace des valeurs possibles et par consquent le volume de calcul.
88
tel-00135049, version 1 - 6 Mar 2007
4
Observateurs mmoire nie pour les systmes commutation markovienne
Sommaire
4.1 4.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 Observateur mmoire nie . . . . . . . . . . . . . . . . . . . . 92
4.2.1 4.2.2 4.2.3 Condition d'existence de l'observateur . . . . . . . . . . . . . . Taille de l'horizon . . . . . . . . . . . . . . . . . . . . . . . . . 94 94 95
Proprits de l'observateur . . . . . . . . . . . . . . . . . . . . .
4.3 4.4
Observateur mmoire nie avec entre inconnue . . . . . . . 95 Observateur mmoire nie pour les systmes commutation markovienne . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.4.1 Dveloppement de la mthode . . . . . . . . . . . . . . . . . . . 99
89
Chapitre 4. Observateurs mmoire nie pour les systmes commutation markovienne

4.4.2 Exemple d'application . . . . . . . . . . . . . . . . . . . . . . . 101
4.5 4.6
Extension de la mthode pour les systmes entre inconnue 106 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
tel-00135049, version 1 - 6 Mar 2007
90
4.1. Introduction
4.1
Introduction
On recense, dans la littrature scientique, direntes mthodes d'estimation d'tat. Parmi celles-ci, on peut citer les mthodes s'appuyant sur tout l'historique des mesures (mmoire innie) comme l'observateur de Luenberger et le ltre de Kalman. Dans certaines situations, ces estimateurs sont peu sensibles aux mesures rcentes (Alessandri, 2000). Une autre classe d'observateurs, appele observateurs mmoire nie (Nuninger, 1997) ne se basent que sur les mesures les plus rcentes et sont gnralement moins sensibles aux bruits sur les tats du systme (Jazwinski, 1968), (Alessandri et al., 2003) et
tel-00135049, version 1 - 6 Mar 2007
(Alessandri et al., 2005). Nous proposons dans ce chapitre d'intgrer les observateurs mmoire nie (OMF) dans le cadre de la procdure de diagnostic et d'estimation multi-modle et nous allons voir par la suite que l'utilisation de ce type d'observateur permet d'eectuer simultanment l'estimation des entres inconnues et la dtection de dfaut. Des travaux ont dj t raliss sur les observateurs mmoire nie o des mthodes rcursives ont t proposes par (Janyene, 1987), (Zasadzinski, 1990) et (Ragot et al., 1992). Dans (Bousghiri, 1994) il a t montr qu'un estimateur gnralis sur horizon glissant de taille nie (qui estime simultanment les entres et sorties du systme) pouvait tre utile pour la dtection et l'isolation de dfauts de capteurs ou d'actionneurs. D'autres auteurs se sont intresss ce type d'observateurs comme (Medvedev and Toivonen, 1991) qui se sont intresss leur structure et (Kratz, 1991) qui les a utiliss pour la dtection de dfaut. De plus, (Darouach et al., 1994) ont montr qu'un nombre ni de mesures est susant l'estimation. (Nuninger, 1997) a tudi l'intrt de la mmoire nie pour augmenter le degr de robustesse de la procdure de diagnostic vis--vis des perturbations. Dans ce chapitre, nous dveloppons une mthode pour la dtection de dfauts aectant un systme dynamique et l'estimation d'entres inconnues pour des systmes reprsents par des multi-modles (systme commutation markovienne) o chaque modle est associ un rgime de fonctionnement particulier. Cette mthode est base sur l'utilisation des OMF (Hocine et al., 2004b, 2005a) dans le cadre des mthodes d'estimation multi-modle, prsentes dans le chapitre 1, et a pour objectif d'identier le mode de fonctionnement 91

du systme et d'estimer l'entre inconnue. Aprs avoir prsent l'OMF et ses proprits, nous adaptons ensuite cet observateur pour l'estimation d'entres inconnues, puis nous l'intgrons dans le cadre d'une procdure d'estimation multi-modle la place des ltres de Kalman utiliss auparavant.
4.2 Observateur mmoire nie

L'observateur mmoire nie, comme son nom l'indique, utilise uniquement les mesures dans un intervalle de temps ni appel horizon. On considre le systme discret, invariant dans le temps, suivant :
tel-00135049, version 1 - 6 Mar 2007
x(k) = Ax(k 1) + Bu(k 1) + Gw(k 1) z(k) = Cx(k) + v(k)
(4.1)
o x(k) est le vecteur d'tat l'instant k , A est la matrice d'volution d'tat, u(k) est le vecteur de commande l'instant k , B est la matrice d'inuence de l'entre, C est la matrice d'inuence de la sortie, w(k) et v(k) sont respectivement le bruit d'tat et le bruit de mesure, ils sont considrs comme tant gaussiens et centrs. z(k) est la sortie du systme l'instant k . En crivant les quations d'observation sur l'horizon [k m, k] de taille m + 1, on peut tablir l'quation suivante :
k k k k Zm = Lm x(k m) + Bm Um + Gm Wm + Vm
(4.2)
avec :
k Ym =
y(k m)T y(k m + 1)T . . . y(k)T
, Y {Z, U, W, V }
(4.3)
Lm =
92
C T (CA)T . . . (CAm )T
(4.4)
4.2. Observateur mmoire nie
0 0 CB 0 Bm = CAB CB . . . . . . CAm1 B CAm2 B 0 0 CG 0 Gm = CAG CG . . . . . . CAm1 G CAm2 G ... .. . .. .

.. .
0 . . . .. .. . . 0 . . . CB 0 ... .. . .. .
.. .
... ... .. .. . . .. .. . .
(4.5)
tel-00135049, version 1 - 6 Mar 2007
. . . CG
0 0 . . . 0 0
(4.6)
Les moyennes des bruits w et v tant nulles, l'estime x(k m) de l'tat, l'instant k m (premier instant de la fentre d'observation), peut tre obtenue en minimisant le critre
k k quadratique J(k) = Lm x(k m) + Bm Um Zm 2 , qui permet de minimiser la somme
quadratique des erreurs de mesures de la sortie, par rapport l'inconnue x(k m). On choisit ce critre an de maximiser la vraisemblance de l'erreur d'estimation en minimisant le critre J(k). On obtient :
k k x(k m) = (LT Lm )1 LT (Zm Bm Um ) m m
(4.7)
sous rserve que Lm soit de plein rang colonne. L'estimation de l'tat l'instant terminal k de la fentre d'observation s'obtient en intgrant le systme (4.1) sans prendre en compte l'inuence des bruits :
k k x(k) = Zm Um
(4.8)
avec
Tm =
(Am1 B)T (Am2 B)T . . . B T 0 = Am (LT Lm )1 LT m m = Bm Tm
(4.9) (4.10) (4.11) 93
4.2.1 Condition d'existence de l'observateur

La condition d'existence de la solution (4.7) est que l'inverse de la matrice (LT Lm ) qui m reprsente le grammien d'observabilit existe. La taille minimale m+1 assurant l'existence de (LT Lm )1 est donc le plus petit entier pour lequel la matrice Lm est de plein rang m colonne (Murthy, 1980) ; m est l'indice d'observabilit du systme. De faon pratique, on tudie l'volution du rang du grammien d'observabilit quand m augmente an de vrier l'existence de l'inverse de la matrice (LT Lm ). La recherche de la taille de l'horizon m d'observation a t trait dans (Nuninger, 1997) o l'auteur s'appuie sur une tude de
tel-00135049, version 1 - 6 Mar 2007
sensibilit de l'estimation vis--vis des direntes mesures de l'horizon considr.
4.2.2 Taille de l'horizon

Dans son tude du choix de la taille de l'horizon, (Nuninger, 1997) a constat que la sensibilit de l'erreur d'estimation par rapport au bruit dpendait de la taille de l'horizon par l'intermdiaire de la matrice (LT Lm ). L'tude des proprits statistiques des erreurs m d'estimation a montr que la matrice de variance-covariance de l'erreur d'estimation dpend de (LT Lm ). m En l'absence de dfauts, il a t rappel dans (Nuninger, 1997) que l'estimateur assure des erreurs d'estimation statistiquement nulles et dont la variance dpend de la taille de l'horizon. L'tude de la norme de la matrice de variance des erreurs d'estimation lorsque
m augmente permet de trouver la valeur de m optimale au-del de laquelle l'ajout de

mesures supplmentaires ne modie pas signicativement la variance de l'erreur d'estimation. L'horizon adquat peut donc tre choisi simplement en faisant varier m de faon systmatique jusqu' ce que les coecients de la matrice de variance des erreurs d'estimation n'voluent plus (les mesures supplmentaires n'apportent pas d'information). L'estimation peut donc tre calcule partir d'un nombre ni de mesures. 94
4.3. Observateur mmoire nie avec entre inconnue
4.2.3 Proprits de l'observateur

Dans cette partie, nous rappelons quelques proprits de l'observateur mmoire nie de l'quation (4.8).
Remarque : dans le cas sans bruit, nous avons la relation suivante :
x(k) = x(k)
(4.12)
Proprit statistique de l'observateur : en prsence de bruit de mesure et de bruit d'tat,

nous avons la relation suivante :
tel-00135049, version 1 - 6 Mar 2007
k k x(k) x(k) = Wm + Vm
(4.13)
avec
= Gm Fm
et
(4.14)
Fm =
(Am1 G)T (Am2 G)T . . . GT 0
(4.15)
Comme les bruits w et v sont centrs, on en dduit
E[(k)] = E[x(k)] x
L'expression E[(k)] = E[x(k)] signie que les estimations sont non biaises. x
(4.16)
4.3
Observateur mmoire nie avec entre inconnue
L'observateur mmoire nie peut tre utilis en prsence d'une entre inconnue en considrant cette dernire comme un tat du systme. Le systme considr est le suivant : x(k) = Ax(k 1) + Bu(k 1) + Ed(k 1) + Gw(k 1) (4.17) z(k) = Cx(k) + v(k) o d(k) est l'entre inconnue l'instant k et E la matrice d'inuence de l'entre inconnue. An d'obtenir un systme augment pour l'laboration de l'observateur, on considre que 95

l'entre inconnue d(k) suit un processus stochastique de marche alatoire reprsent par :
d(k) = d(k 1) + (k 1)
o (k) est un bruit alatoire.
(4.18)
Le processus stochastique de marche alatoire est un outil couramment utilis pour l'analyse des paramtres inconnus variant avec le temps, il est utilis en particulier dans le domaine de l'estimation et de l'identication des paramtres (Friedland, 1969), (Ignagni, 1990) et (Ljung, 1999). On peut alors crire un systme augment de la manire suivante : x (k) = Aa x (k 1) + Ba u(k 1) + Ga w (k 1)
tel-00135049, version 1 - 6 Mar 2007
avec
z(k) = Ca x (k) + v(k) x(k)T d(k)T , w (k) = w(k)T (k)T AE B , Ba = Aa = 0 I 0 G0 Ca = C 0 et Ga = 0 I

T T
(4.19)
x (k) =
(4.20) (4.21)
(4.22)
L'estimation de l'tat augment x (k m) peut tre eectue comme dans le cas prcdent (4.7) ; on obtient :
k k x (k m) = (LT Lm,a )1 LT (Zm Bm,a Um ) m,a m,a
(4.23)
o les matrices Lm,a et Bm,a sont construites comme les matrices Lm et Bm des quations (4.4) et (4.5) en remplaant les matrices A, B et C respectivement par Aa , Ba et Ca . La condition d'existence de la solution (4.23) est que l'inverse de la matrice (LT Lm,a ) m,a qui reprsente le grammien d'observabilit existe. Comme prcdemment, l'estimation de l'tat l'instant terminal k de la fentre d'observation s'obtient en intgrant le systme sans prendre en compte les bruits qui ont une esprance mathmatique nulle (4.1) :
k x (k) = Am x (k m) + Tm,a Um a
(4.24)
96
4.4. Observateur mmoire nie pour les systmes commutation markovienne

avec
Tm,a =
T (Am1 Ba )T (Am2 Ba )T . . . Ba 0 a a
(4.25)
Cette formulation permet donc l'obtention simultane d'une estimation de l'tat du systme et de l'entre inconnue.
Exemple :
On considre le systme entre inconnue suivant : 0.0005 0.0084 0.1815 x(k 1) + u(k 1) x(k) = 0.0517 0.8069 1.7902 0.0129 1 d(k 1) + w(k 1) + 1.2504 10
tel-00135049, version 1 - 6 Mar 2007
z(k) = 10 01
x(k) + v(k)
Les entres sorties du systme sont reprsentes sur la gure 4.4. Dans un premier temps, nous considrons une entre inconnue constante gale 0.5 dans l'intervalle temporel
[100, 300] et nulle le reste du temps. Nous considrons ensuite une entre inconnue en
forme de rampe dans l'intervalle [100, 200], constante gale 0.5 dans l'intervalle temporel
[200, 300] et nulle le reste du temps.

L'examen de la gure 4.2 permet de constater une bonne estimation de l'entre inconnue avec, cependant, un certain dcalage d l'horizon d'observation de l'OMF choisi ici gal 11 (m = 10). La gure 4.3 prsente des rsultats analogues dans le cas o l'entre inconnue volue selon une rampe.
4.4
Observateur mmoire nie pour les systmes commutation markovienne
Dans ce paragraphe, nous considrons un systme reprsent par un ensemble de modles Mi , i = 1, . . . , r, chaque modle reprsentant un comportement particulier du systme. L'objectif est de dtecter, chaque instant, le modle qui approche le mieux le 97

2 1 0 0 Entre
100
200
300
400
500
600
700
800
900
1000
0.4 Sortie 1 0.2 0 0 4 2 0 0 100 200 300 0.6 Sortie 1 non bruite 0.4 0.2 0 0 4 2 0 0 100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000 100 Sortie 2 200 300 400 500 600 700 800 900 1000
tel-00135049, version 1 - 6 Mar 2007
400
500
600
700
800
900
1000
Sortie 2 non bruite
Fig. 4.1 Entres sorties du systme
0.6 0.5 0.4 0.3 0.2 0.1 0 0.1
estimation entre inconnue
100
200
300
400
500
600
700
800
900
1000
Fig. 4.2 Entre inconnue estime en prsence de bruit
98

0.6 0.5 0.4 0.3 0.2 0.1 0 0.1
100
200
300
400
500
600
700
800
900
1000
tel-00135049, version 1 - 6 Mar 2007
Fig. 4.3 Entre inconnue estime en prsence de bruit
comportement du systme et, simultanment, d'estimer l'tat du systme. On suppose que les transitions d'un modle l'autre sont dcrites par un processus markovien rgi par la matrice de transition de Markov donne par : 1r 11 . .. . = . . . . . r1 rr o ij est la probabilit de transition conditionnelle de passage du modle Mi vers le
` modle Mj ; on note j (k) la probabilit que le j eme modle soit actif l'instant k .
4.4.1 Dveloppement de la mthode

` Considrons le j eme modle : x(k) = A x(k 1) + B u(k 1) + G w(k 1) j j j z(k) = C x(k) + v(k) j
(4.26)
L'estimation d'tat de ce modle peut tre eectue l'aide d'un OMF selon la mthode dcrite la section 4.2 sous l'hypothse de l'existence de (LT Lj,m )1 . On obtient j,m ainsi :
k k xj (k m) = (LT Lj,m )1 LT (Zm Bj,m Um ) j,m j,m
(4.27) 99

et
k xj (k) = Am xj (k m) + Tj,m Um j
(4.28)
Les matrices Lj,m , Bj,m et Tj,m sont construites en utilisant les dnitions (4.4), (4.5) et (4.9) en remplaant les matrices A, B et C par les matrices Aj , Bj et Cj dcrivant le
` j eme modle.
L'estime de (4.28) est garantie non biaise en l'absence de commutation sur [k m, k]. L'estimation de l'tat x(k) du systme commutation est alors calcule comme une somme pondre des tats des dirents modles :
r
tel-00135049, version 1 - 6 Mar 2007
x(k) =
j=1
xj (k)j (k)
(4.29)
En nous inspirant des travaux de (Bar-Shalom, 1990), la probabilit que le systme

` fonctionne selon le j eme modle l'instant k est calcule de la manire suivante :
k j (k) = P {Mj (k)|Zm }
(4.30)
k1 Dnissons alors Zm , le vecteur des observations eectues sur l'horizon [km, k1] ;
on a :
k Zm =
k1 (Zm )T z(k)T
(4.31)
L'quation (4.30) peut alors s'crire :
k1 j (k) = P {Mj (k)|Zm , z(k)}

puis, en utilisant la formule de Bayes :
(4.32)
j (k) =
k1 k1 p z(k)|Mj (k), Zm P {Mj (k)|Zm }

r l=1
k1 k1 p z(k)|Ml (k), Zm P {Ml (k)|Zm }
(4.33)
An d'allger les notations, posons :
k1 i (k) = p z(k)|Mi (k), Zm
(4.34)
Dveloppons galement la probabilit d'activation du modle j l'instant k , conditionnellement au modle actif l'instant k 1 :
r
k1 P {Mj (k)|Zm } =
i=1
k1 P {Mj (k)|Mi (k 1), z (k 1)}P {Mi (k 1)|Zm }
(4.35)
100

De manire laborer une rcurrence sur le calcul des j (k), on eectue l'approximation suivante :
k1 k1 P {Mi (k 1)|Zm } P {Mi (k 1)|Zm } = j (k 1)
(4.36)
Cela revient considrer que l'information apporte par le premier vecteur d'observak1 tion z(k m 1) du vecteur Zm dni sur l'horizon [k m 1, k 1] n'est pas trs
importante et peut tre nglige (cela dpend videmment de l'horizon choisi). Dans ce cas, en considrant les quations (4.33) (4.36) et en remarquant que, par dnition,
P {Mj (k)|Mi (k 1), Z k } = ij , on obtient alors la rcurrence suivante sur la probabilit
tel-00135049, version 1 - 6 Mar 2007
que le systme opre selon le modle j l'instant k :
j (k) =
j (k) r ij j (k 1) i=1 r r l=1 l (k) i=1 il j (k 1)
(4.37)
Cette expression permet de calculer la probabilit d'activation de chaque modle connaissant les vraisemblances j (k) et les probabilits de passage d'un modle un autre ij . A partir de ces probabilits, on peut calculer l'estime x(k) par l'quation (4.29) qui elle mme utilise les estimes xj (k) issues des observateurs (4.28) relatifs au modles de fonctionnement.
4.4.2 Exemple d'application

On considre un modle de fonctionnement normal (A1 , B1 , C1 ), un modle de dfaut d'actionneur (A2 , B2 , C2 ) et un modle de dfaut de capteur (A3 , B3 , C3 ), les direntes matrices tant dnies par :
Ai = 0.0005 0.0084 0.0517 0.8069

T
, i = 1...3 10 01 10 01 .
101
B1 = 0.1815 1.7902
, C1 =
B2 = 0.1815 0
, C2 =
B3 = 0.1815 1.7902
T
1 0 0 0.1 .
, C3 =
Pour tester la mthode, dans un premier temps, le scnario suivant a t tabli : initialement le systme est en bon fonctionnement (modle 1), puis l'instant 100, survient un dfaut sur l'actionneur (modle 2), l'instant 500, le systme revient au mode de bon fonctionnement et, l'instant 800, un dfaut sur un capteur est introduit (modle 3), les entres-sorties du systme sont reprsentes sur la gure 4.4. Les rsultats sont prsents aux gures (4.5, 4.6 et 4.7) o sont reprsentes les probabilits d'activation des dirents modles calcules par la mthode propose et par la mthode
tel-00135049, version 1 - 6 Mar 2007
GPB1. On constate clairement les changements de rgime ; la probabilit d'activation des modles, dans leur zones respectives de fonctionnement, uctue autour de un et donc la dtection des dfauts est ralise. On remarque aussi que, sur cet exemple, la mthode propose donne de meilleurs rsultats que la mthode GPB1. Un deuxime scnario, similaire celui expos au deuxime chapitre, est envisag pour comparer les performances de la mthode propose avec celle de l'algorithme GPB. Les commutations sont gnres en utilisant les probabilits de passage d'un modle un autre de la matrice de Markov connue donne par : 0.95 0.025 0.025 = 0.05 0.95 0 0.05 0 0.95 Les variances des bruits sur l'tat et sur les mesures sont donnes par :
Q = 0.001 0.01 0 . R=5 0 0.4

Les rsultats de cette comparaison, qui utilise les critres de performance dnis dans le chapitre 2, sont rassembls dans le tableau 4.1 avec (FA) le taux de fausses alarmes, (ND) le taux de non dtection, (BDI) le taux de bonne dtection et d'isolation, (IID) le taux d'isolation incorrect du dfaut et (TMD) le temps moyen de dtection (chapitre 2). On remarque que les rsultats de la mthode propose sont meilleurs que ceux de la 102
2 1 Entre 0 0 100 200 300 400 500 600 700 800 900 1000
0.2 Sortie 1 0.1 0 0 10 100 Sortie 2 5 0 0 0.2 0.1 0 0 10 5 0 0 200 300 400 500 600 700 800 900 1000
tel-00135049, version 1 - 6 Mar 2007
100
200
300
400
500
600
700
800
900
1000
Sortie 1 non bruite
100
200
300
400
500
600
700
800
900
1000
Sortie 2 non bruite
100
200
300
400
500
600
700
800
900
1000
Fig. 4.4 Entres sorties du systme
BDI Mthode propose Algorithme GPB
FA
ND
IID
TMD
0.7865 0.7100
0.00085 0.00093
0.2774 0.2885
0.0069 0.0978
2.4623 9.2102
Tab. 4.1 Performance de la dtection pour la mthode propose et l'algorithme GPB
103
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 OMFM GPB1
tel-00135049, version 1 - 6 Mar 2007
0.1 0 0 100 200 300 400 500 1 600 700 800 900 1000
Fig. 4.5 Probabilit d'activation du modle 1
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 100 200 300 400 500 2 600 700 800 900 1000 OMFM GPB1
104

1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 100 200 300 400 500 3 600 700 800 900 1000 OMFM GPB1
tel-00135049, version 1 - 6 Mar 2007
BDI
FA
ND
IID
TMD
R1 R3 R5 R8 R 10
0.7865 0.7851 0.7813 0.7536 0.7393
0.00085 0.00085 0.0013 0.0024 0.0039
0.2774 0.2785 0.2763 0.3089 0.3164
0.0069 0.0056 0.0111 0.0288 0.0395
2.4623 2.4906 2.4623 2.4151 2.4623
Tab. 4.2 Performance de la dtection en fonction du niveau du bruit sur la sortie
mthode GPB1. Cela est d la sensibilit de cette dernire au bruit. On conclut donc que l'utilisation d'un observateur mmoire nie, pour la dtection de dfaut dans le cadre de systmes commutations, donne de bons rsultats qui sont moins sensibles au bruit que la mthode GPB classique. Le tableau 4.2 nous permet de constater que les performances de la dtection se dgradent avec l'augmentation du niveau du bruit sur la sortie. On a remarqu aussi que, pour cet exemple, la taille de la fentre de l'observateur n'a pas une grande inuence sur les performances du diagnostic. 105
4.5 Extension de la mthode pour les systmes entre inconnue

Nous allons appliquer la mthode propose la section 4.3 au cas des systmes entre inconnue. Pour cela, l'observateur mmoire nie est remplac par un observateur mmoire nie avec entre inconnue. Le modle Mj s'crit sous la forme :
x(k) = Aj x(k 1) + Bj u(k 1) + Ed(k 1) + Gw(k 1)
tel-00135049, version 1 - 6 Mar 2007
z(k) = C x(k) + v(k) j

o d(k) est l'entre inconnue l'instant k et o E est la matrice d'inuence de l'entre inconnue. En utilisant un modle augment qui prend en compte l'entre inconnue, qui est considre comme un tat du systme, pour chaque modle Mj , on peut estimer l'tat et l'entre inconnue d. L'estimation de l'tat global est ensuite obtenue en suivant la dmarche expose auparavant dans ce chapitre.
Exemple : on considre les mmes modles de fonctionnement normal, de dfaut d'actionneur et de dfaut de capteur que prcdemment, auxquels l'entre inconnue d(k) est ajoute avec :
T
E = 0.0129 1.2504
Pour tester la mthode, le scnario suivant a t tabli : initialement le systme est en bon fonctionnement, l'instant 100 intervient une entre inconnue d'amplitude constante, puis l'instant 200, survient un dfaut sur l'actionneur, l'instant 300, l'entre inconnue devient nulle, l'instant 500, le systme revient au mode de bon fonctionnement et, l'instant 800, un dfaut capteur est introduit. Les rsultats des gures 4.8 4.10, en prsence de bruit, montrent clairement les changements d'un rgime l'autre ce qui permet donc la dtection des dfauts. La gure 4.11 montre l'estimation de l'entre inconnue en l'absence de bruit. En prsence de bruit, cette estimation est reprsente la gure 4.12. On peut constater que l'utilisation d'un observateur mmoire nie avec entre inconnue pour la dtection de dfaut et l'estimation 106
4.6. Conclusion
1 0.9
1
0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 100 200 300 400 500 600 700 800 900 1000
tel-00135049, version 1 - 6 Mar 2007
Fig. 4.8 Probabilit d'activation du modle 1 avec bruit
de l'entre inconnue, dans le cadre des systmes commutations, donne de bons rsultats malgr la prsence de bruit.
4.6
Conclusion
Dans ce chapitre, nous avons tout d'abord rappel la structure d'un observateur mmoire nie. Nous l'avons ensuite appliqu avec succs l'estimation d'entres inconnues. Ce type d'observateur a t utilis dans le cadre d'un systme commutation markovienne pour lequel on doit galement dtecter les instants de commutation entre modles. La comparaison des rsultats obtenus avec ceux de la mthode GPB1 a ensuite t effectue sur un exemple. L'utilisation d'un observateur mmoire nie avec la mthode GPB1 donne de meilleurs rsultats, principalement en prsence de bruits. Finalement, la mthode propose a t tendue au cas de systmes soumis des entres inconnues. Dans cette situation, la dtection des instants de commutation s'eectue simultanment l'estimation de l'entre inconnue.
107
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2
tel-00135049, version 1 - 6 Mar 2007
0.1 0 0 100 200 300 400 500 600 700 800 900 1000
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 100 200 300 400 500 600 700 800 900 1000
108
4.6. Conclusion
0.6 0.4 0.2 0 0.2 0.4 0.6
tel-00135049, version 1 - 6 Mar 2007
0.8
100
200
300
400
500
600
700
800
900
1000
Fig. 4.11 Estimation de l'entre inconnue en l'absence de bruit
1 0.8 0.6 0.4 0.2 0 0.2 0.4
100
200
300
400
500
600
700
800
900
1000
Fig. 4.12 Estimation de l'entre inconnue en prsence de bruit
109
tel-00135049, version 1 - 6 Mar 2007
110
tel-00135049, version 1 - 6 Mar 2007
5
Observateur mixte pour les systmes commutation markovienne
Sommaire
5.1 5.2 5.3 5.4 5.5 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 Observateur mmoire nie . . . . . . . . . . . . . . . . . . . . 113 Observateur mixte . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Observateur mixte pour les systmes commutation markovienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.5.1 5.5.2 Dveloppement de la mthode . . . . . . . . . . . . . . . . . . . Exemple d'application . . . . . . . . . . . . . . . . . . . . . . . 121 123
5.6
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
111
Chapitre 5. Observateur mixte pour les systmes commutation markovienne
tel-00135049, version 1 - 6 Mar 2007
112
5.1. Introduction
5.1
Introduction
Dans le chapitre prcdent, nous avons constat que l'utilisation des observateurs mmoire nie amliore les performances de la mthode de diagnostic propose dans le chapitre 2. Cependant, pour amliorer les performances de l'observation et du diagnostic, on propose de combiner l'observateur de Luenberger et l'observateur mmoire nie travers un paramtre de pondration . Dans un premier temps, on prsente la structure de l'observateur mmoire nie et l'expression des tats du systme issue de cette formulation. Ensuite, on propose la structure d'un nouvel observateur et on tablit ses conditions de stabilit ; celles-ci sont formules en terme d'ingalits matricielles par l'utilisation d'une fonction de Lyapunov quadratique sous l'hypothse que les bruits sont borns. On prsente un exemple acadmique o une comparaison est eectue avec l'observateur mmoire nie classique et avec l'observateur de Luenberger. L'observateur propos est ensuite utilis dans le cadre des systmes commutation markovienne (Hocine et al., 2006). Les performances obtenues sont compares celles des estimateurs multi-modle classiques et avec l'estimateur multi-modle propos dans le chapitre 4.
tel-00135049, version 1 - 6 Mar 2007
5.2
Observateur mmoire nie
Rappelons quelques rsultats sur les observateurs mmoire nie donns dans le chapitre prcdent. On considre le systme discret, invariant dans le temps, suivant : x(k) = Ax(k 1) + Bu(k 1) + Gw(k 1)
z(k) = Cx(k) + v(k)

o, l'instant k , x(k) est le vecteur d'tat, A est la matrice d'volution d'tat, u(k) est le vecteur de commande, B est la matrice d'inuence de l'entre, C est la matrice d'inuence de la sortie, w(k) et v(k) sont respectivement le bruit d'tat et le bruit de mesure et z(k) est la sortie du systme. On considre l'observateur mmoire nie propos dans le chapitre prcdent :
k k x(k) = Zm Um
113

avec
= Am (LT Lm )1 m = Bm Tm Tm = (Am1 B)T (Am2 B)T . . . B T 0 C T (CA)T . . . (CAm )T 0 0 CB 0 Bm = CAB CB . . . . . . CAm1 B CAm2 B 0 0 CG 0 Gm = CAG CG . . . . . . CAm1 G CAm2 G
et
k k k k Zm = Lm x(k m) + Bm Um + Gm Wm + Vm T T
Lm =
tel-00135049, version 1 - 6 Mar 2007
... .. . .. . .. .
... .. . .. . .. .
. . . CB ... .. . .. . .. . ... .. . .. . .. .
. . . CG
0 0 . . . 0 0 0 0 . . . 0 0
En prsence de bruit de mesure et de bruit d'tat, l'erreur d'estimation d'tat s'crit :

k k x(k) x(k) = Wm + Vm
avec
= Gm Fm
et
Fm =
(Am1 G)T (Am2 G)T . . . GT 0
L'tat vrai x(k) peut tre alors crit sous la forme :

k k k k x(k) = Zm Um Wm Vm
(5.1)
114
5.3. Observateur mixte
5.3
Observateur mixte
En combinant les prdictions fournies par les quations (4.1) et (5.1), qui sont relatives au mme tat, on obtient un tat "composite" :
k+1 k+1 k+1 k+1 x(k + 1) = (Zm Um Wm Vm )
+(1 )(Ax(k) + Bu(k) + Gw(k))
(5.2)
o est un paramtre de pondration entre l'tat prdit un pas et l'tat obtenu sur un horizon de taille m + 1. Nous examinerons par la suite la faon d'optimiser la valeur de ce paramtre.
tel-00135049, version 1 - 6 Mar 2007
Pour le systme (5.2), on considre l'observateur suivant : x(k + 1) = (Z k+1 U k+1 ) m m
+ (1 )(A(k) + Bu(k) K((k) z(k))) x z z (k) = C x(k)
(5.3)
o K et sont dterminer. Pour caractriser l'tat fourni par cet observateur, on forme l'quation d'volution de la dynamique de l'erreur d'estimation e(k) = x(k) x(k) :
k+1 k+1 e(k + 1) = Ae(k) + (1 )Kv(k) + Vm + Wm + (1 )Gw(k)
(5.4)
avec
A = (1 )(A KC)
L'erreur d'estimation peut tre rcrite en concatnant les bruits dans un seul vecteur :
k+1 e(k + 1) = Ae(k) + DSm
(5.5)
avec
k+1 k+1 Sm = v(k)T Vm T k+1 w(k)T Wm T T
D = [(1 )K (1 )G ]
La conception de l'observateur ncessite la dtermination de K et .
Proposition : Supposons qu'il existe une matrice de gain K , deux matrices dnies
115

positives P > 0 et Q > 0, P symtrique, et un scalaire positif , vriant la contrainte suivante :
Q P + (1 )2 (A KC)T P (A KC) + (1 )2 (A KC)T P 2 (A KC) < 0
(5.6)
alors l'observateur dni en (5.3) a une erreur d'estimation borne, i.e. il existe une constante positive
r2 =
k+1 Sm
max (P + I)/min (Q)
(5.7)
telle que Vk (e(k)) < 0 pour e(k) > r.
tel-00135049, version 1 - 6 Mar 2007
Preuve : En considrant la fonction de Lyapunov Vk (e(k)) = e(k)T P e(k), on obtient :

Vk+1 (e(k)) = e(k + 1)T P e(k + 1)
k+1 k+1 k+1 k+1 = e(k)T A P Ae(k) + e(k)T A P DSm + Sm DT P Ae(k) + Sm DT P DSm (5.8) T T T T
La proprit M T N + N T M M T M + N T N applique des matrices de dimensions appropries permet d'crire :

k+1 k+1 k+1 k+1 e(k)T A P DSm + Sm DT P Ae(k) e(k)T A P P Ae(k) + Sm DT DSm T T T T
(5.9)
En substituant (5.9) dans (5.8), on obtient :

k+1 k+1 k+1 k+1 Vk+1 (e(k)) e(k)T A P A + A P 2 A e(k) + Sm DT DSm + Sm DT P DSm T T T T
(5.10)
k+1 k+1 Vk+1 (e(k)) e(k)T A P A + A P 2 A ek + Sm DT (P + I) DSm T T T
(5.11)
D'o
Vk+1 (e(k)) e(k)T A P A + A P 2 A e(k) + D

T T
k+1 Sm 2 max (P + I)
(5.12)
Alors s'il existe P > 0, Q > 0 tel que A P A + A P 2 A P < Q (5.6), on a :
Vk (e(k)) e(k)T Qe(k) + D min (Q) e(k)

116
2
k+1 Sm 2 max (P + I) 2 k+1 Sm 2 max (P + I)
+ D
(5.13)
5.4. Exemple
et Vk (e(k)) < 0 si e(k) r. Ce qui clos la preuve. Cela revient dire que la dcroissance de l'erreur d'estimation est garantie tant qu'elle est suprieure r. Pour rsoudre (5.6) on procde par linarisation (Boyd et al., 1994) en prenant X = P K : T T 2 (1 ) (P Q) (P A XC) (P A XC) (5.14) >0 P A XC P 0 P A XC 0 I Il s'agit d'une ingalit matricielle linaire en P , Q et X rsolue ecacement par des outils numriques (toolbox LMItool de Matlab). Le gain de l'observateur est donn par
tel-00135049, version 1 - 6 Mar 2007
K = P 1 X .
Comme on l'a vu dans le paragraphe prcdent, la convergence de l'erreur d'estimation est garantie en dehors de l'intervalle [r, r] (quation (5.7)). Il est vident que si l'on veut amliorer les performances de l'observateur, il faut minimiser la valeur de r. Pour cela, les bornes des bruits tant constantes, on peut minimiser le terme D max (P +I)/
min (Q)
qui dpend explicitement du paramtre et implicitement de travers le gain K et les matrices P et Q. Les matrices K , P et Q sont obtenues en rsolvant l'ingalit matricielle de l'quation (5.14) qui dpend directement de . On est donc confront un problme de minimisation non linaire. Une des stratgies envisageables est de minimiser numriquement le terme D max (P + I)/
min (Q) par rapport au paramtre .
5.4
Exemple
Dans cette partie, un exemple acadmique illustre la mise en uvre de l'observateur propos ; des comparaisons avec l'observateur mmoire nie et l'observateur de Luenberger ont t eectues, cette comparaison est ralise en xant comme critre d'valuation des performances la somme quadratique EN des erreurs d'estimation o l'indice N correspond au temps de n de simulation :
k=N
EN =
k=1
e(k)T e(k)
(5.15) 117

14
12
10
tel-00135049, version 1 - 6 Mar 2007
0 0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig. 5.1 volution du terme D max (P + I)/
min (Q) en fonction du paramtre
Pour l'exemple, nous considrons le systme suivant :
x(k) = 0.85 0 0 0.8 y(k) = 1 0 0 0.5
0.18 1.8
0.1 0.1
w(k 1)
x(k 1) +
u(k 1) +
x(k) + v(k)
o v(k) [0.1; 0.1] et w(k) [0.2; 0.2]. An de dterminer le paramtre , on minimise le terme D max (P + I)/
min (Q)
pour [0; 1] en utilisant la fonction Matlab fminbnd. Cette dernire fonction est base sur la mthode "Golden Section Search" (Cheney and Kincaid, 1994) et l'interpolation parabolique. Pour ces simulations, on a choisi une longueur de fentre m = 4. La gure 5.1 montre l'volution du terme D max (P + I)/ dans l'intervalle [0; 1]. Ce minimum vaut = 0.6910 et la rsolution des conditions LMI (5.14) aboutit aux 118
min (Q) en fonction du paramtre
5.4. Exemple
Observateur mixte Observateur mmoire finie Observateur de Luenberger
0.2 0.1 0 0.1 0.2 0 5 10 15 20 25
30
35
40
45
50
0.2 0.1 0 0.1 0.2 0 5 10 15 20 25 30 35 40 45 50
tel-00135049, version 1 - 6 Mar 2007
0.3 0.2 0.1 0 0 100 200 300 400 500 600 700 800 900 1000
Fig. 5.2 Erreur d'estimation pour les deux composantes du vecteur d'tat et norme de
e(k)
rsultats suivants :
P = Q= K= 1.4289 0.0001 0.0001 1.4289
1.2983 0.00005 0.00005 1.2983
0.8161 0.0194 0.0008 1.5403
119

0.72
0.7
0.68
0.66
0.64
0.62
tel-00135049, version 1 - 6 Mar 2007
0.6
10
12
14
16
18
20
Fig. 5.3 Variation du paramtre en fonction de la longueur de la fentre
Les deux premires parties de la gure 5.2 reprsentent les erreurs d'estimation d'tat, calcules par l'observateur propos, par OMF, de mme longueur de fentre m = 7 que l'observateur propos, et l'observateur de Luenberger de mme gain K que l'observateur propos. On peut remarquer que l'observateur mixte donne de meilleurs rsultats que ceux obtenus avec l'OMF et l'observateur de Luenberger. On peut quantier cette supriorit par le calcul de la somme quadratique des erreurs d'estimation d'tat e(k) des trois
mixte OM observateurs, l'observateur mixte (EN = 8.9085), OMF (EN F = 14.4150) et l'obserLBO vateur de Luenberger (EN = 18.5382). La dernire partie de la gure 5.2 reprsente
la norme des erreurs d'estimation de l'observateur mixte o la ligne droite reprsente la borne r = 0.21. On observe que la norme de l'erreur d'estimation dpasse en quelques points la borne r ce qui est tout fait normal car r est la borne qui garantit la dcroissance de l'erreur d'estimation et non pas la borne de l'erreur d'estimation. La gure 5.3 reprsente la variation de en fonction de la longueur de la fentre.
Dans cette partie, on a labor un nouveau type d'observateur, sa structure est le rsultat d'une pondration entre l'observateur mmoire nie et l'observateur de Luenberger. En 120
5.5. Observateur mixte pour les systmes commutation markovienne

utilisant une fonction de Lyapunov quadratique, on a formul les conditions sous forme LMI pour garantir la stabilit de l'observateur. On a procd au calcul d'une borne garantissant la dcroissance de l'erreur d'estimation en prsence de bruit sur la sortie et sur le systme ; cette borne a ensuite t minimise en optimisant la valeur du paramtre de pondration . Dans la partie qui suit, l'observateur propos sera intgr dans le cadre des estimateurs multi-modle du chapitre 1, de la mme manire que les observateurs mmoire nie.
tel-00135049, version 1 - 6 Mar 2007
5.5
Observateur mixte pour les systmes commutation markovienne
An d'appliquer l'observateur mixte aux systmes commutation, nous allons suivre les mmes tapes que celles du chapitre 4. Nous considrons un systme dcrit par un ensemble de modles Mi , i = 1, . . . , r, chaque modle reprsentant un comportement du systme. L'objectif est de dtecter, chaque instant, le modle qui approche le mieux le comportement du systme et simultanment d'estimer l'tat du systme. On suppose que les transitions d'un modle un autre sont dcrites par un processus Markovien rgi par la matrice de transition de Markov .
5.5.1 Dveloppement de la mthode

` Considrons le j eme modle : x(k) = A x(k 1) + B u(k 1) + G w(k 1) j j j z(k) = C x(k) + v(k) j
(5.16)
L'estimation d'tat de ce modle peut tre eectue l'aide de l'observateur mixte propos. On obtient ainsi : x (k + 1) = ( Z k+1 U k+1 ) i i i m i m + (1 i )(Ai x(k) + Bi u(k) Ki (i (k) z(k))) z zi (k) = Ci xi (k)
(5.17)
121

Les matrices i , i sont construites en remplaant les matrices A, B et C par les matrices
` Aj , Bj et Cj dcrivant le j eme modle. Les paramtres j et Kj sont calculs pour chaque
modle. L'estimation de l'tat x(k) du systme commutation est alors calcule comme une somme pondre des tats des dirents modles :
r
x(k) =
j=1
xj (k)j (k)
(5.18)
Comme dans le chapitre 4, en nous inspirant des travaux de (Bar-Shalom, 1990), la

` probabilit que le systme fonctionne selon le j eme modle l'instant k est calcule de la
tel-00135049, version 1 - 6 Mar 2007
manire suivante :
k j (k) = P {Mj (k)|Zm }
(5.19)
L'quation (5.19) peut alors s'crire :

k1 j (k) = P {Mj (k)|Zm , z(k)}
(5.20)
puis, en utilisant la formule de Bayes :
j (k) =
k1 k1 p z(k)|Mj (k), Zm P {Mj (k)|Zm } r k1 k1 l=1 p [z(k)|Ml (k), Zm ] P {Ml (k)|Zm }
(5.21)
An d'allger les notations, posons :

k1 i (k) = p z(k)|Mi (k), Zm
(5.22)
Dveloppons galement la probabilit d'activation du modle j l'instant k , conditionnellement au modle actif l'instant k 1 :
r k1 P {Mj (k)|Zm } = i=1 k1 P {Mj (k)|Mi (k 1), z(k 1)}P {Mi (k 1)|Zm }
(5.23)
On obtient alors la rcurrence suivante sur la probabilit que le systme opre selon le modle j l'instant k :
j (k) r ij j (k 1) i=1 (5.24) r l (k) r il j (k 1) i=1 l=1 Cette expression permet de calculer la probabilit d'activation de chaque modle connaisj (k) =
sant les vraisemblances j (k) et les probabilits ij de passage d'un modle un autre. 122
5.5.2 Exemple d'application

Pour l'application de la mthode propose, on considre le problme du chapitre 2, dcrit par un modle de fonctionnement normal (A1 , B1 , C1 ), un modle de dfaut d'actionneur (A2 , B2 , C2 ) et un modle de dfaut de capteur (A3 , B3 , C3 ) ; les direntes matrices tant dnies par :
Ai = 0.0005 0.0084 0.0517 0.8069

T
, i = 1...3 10 .
B1 = 0.1815 1.7902
, C1 = 1 0
tel-00135049, version 1 - 6 Mar 2007
B2 = 0.1815 0
, C2 =
T
01 0 . 1
1 0 0 0.1 .
B3 = 0.1815 1.7902
, C3 =
Les gains Kj et les paramtres j relatifs chaque modle Mj sont donns par : 0.1326 0.1013 K1 = 0.0799 0.8428 0.1326 0.1013 K2 = 0.0799 0.8428 0.0470 0.0349 K3 = 0.0468 0.8681 et 1 = 0.8247, 2 = 0.8247 et 3 = 0.8451. Un scnario similaire celui du deuxime chapitre est envisag pour comparer les performances de la mthode propose avec celle de l'algorithme GPB1 et la mthode du chapitre 4. Les rsultats de cette comparaison sont prsents dans le tableau 5.1. Les commutations sont gnres en utilisant une matrice de Markov donne par : 0.95 0.025 0.025 = 0.05 0.95 0 0.05 0 0.95 123

BDI Mthode propose Algorithme chapitre 4 Algorithme GPB FA ND IID TMD/(pe)
0.8099 0.7666 0.6525
0.0096 0.0066 0.00003
0.1040 0.1981 0.2308
0.0104 0.0104 0.0004
0.3333 1.9167 9.5000
Tab. 5.1 Performance de la dtection pour la mthode propose
Observateur mixte Observateur mmoire finie Mthode GPB1
tel-00135049, version 1 - 6 Mar 2007
0.8
0.6
0.4
0.2
100
200
300
400
500
600
700
800
900
1000
Les variances des bruits sont donnes par :
Q= 0.001 0 R=2 0.01 0 0 0.4 0 0.001
. .
Les gures 5.4, 5.5 et 5.6 reprsentent les probabilits d'activation des trois modles calcules par les direntes mthodes proposes. Le tableau 5.1 reprsente les dirents indices de performance pour le diagnostic prsents au chapitre 2. On remarque, sur cet exemple, que les rsultats obtenus avec l'observateur mixte sont meilleurs que ceux de la 124
Observateur mixte Observateur mmoire finie Mthode GPB1
0.8
0.6
0.4
0.2
tel-00135049, version 1 - 6 Mar 2007
100
200
300
400
500
600
700
800
900
1000
Observateur mixte Observateur mmoire finie Observateur GPB1
0.8
0.6
0.4
0.2
100
200
300
400
500
600
700
800
900
1000
125

mthode GPB1 et de la mthode utilisant des observateurs mmoire nie propose dans le chapitre 4.
5.6 Conclusion
Dans ce chapitre, nous avons tout d'abord propos de combiner l'observateur de Luenberger et l'OMF an d'amliorer les performances du diagnostic. Les conditions de stabilit de cet observateur mixte ont t formules en terme d'ingalits matricielles. L'observateur propos a t ensuite utilis dans le cadre des systmes commutation markovienne o l'on a constat, sur des exemples de simulation, une amlioration des performances du diagnostic.
tel-00135049, version 1 - 6 Mar 2007
126
tel-00135049, version 1 - 6 Mar 2007
6
Estimateur multi-modle structur
Sommaire
6.1 6.2 6.3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . 130 Matrice des probabilits de transition . . . . . . . . . . . . . . 130
6.3.1 Matrice des probabilits de transition entre deux sous-ensembles de modles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.2 Matrice des probabilits de transition au sein d'un sous-ensemble de modles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 131
6.4
Procdure d'estimation . . . . . . . . . . . . . . . . . . . . . . . 133

6.4.1 6.4.2 6.4.3 Sous-estimateur . . . . . . . . . . . . . . . . . . . . . . . . . . . Estimateur global . . . . . . . . . . . . . . . . . . . . . . . . . . Choix du modle actif . . . . . . . . . . . . . . . . . . . . . . . 133 136 137
127
Chapitre 6. Estimateur multi-modle structur
6.5 6.6
Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
tel-00135049, version 1 - 6 Mar 2007
128
6.1. Introduction
6.1
Introduction
Dans les mthodes d'estimation multi-modle proposes dans les chapitres prcdents, l'ensemble des modles est choisi de manire reprsenter tous les modes de fonctionnement possibles du systme. Le choix des modles ainsi que leur nombre est une tape importante dans l'laboration d'un algorithme d'estimation multi-modle, cause de son inuence sur la qualit de l'estimation d'tat du systme ainsi que sur la dtection du mode actif. Un nombre important de modles conduit une dtrioration des rsultats caractrise
tel-00135049, version 1 - 6 Mar 2007
par une mauvaise dtection des instants de commutations et des modes actifs (Li and Bar-Shalom, 1996). An de rsoudre ce problme, l'utilisation d'un ensemble variable de modles a t introduite par X. R. Li dans une srie d'articles (Li and Bar-Shalom, 1996), (Li et al., 1999a), (Li et al., 1999b) et (Li, 2000) dans le but de rduire la dispersion des probabilits d'activation qui rsulte de l'utilisation d'un nombre important de modles. La mthode propose se base sur l'utilisation, chaque instant, d'un sous-ensemble de modles appartenant l'ensemble des modles du systme. Elle ncessite la connaissance de toutes les squences de commutation possibles, ce qui peut tre une contrainte lors de la mise en oeuvre. De surcrot, la mthode propose par X. R. Li n'est pas approprie dans le cas de commutations arbitraires, car la mthode se base sur une logique de commutation. Dans ce chapitre, la mthode propose consiste subdiviser l'ensemble des modles en un certain nombre de sous-ensembles. Chaque sous-ensemble est utilis pour synthtiser un estimateur multi-modle, appel sous-estimateur, qui donne une estime base sur l'utilisation des modles du sous-ensemble. On constitue ainsi un banc de sous-estimateurs. Un autre estimateur multi-modle, appel estimateur global, est labor an de dterminer le sous-ensemble actif, c'est--dire celui contenant le modle actif. Le calcul de l'estimation d'tat est eectu en utilisant les estimations fournies par les dirents sous-estimateurs. Autrement dit, il s'agit de dterminer, dans un premier temps, le sous-ensemble actif, puis ensuite le modle actif dans ce sous-ensemble. La mthode permet aussi d'utiliser chaque sous-ensemble pour un type particulier de panne an de faciliter la prise de dcision. 129
6.2 Formulation du problme

On considre un systme reprsent par un ensemble de modles M = {M1 , M2 , . . . , Mr },
r tant le nombre de modles. Le comportement du systme pour chaque modle d'volution d'tat Mj est reprsent par : x(k) = A x(k 1) + B u(k 1) + G w(k 1) j j j z(k) = C x(k) + v(k)
j
(6.1)
Les transitions d'un modle un autre suivent un processus Markovien, dni par sa matrice de transition :
11 . = . . r1
tel-00135049, version 1 - 6 Mar 2007
.. .
1r . . . rr
(6.2)
Une subdivision de l'ensemble M en sous-ensembles si est ralise an de construire un ensemble S = {s1 , s2 , . . . , sn } avec n le nombre de sous-ensembles et si
sj = , i =
j [1, . . . , n] et
n i=1
si = M .
La mthode propose consiste tout d'abord construire un sous-estimateur pour chaque sous-ensemble sj = {M{sj , 1} , M{sj , 2} , . . . , M{sj , rj } } avec rj le nombre de modles constituant sj et {sj , i} correspond l'indice du modle dans l'ensemble M . Ensuite un estimateur global qui s'appuie sur les estimes issues des sous-estimateurs calcule une estime globale. Pour pouvoir construire l'estimateur global, on a besoin de calculer la matrice de transition de Markov s qui exprime la probabilit de passage d'un sous-ensemble si un sous-ensemble sj partir de la matrice qui rgit le passage d'un modle Mi un modle Mj .
6.3 Matrice des probabilits de transition

La matrice de transition de Markov est indispensable pour raliser les direntes tapes de la mthode propose. A partir de la matrice de transition de Markov , suppose connue, du systme initial, on construit s la matrice de passage d'un sous-ensemble un autre et sj , j = 1, . . . , n les matrices de passage d'un modle un autre appartenant au mme sous-ensemble sj . 130
6.3. Matrice des probabilits de transition
6.3.1 Matrice des probabilits de transition entre deux sous-ensembles de modles

On considre que le processus de commutation stochastique est stationnaire ; on peut alors crire :
r
= ,
j =
i=1
i ij
j [1, . . . , r]
(6.3)
o est le vecteur des probabilits j relatives chaque modle Mj avec r i = 1. Les i=1
j vont permettre de calculer la matrice de transition de Markov d'un sous-ensemble un

autre partir de la matrice de transition de Markov . Les probabilits de commutation d'un sous-ensemble un autre peuvent tre donnes par l'quation qui suit :
ri rj
tel-00135049, version 1 - 6 Mar 2007
l si |sj =
l=1
{si , l}{sj , h}
h=1 ri
i, j = 1, . . . , n l
(6.4)
l=1
Considrons l'exemple d'un ensemble quatre modles M = {M1 , M2 , M3 , M4 } subdivis en deux sous-ensembles S = {s1 , s2 } avec s1 = {M1 , M2 } et s2 = {M3 , M4 }. La matrice de Markov est donne par :
11 12 13 14
21 22 23 24 = 31 23 33 34 41 24 43 44
On cherche calculer s
(6.5)
s = s1 |s1 s1 |s2 s2 |s1 s2 |s2

(6.6)
A partir de l'quation (6.3) on obtient le systme d'quations :
1 = 1 11 + 2 12 + 3 13 + 4 14 2 = 1 21 + 2 22 + 3 23 + 4 24 3 = 1 31 + 2 32 + 3 33 + 4 34 4 = 1 41 + 2 42 + 3 43 + 4 44
131 (6.7)

et en tenant compte de la contrainte r i = 1, on obtient les i . Le calcul des si |sj i=1 s'eectue de la manire suivante :
s1 |s1 = (1 11 + 1 12 + 2 21 + 2 22 )/(1 + 2 ) s1 |s2 = (1 13 + 1 14 + 2 23 + 2 24 )/(1 + 2 ) s2 |s1 = (3 31 + 3 32 + 4 41 + 4 42 )/(3 + 4 ) s2 |s2 = (3 33 + 3 34 + 4 43 + 4 44 )/(3 + 4 )

(6.8)
6.3.2 Matrice des probabilits de transition au sein d'un sousensemble de modles

tel-00135049, version 1 - 6 Mar 2007
An de pouvoir raliser les sous-observateurs, il faut construire leurs matrices de transition respectives sj . Elle sont dduites directement de la matrice :
s
j lh =
lh
rj i=1
l, h = 1, . . . , rj
(6.9)
{sj , l}{sj , i}
Pour illustrer la procdure, on reprend l'exemple prcdent. Le calcul des deux matrices
s1 et s2 correspondant aux deux sous-ensembles s1 , s2 s'eectue de la manire suivante : sj sj 11 12 (6.10) sj = s s j j 21 22

s1 11 = s1 12 s1 21 s1 22
11 11 + 12 12 = 11 + 12 21 = 21 + 22 22 = 21 + 22 33 33 + 34 34 = 33 + 34 43 = 43 + 44 44 = 43 + 44
(6.11)
s2 11 = s2 12 s2 21 s2 22
(6.12)
132
6.4. Procdure d'estimation
6.4
Procdure d'estimation
Rappelons que la procdure consiste partitioner l'ensemble M des modles en sousensembles sj . Un sous-estimateur sera construit pour chaque sous-ensemble sj . Ce sousestimateur peut tre un estimateur IMM ou GPB ou n'importe quel autre estimateur multi-modle baysien. L'estimateur multi-modle fournira en sortie l'estimation d'tat et sa variance ainsi que la probabilit d'activation de chaque modle appartenant ce sous-ensemble. Dans ce qui suit, l'laboration de l'estimateur est base principalement sur l'algorithme GPB et sur le principe de l'utilisation de deux niveaux d'estimation (sous-estimateur et estimateur global).
tel-00135049, version 1 - 6 Mar 2007
6.4.1 Sous-estimateur
A chaque instant k , les entres du sous-estimateur sont la mesure z(k), l'estime issue de l'estimateur global x(k 1|k 1) et sa covariance P (k 1|k 1). Ces grandeurs sont utilises l'entre des rj dirents ltres de Kalman associs chaque sous-ensemble j =
1, . . . , n. A la sortie de chaque ltre, on obtient les estimes xi j (k|k) pour i = 1, . . . , rj

ainsi que leurs covariances associes Pi j (k|k).
s

La fonction de vraisemblance correspondant au ime ltre de Kalman du j me sousensemble sj est dcrite par :
i j (k) = p z (k) Z k1 , M{sj , i}

s
(6.13)
avec i = 1, . . . , rj , est calcule en utilisant l'estime xi j (k 1|k 1) et sa covariance :
i j (k) = p z (k) M{sj , i} , x (k 1 |k 1 ) , P (k 1 |k 1 )
(6.14)
Sous l'hypothse de la normalit des bruits entachant les mesures et les tats du systme, la vraisemblance s'crit :
i j (k) = N i j (k) ; 0, Si j (k)
(6.15) 133
avec i j (k) = z(k) Ci j (Ai j x (k 1 |k 1 ) + Bi j u (k 1)) et Si j (k) sa variance, o Bi j ,

et Ci j correspondent au ime modle du sous-ensemble sj .
s
Mise jour des probabilits d'activation des modles

Comme dans l'algorithme GPB1, l'utilisation de la formule de Bayes permet d'crire :
s i j
1 s (k) = sj i j (k) cj (k)
rj
lij l j (k 1)
l=1
(6.16)
o i j (k) est la probabilit d'activation, l'instant k , du ime modle appartenant
tel-00135049, version 1 - 6 Mar 2007
l'ensemble sj et cj j tant une constante de normalisation :

rj s cj j rj s i j i=1
(k) =
(k)
l=1
lij l j (k 1)
(6.17)
Calcul de l'estime mlange associe sj

L'estime mlange est calcule de la manire suivante :
rj
x (k |k ) =
i=1
sj
i j (k) xi j (k |k )
(6.18)
et sa covariance associe :
rj
P (k |k ) =
i=1 s
sj
i j (k) Pi j (k |k ) + xi j (k |k ) xsj (k |k ) xi j (k |k ) xsj (k |k )

(6.19)
s s s
o l'estime xi j (k |k ) provient du ltre de Kalman associ au ime modle de l'ensemble sj . Elle est obtenue en remplaant dans l'quation (1.3) les A, B, C par les Ai j , Bi j , Ci j . Chaque sous-estimateur fournit une estimation mlange xsj (k |k ), ainsi que les pro babilits d'activation i j (k) , i = 1, . . . , rj de chaque modle appartenant au sousensemble sj . Les direntes tapes du sous-estimateur sont reprsentes sur la gure 6.1. On remarque qu' l'entre du sous-estimateur, on a la mesure l'instant k et l'tat global x(k 1|k 1) qui sera dni par la suite et en sortie l'estime xsj (k |k ) relative au sous-ensemble sj . 134
s
x(k 1|k 1), P (k 1|k 1)
z(k)
tel-00135049, version 1 - 6 Mar 2007
Filtre M{sj , 1}
......
s
Filtre M{sj ,rj }
x1j (k|k)
s P1 j (k|k)
1 (k)
xrj (k|k) j
sj Prj (k|k)
rj (k)
......
Calcul de l'estime mlange pour sj
......
...... ......
xsj (k|k), P sj (k|k) 1j (k)
s
j rj (k)
Fig. 6.1 Sous-estimateur
135
6.4.2 Estimateur global

La structure de l'estimateur global est celle d'un estimateur de type GPB1. Au lieu d'tre des ltres de Kalman ordinaires, les n ltres en parallle sont les n sous-estimateurs prcdents. Les entres de l'estimateur global sont la mesure z(k) et l'estime, l'instant
k 1, x(k 1|k 1) et sa variance P (k 1|k 1). Ces grandeurs sont utilises l'entre de
chaque sous-estimateur. L'estimateur global fournit en sortie l'estime x(k|k) l'instant
k et sa covariance P (k|k). Au cours de l'estimation, on procde au calcul des probabilits

d'activation de chaque sous-ensemble sj (k), j = 1, . . . , n.
tel-00135049, version 1 - 6 Mar 2007

La fonction de vraisemblance correspondant au j me sous-estimateur s'crit :
sj (k) = p z (k) Z k1 , sj
avec j = 1, . . . , n. Elle est calcule comme suit :
(6.20)
sj (k) = p [z (k) |sj , x (k 1 |k 1 ) , P (k 1 |k 1 )]

Sous hypothse gaussienne, cette vraisemblance peut s'crire :
(6.21)
sj (k) = N [ sj (k) ; 0, S sj (k)]
(6.22)
avec sj (k) = z(k)C sj (k)(Asj (k) (k 1 |k 1)+B sj (k)u (k 1)) et sa variance S sj (k). x De la mme faon que xsj (k|k) (6.18), Asj (k), B sj (k) et C sj (k) s'explicitent :
Asj (k) = B (k) = C sj (k) =

s s s sj
rj i=1 rj i=1 rj i=1
i j (k) Ai j i j (k) Bi j i j (k) Ci j

s s s s
(6.23)
o Ai j , Bi j et Ci j sont les matrices caractrisant le ime modle du sous-ensemble sj , ce qui revient reprsenter le sous-ensemble sj par les matrices Asj (k), B sj (k) et C sj (k). Ces matrices sont des sommes de matrices correspondant aux modles Msj , i appartenant au sous-ensemble sj pondres par leurs probabilits d'activation i j (k). 136
s
Mise jour des probabilits d'activation des modles

1 sj (k) sj (k) c
n
sj (k) = c
sj
si |sj sj (k 1)
i=1
(6.24)
tant une constante de normalisation :

n n
c (k) =
j=1
sj
(k)
i=1
sj
si |sj sj (k 1)
(6.25)

tel-00135049, version 1 - 6 Mar 2007
A partir de (6.24) et de (6.18) on peut calculer :
n
x (k |k ) =
j=1
sj (k) xsj (k |k )
(6.26)
On remarque, partir de l'quation (6.26), que pour calculer l'estime globale x (k |k ), on a besoin des estimes issues des sous-estimateurs sj avec j = 1, . . . , n et de leurs probabilits associes. La variance associe x (k |k ) s'explicite :
n
P (k |k ) =
j=1
sj (k) P sj (k |k ) + [sj (k |k ) x (k |k )] [sj (k |k ) x (k |k )] x x
(6.27)
o P sj (k |k ) est donne par l'quation (6.19). En rsum, la mthode d'estimation propose ncessite l'utilisation de r ltres de Kalman associs aux r modles de fonctionnement. Ils sont rpartis en n sous-estimateurs contenant chacun rj ltres de Kalman. A la sortie de chaque sous-estimateur, on a l'estime xsj (6.18) et les probabilits d'activation i j (6.16) des modles appartenant au sous-ensemble
s
sj . Les estimes de chaque sous-ensemble sont ensuite utilises pour le calcul de l'estime
globale x (k |k ) et des probabilits d'activation sj (k) associes chaque sous-ensemble
sj
6.4.3 Choix du modle actif

De la procdure d'estimation propose, rsultent deux sortes de probabilits : 137
x(k 1|k 1), P (k 1|k 1)
z(k)
tel-00135049, version 1 - 6 Mar 2007
s1 (k) 1
. . .
Sous-estimateur s1
......
Sous-estimateur sn
. . .
sn (k) 1
1 s1 (k) r
n sn (k) r
xsj (k|k) P s1 (k|k)
s1 (k)
xsn (k|k) P sn (k|k)
sn (k)
......
Calcul de l'estime mlange
......
...... ......
x(k|k), P (k|k) s1 (k) sn (k)
Fig. 6.2 Estimateur global
138

la probabilit d'activation i j du modle i au sein du sous-ensemble sj . Elle est calcule en ne prenant en considration que les modles appartenant au mme sousensemble. la probabilit sj d'activation du sous-ensemble sj . Plusieurs stratgies de dcision sur le modle actif peuvent tre envisages. Elle sont bases sur l'utilisation des deux types de probabilits issues de l'algorithme d'estimation que nous avons propos dans ce chapitre.
s
tel-00135049, version 1 - 6 Mar 2007
Dcision par calcul direct

La probabilit d'activation d'un modle quelconque Mi = Ml j , Mi sj est calcule directement par le produit de la probabilit d'activation sj du sous-ensemble sj auquel appartient le modle avec sa probabilit d'activation au sein de ce sous-ensemble l j :
s s
i (k) = sj (k)l j (k)
(6.28)
A un instant k donn, la prise de dcision pour la dtection du modle actif est directement ralise en exploitant les i (k) : le modle dclar actif est celui ayant la probabilit d'activation i (k) la plus leve. Comme dans le chapitre 2, on peut, un instant k donn, ne pas prendre de dcision (c'est--dire dclarer qu'aucun modle n'est actif) si la probabilit i (k) est infrieure un seuil donn.
Dcision hirarchise
On peut envisager, un instant k donn, une prise de dcision deux niveaux. Pour le premier, on cherche le sous-ensemble contenant le modle actif en exploitant les probabilits d'activation sj (k) des sous-ensembles. Puis, pour le deuxime, on dtecte le modle actif en utilisant les probabilits d'activation i j (k) des modles appartenant au sous-ensemble choisi au cours du premier niveau. 139
s

Le premier niveau de dcision consiste trouver le sous-ensemble sj qui a la probabilit d'activation sj (k) la plus leve, de lui attribuer la valeur 1, et de donner la valeur 0 aux probabilits des autres sous-ensembles ; cela peut tre crit : Si l'on a j tel que sj (k) > si (k) i = 1, . . . , n alors on impose sj (k) = 1 et si (k) = 0 Puis les probabilits d'activation i (k) des modles peuvent tre calcules par i (k) =
sj (k)l j (k) ce qui revient crire : i = l j (k) pour Mi sj , Mi = Ml j i (k) = 0 pour Mi sj /

A partir des probabilits i (k), on prend une deuxime dcision pour dterminer le modle actif. Comme dans la dcision par calcul direct, on peut, un instant k donn, ne pas prendre de dcision (c'est--dire dclarer qu'aucun modle n'est actif) si la probabilit
s s
tel-00135049, version 1 - 6 Mar 2007
i (k) est infrieure un seuil donn.

La dcision hirarchise permet d'liminer l'inuence des modles appartenant aux autres sous-ensembles qui ont t dclars non actifs par le premier niveau de dcision et permet de ne considrer, au moment du deuxime niveau de dcision, qu'un sous-ensemble de modles au lieu de tout l'ensemble des modles.
Dcision mixte
C'est un couplage entre la dcision par calcul direct et la dcision hirarchise. Un paramtre est dni an de prendre la dcision sur l'activation des sous-ensembles. Si la plus leve des probabilits d'activation des sous-ensembles est suprieure un seuil on force la probabilit d'activation la plus leve sj (k) du sous-ensemble sj
1 et les probabilits d'activation des autres sous-ensembles 0. Si la plus leve des

probabilits d'activation des sous-ensembles est infrieure au seuil , on procde comme pour la mthode directe, c'est--dire la probabilit d'activation i (k) d'un modle sera le produit entre la probabilit d'activation sj (k) du sous-ensemble auquel appartient le modle et la probabilit d'activation l j (k) de ce modle dans son sous-ensemble. Les 140
s
6.5. Exemple
direntes tapes s'explicitent : Si l'on a j tel que sj (k) > si (k) i = 1, . . . , n alors si sj (k) > on impose
sj = 1 et si = 0, i = 1, . . . , n
puis i (k) = sj (k)l j (k), Mi = Ml j sinon on calcule directement i (k) = sj (k)l j (k), Mi = Ml j
s s s s
6.5
tel-00135049, version 1 - 6 Mar 2007
Exemple
On considre le fonctionnement d'un systme dcrit par un ensemble de modles M =
{M1 , M2 , M3 , M4 }. On choisit de regrouper les modles deux deux S = {s1 , s2 } avec s1 = {M1 , M2 } et s2 = {M3 , M4 }. Les quatre modles M1 , M2 , M3 , M4 s'explicitent : 0.5 0.1 1 x(k 1) + u(k 1) + +w(k 1) x(k) = 0 0.6 1 z(k) = 1 1 x(k) + v(k) 0.5 0.1 1 x(k 1) + u(k 1) + w(k 1) x(k) = 0 0.6 1 z(k) = 1.2 1 x(k) + v(k) 0.5 0.1 1 x(k 1) + u(k 1) + w(k 1) x(k) = 0 0.6 1.5 z(k) = 1 1 x(k) + v(k) 0.5 1 1 x(k 1) + u(k 1) + w(k 1) x(k) = 0 0.6 1.3 z(k) = 1 1 x(k) + v(k)
Les gains statiques des quatre modles sont : g1 = 5.00, g2 = 5.50, g3 = 6.50, g4 = 5.90.
Un scnario similaire celui du deuxime chapitre est envisag pour comparer les performances de la mthode propose (avec dcision directe, hirarchise et mixte) avec 141

BDI Dcision directe Dcision hirarchise Dcision mixte Mthode GPB1 FA ND IID TMD/(pe)
0.6860 0.7420 0.7730 0.6610
0.0001 0.0001 0.0034 0.0001
0.2595 0.1981 0.1031 0.3265
0.0172 0.0430 0.0004 0.0017
8.1818 6.2727 6 5.9091
Tab. 6.1 Performance de la dtection pour les mthodes proposes
celle de l'algorithme GPB1. Les rsultats de cette comparaison sont prsents dans le
tel-00135049, version 1 - 6 Mar 2007
tableau 6.1. Les commutations sont gnres en utilisant une matrice de Markov donne par :
0.9 0.033 = 0.033 0.033 0.033 0.033 0.033
0.9 0.33 0.033 0.033 0.9 0.033 0.033 0.033 0.9
Les variances des bruits sont donnes par : 0.001 0 . Q= 0 0.001
R = 0.5
La gure 6.3 reprsente les entres-sorties du systme. La gure 6.4 reprsente les probabilits d'activation de chaque sous-ensemble ainsi que les probabilits d'activation de chaque modle calcules par la mthode directe ainsi que celles calcules par la mthode GPB1. La gure 6.5 reprsente les mmes grandeurs que la gure 6.4, mais les probabilits d'activation des modles sont calcules par la prise de dcision hirarchise ainsi que par la mthode GPB1. La gure 6.6 reprsente les mmes grandeurs que les gures 6.4 et 6.5, mais obtenues par la mthode mixte. Les rsultats consigns dans le tableau 6.1 montrent que les performances des mthodes de prise de dcision proposes sont gnralement meilleures que celles de la mthode GPB1 sauf pour le retard la dtection o la mthode GPB1 est lgrement plus performante 142
6.5. Exemple
1.5 Entre 1
tel-00135049, version 1 - 6 Mar 2007
0.5 0 10 Sortie 5
100
200
300
400
500
600
700
800
900
1000
0 10
100
200
300
400
500
600
700
800
900
1000
Sortie Bruite 5
100
200
300
400
500
600
700
800
900
1000
Fig. 6.3 Entre-sorties du systme
143
1 0.5
Mthode propose GPB1 Rfrence Probabilits dactivation de chaque sous ensemble
tel-00135049, version 1 - 6 Mar 2007
0 100 200 300 400 1 Probabilits dactivation du modle 1 0.5 0 0 100 200 300 400 1 Probabilits dactivation du modle 2 0.5 0 1 Probabilits dactivation du modle 3 0.5 0 1 Probabilits dactivation du modle 4 0.5 0 0 100 200 300 400 0 100 200 300 400 0 100 200 300 400
500
600
700
800
900
1000
500
600
700
800
900
1000
500
600
700
800
900
1000
500
600
700
800
900
1000
500
600
700
800
900
1000
Fig. 6.4 Probabilits d'activation (mthode directe)
144
6.5. Exemple
1 0.5
tel-00135049, version 1 - 6 Mar 2007
500
600
700
800
900
1000
500
600
700
800
900
1000
500
600
700
800
900
1000
500
600
700
800
900
1000
500
600
700
800
900
1000
Fig. 6.5 Probabilits d'activation (mthode hirarchise)
145
1 0.5
tel-00135049, version 1 - 6 Mar 2007
500
600
700
800
900
1000
500
600
700
800
900
1000
500
600
700
800
900
1000
500
600
700
800
900
1000
500
600
700
800
900
1000
Fig. 6.6 Probabilits d'activation mthode mixte
146
6.6. Conclusion
BDI FA ND IID TMD/(pe)
{M1 , M2 }, {M3 , M4 } 0.7200 0.0038 0.1248 0.0071 {M1 , M3 }, {M2 , M4 } 0.6830 0.0015 0.1333 0.0018 {M1 , M4 }, {M2 , M3 } 0.7730 0.0034 0.1031 0.0004
5.4000 5.5556 5.6400
Tab. 6.2 Performances de la dtection en fonction des regroupements des modles
que les mthodes proposes dans ce chapitre. On remarque aussi qu'il y a des dirences entre les direntes mthodes de prise de dcision. La mthode qui donne les meilleurs rsultats est la mthode mixte suivie par la mthode hirarchise puis la mthode directe. On a constat sur d'autres simulations, ralises avec une autre squence de commutations, que les rsultats, reprsents sur le tableau 6.2, varient lgrement si l'on change la manire de regrouper les modles dans les sous-ensembles, en utilisant pour chaque regroupement la mthode mixte. Cela montre une certaine inuence du regroupement des modles sur les performances du diagnostic.
tel-00135049, version 1 - 6 Mar 2007
6.6
Conclusion
Dans cette partie, on a introduit la notion de subdivision de l'ensemble de modles pour les estimateurs multi-modles baysiens et cela en se distinguant de l'approche de X.R. Li. En eet, l'approche propose considre l'ensemble de tous les modles en utilisant des sous-estimateurs fonctionnant en parallle, contrairement la mthode de X.R. Li qui prend en compte uniquement le sous-ensemble slectionn chaque cycle d'excution. Les rsultats obtenus sur plusieurs exemples valident l'approche utilise par une comparaison avec la mthode GPB. La mthode structure nous permet d'agir sur de nouveaux paramtres par rapport aux estimateurs multi-modles classiques tel que la rpartition des modles dans les sousensembles ainsi que le nombre des sous-ensembles. Elle fournit aussi des informations supplmentaires comme la probabilit d'activation des sous-ensembles. La structure de la 147

mthode propose permet, dans le cadre d'une procdure de diagnostic, de regrouper les modles de dysfonctionnement du mme type dans le mme sous-ensemble et d'utiliser directement la probabilit du sous-ensemble pour dtecter le dfaut.
tel-00135049, version 1 - 6 Mar 2007
148
Conclusion et perspectives
tel-00135049, version 1 - 6 Mar 2007
Les travaux dvelopps dans ce mmoire de thse constituent une contribution l'tude des mthodes de dtection et de localisation de dfauts par ltrage multi-modle, les apparitions de dfauts tant reprsents ici par des changements de modle. Ce type d'estimateurs permet simultanment d'estimer l'tat du systme et de calculer la probabilit des dirents modes de fonctionnement. Le systme est caractris par un ensemble de modles de fonctionnements (fonctionnements normaux et anormaux) et par une matrice de transition de Markov caractrisant les passages d'un mode de fonctionnement un autre mode de fonctionnement. Tout au long de ce mmoire, notre tude a vis amliorer les performances des mthodes d'estimation multi-modle et les appliquer au diagnostic des systmes commutation. Dans le premier chapitre, nous avons introduit l'estimation par multi-modle sous ses direntes formes prsentes dans la littrature spcialise. Le deuxime chapitre a t ddi l'utilisation des mthodes d'estimation multi-modle pour le diagnostic, o les systmes en dfaut ont t reprsents par des modles de fonctionnement spciques. Des rgles de prise de dcision sur le mode actif chaque instant ont t dnies, en se basant sur les probabilits d'activation des modles, ainsi que des critres de performance du diagnostic. On a montr sur quelques exemples l'inuence du bruit sur les performances de la dtection de dfauts et l'importance du rle jou par la matrice de Markov, suppose connue dans un premier temps. Compte tenu de l'inuence de cette matrice sur les performances des estimateurs multi-modles, on a propos, dans le troisime chapitre, d'estimer la matrice des transitions de Markov. Deux mthodes d'es149
timation ont t proposes, la mthode quasi-baysienne et la mthode par intgration numrique. Ces mthodes ont t ensuite intgres dans le contexte d'estimation multimodle o l'on estime simultanment l'tat du systme, les probabilits d'activation des modles et la matrice de Markov. Dans le quatrime chapitre, nous avons remplac le ltre de Kalman, utilis habituellement dans les mthodes GPB et IMM, par un observateur mmoire nie qui est construit sur la base d'un critre quadratique qui maximise la vraisemblance du modle du systme. Par extension, cela nous a permis d'estimer les entres inconnues et d'amliorer les performances du diagnostic. Nous avons propos dans le cinquime chapitre un observateur d'tat mixte. Cet observateur est une combinaison de l'observateur mmoire nie et de l'observateur de Luenberger ; la convergence de cet observateur a t tudie travers l'utilisation d'ingalits matricielles et d'une fonction de Lyapunov quadratique. Le paramtre de pondration entre les deux observateurs a t optimis an de minimiser les erreurs d'estimation. L'estimateur propos a t intgr dans le cadre de l'estimation multi-modle en substitution du ltre de Kalman classiquement utilis. On a pu constat, sur des exemples, l'amlioration des performances du diagnostic. An de minimiser le phnomne de dispersion des probabilits d'activation des modles lorsque le nombre de modles est important, on a ensuite labor une mthode d'estimation hirarchise. Pour cela, les modles sont regroups en dirents sous-ensembles. Un sous-estimateur est construit en s'appuyant sur tous les modles de chaque sous-ensemble. Ces sous-estimateurs constituent les ltres lmentaires d'un estimateur multi-modle global. Cette approche permet une prise de dcision deux niveaux. On dtermine d'abord le sous-ensemble actif, puis le modle actif au sein de ce sous-ensemble. Ces travaux de recherche ont mis en vidence certains problmes pouvant faire l'objet de rexions ultrieures : La qualit des rsultats obtenus a essentiellement t constat travers l'analyse de rsultats de simulation. Cependant, des tudes analytiques peuvent tre envisages dans le futur an de quantier l'apport des mthodes proposes par rapport aux mthodes de rfrence du premier chapitre. 150
tel-00135049, version 1 - 6 Mar 2007
Il serait intressant de mettre au point une mthode de choix systmatique des sous-ensembles de modles pour les estimateurs multi-modle structur du sixime chapitre. En eet, les performances des mthodes proposes reposent en partie sur la nature des regroupements eectus. La forme de l'observateur mixte pourrait tre exploite an d'intgrer des contraintes sur l'tat du systme dans l'laboration de l'observateur. Toutes les mthodes supposent que le systme rel fonctionne selon l'un des modles d'un ensemble prdni. En cela, les mthodes proposes s'inscrivent dans un contexte de reconnaissance supervise. Il serait intressant, en analysant les probabilits conjointement l'erreur d'estimation, de dtecter l'apparition d'un mode de fonctionnement inconnu non rpertori a priori et d'en eectuer, en ligne, l'identication paramtrique (fonctionnement en mode non supervis). On pourrait envisager d'tendre la stratgie de dtermination du modle actif employe par l'ensemble des mthodes exposes au cas des systmes avec incertitudes o les paramtres des modles de fonctionnement sont incertains est o il faudra utiliser des estimateurs qui tiendront compte de ces incertitudes. Enn, toutes les mthodes proposes n'ont t testes qu'en simulation. Il serait important d'valuer leur pertinence sur des systmes rels en commenant par des pilotes de laboratoire. Le trs classique systme trois cuves, pour lequel les modles sont assez bien matriss, pourrait faire l'objet des premires exprimentations.
tel-00135049, version 1 - 6 Mar 2007
151
tel-00135049, version 1 - 6 Mar 2007
152
Bibliographie
tel-00135049, version 1 - 6 Mar 2007
Ackerson, G. A. and K. Fu (1970). On state estimation in switching environments. IEEE
Transactions on Automatic Control 15 (1), 1017.

Afnor (1994). Maintenance - concepts et dnitions des activits de maintenance, norme NF x 60-010. Association Franaise de Normalisation , 28. Akashi, H. and H. Kumamoto (1977). Random sampling approach to state estimation in switching environments. Automatica 13 (4), 429433. Alessandri, A. (2000). Design of sliding-mode observers and lters for nonlinear dynamic systems. In 39th IEEE Conference on Decision and Control, Sydney, NSW, Australie. Alessandri, A., M. Baglietto, and G. Battistelli (2003). Receding-horizon estimation for discrete-time linear systems. IEEE Transactions on Automatic Control 48 (3), 473478. Alessandri, A., M. Baglietto, and G. Battistelli (2005). tion for switching discrete-time linear systems. Receding-horizon estima-
IEEE Transactions on Automatic
Control 50 (11), 17361748.

Anderson, B. and J. Moore (1979). Optimal ltering. Prentice Hall. Bar-Shalom, Y. (1990). Multitarget-multisensor tracking : advanced applications. Artech House. 153
Bibliographie
Bar-Shalom, Y., K. C. Chang, and H. A. Blom (1989). Tracking a maneuvering target using input estimation versus the interacting multiple model algorithm. IEEE Tran-
sactions on Aerospace and Electronic Systems 25 (2), 296300.

Bar-Shalom, Y. and X. Li (1993). Estimation and tracking : principles, technique and
software. Artech House.

Beard, R. V. (1971). Failure accommodation in linear systems through self-reorganisation.
Rept. MTV-71-1 Man Vehicle Laboratory, MIT, Cambridge 199, 120.
tel-00135049, version 1 - 6 Mar 2007
Blackman, S. S. and R. F. Popoli (1999). Design and analysis of modern tracking systems. Artech House. Blair, W. D. and G. A. Watson (1992). Interacting multiple model algorithm with aperiodic data. In SPIE Symposium on Acquisition, Tracking and Pointing, Orlando, FL, USA. Blom, H. and Y. Bar-Shalom (1988). The interacting multiple model algorithm for systems with markovian switching coecients. IEEE Transactions on Automatic Control 33 (8), 780783. Bloomer, L. and J. E. Gray (2002). Are more models better ? : The eect of the model transition matrix on the IMM lter. In 34th Southeastern Symposium on System Theory
(SSST), Huntsville, Alabama, USA.

Bousghiri, S. (1994). Diagnostic de fonctionnement de procds continus par reconciliation
d'tat gnralis. Application la dtection de pannes de capteurs et d'actionneurs.

Thse, Universit Henri Poincar - Nancy I. Boyd, S., L. E. Ghaoui, E. Feron, and V. Balakrishnan (1994). Linear matrix inequalites
in system and control theory. Philadelphia : SIAM.

Brown, R. (1983). Introduction to random signals and Kalman ltering. New York : Wiley. 154
Burnette, D. J. (2001). Using GPS as reference system to hit a moving target. Thse, Air Force Institute of Technology,Wright Patterson AFB, Ohio, USA. Busch, M. and S. Blackman (1995). Evaluation of IMM ltering for an air defence system application. In 1995 SPIE Conference on Signal and Data Processing of Small Targets, San Jose, CA, USA. Caputi, M. (1995). A necessary condition for eective performance of the multiple model adaptive estimator. IEEE Transactions on Aerospace and Electronic Systems 31 (3), 11321139.
tel-00135049, version 1 - 6 Mar 2007
Chadli, M. (2002). Stabilit et commande de systmes dcrits par multi-modles. Thse, Institut National Polytechnique de Lorraine, Vandoeuvre-ls-Nancy. Chang, C. and M. Athans (1978). State estimation for a discrete system with switching parameters. IEEE Transactions on Aerospace and Electronic Systems 14 (3), 418425. Chen, G. and M. Harigae (2001). Using IMM adaptive estimator in GPS positioning. In
Proceedings of the 40th SICE Annual Conference, Nagoya, Japon.

Cheney, W. and D. Kincaid (1994). Numerical mathematics and computing. Brooks/Cole Publishing Company. Daafouz, J., P. Riedinger, and C. Iung (2002). Stability analysis and control synthesis for switched systems : A switched Lyapunov function appraoch. IEEE Transactions on
Automatic Control 47 (11), 18831887.

Darouach, M., M. Zasadzinski, and S. T. Xu (1994). Full-order observers for linear systems with unknown inputs. IEEE Transactions on Automatic Control 39 (3), 606609. Ding, Z. and L. A. Hong (1998). A distributed IMM fusion algorithm for multi-platform tracking. Signal Processing 64 (2), 167176. Drummond, O., X. Li, and C. He (1998). Comparison of various static multiple model estimation algorithms. Signal and Data Processing of Small Targets 3373, 510527. 155
Bibliographie
Fang, T. H., J. W. Choi, and M. Lee (1999). Detection and diagnosis of sensor and actuator failures using perception net. In Proceedings of the 38th SICE Annual Conference, Osaka, Japon. Ferrari-Trecate, G., D. Mignone, and M. Morari (2002). Moving horizon estimation for hybrid systems. IEEE Transactions on Automatic Control 47 (10), 16631676. Friedland, B. (1969). Treatment of bias in recursive ltering. IEEE Transactions on
Automatic Control 14(4), 359367.

Gasso, K. (2000). Identication des systmes dynamiques non-linaire : approche multi-
tel-00135049, version 1 - 6 Mar 2007
modle. Thse, Institut National Polytechnique de Lorraine, Vandoeuvre-ls-Nancy.

Gasso, K., G. Mourot, and J. Ragot (2001). Structure identication in multiple model representation : elimination and merging of local models. In Proceedings of the 40th
IEEE Conference on Decision and Control, Orlando, FL, USA.

Ghahramani, Z. and G. Hinton (2000). Variational learning for switching state-space models. Neural Computation 12, 831864. Goutsias, J. and J. M. Mendel (1988). Optimal simultaneous detection and estimation of ltered discrete semi-markov chains. IEEE Transactions on Information Theory 34 (3), 296300. Gustafson, P. M. and al. (1978). ECG/VCG rhythm diagnosis using statistical signal analysis, I : Identication of persistent rhythms. IEEE Transactions on Biomedical
Engineering 25, 344353.

Hanlon, P. D. and P. S. Maybeck (1998). Interrelationship of single-lter and multiplemodel adaptative algorithms. IEEE Transactions on Aerospace and Electronic Sys-
tems 34 (3), 934946.

Hanlon, P. D. and P. S. Maybeck (2000). Characterization of Kalman lter residuals in the presence of mismodeling. IEEE Transactions on Aerospace and Electronic Sys-
tems 36 (1), 114131.

156
Hashimoto, M. and H. Kawashima (2001). Sensor fault detection and identication in dead-reckoning system of mobile robot : interacting multiple model approach. In In-
ternational Conference on Inteligent Robots and Systems, Maui, HI, USA.

Hocine, A., M. Chadli, D. Maquin, and J. Ragot (2006). A discrete-time sliding window observer for markovian switching system. In 45th IEEE Conference on Decision and
Control, San Diego, CA, USA.

Hocine, A., D. Maquin, and J. Ragot (2003). Utilisation d'une banque de modles variable pour la dtection de changement de rgimes. In Journes Doctorales d'Automatique, Valenciennes, France. Hocine, A., D. Maquin, and J. Ragot (2004a). Finite memory observer for switching system : application to diagnosis. In Workshop on Advanced Control and Diagnosis, Karlsruhe, Allemagne. Hocine, A., D. Maquin, and J. Ragot (2004b). Observateur mmoire nie pour les systmes commutations : application la dtection de dfauts. e-STA, Sciences et
tel-00135049, version 1 - 6 Mar 2007
Technologies de l'Automatique, revue lectronique de la SEE 1 (4).

Hocine, A., D. Maquin, and J. Ragot (2004c). Observateur mmoire nie pour les systmes commutations : application la dtection de dfauts. In Confrence Inter-
nationale Francophone d'Automatique, CIFA, Douz, Tunisie.

Hocine, A., D. Maquin, and J. Ragot (2005a). Finite memory observer for switching systems : application to diagnosis. In 16th IFAC World Congress, Prague, Rpublique Tchque. Hocine, A., D. Maquin, and J. Ragot (2005b). Identication de systmes commutation. In Journes Doctorales, Modlisation, Analyse et Conduite des Systmes dynamique,
JDMACS, Lyon, France.

Hocine, A., D. Maquin, and J. Ragot (2005c). Identication de systmes commutation.
e-STA, Sciences et Technologies de l'Automatique, revue lectronique de la SEE 2 (2).

157
Bibliographie
Ignagni, M. B. (1990). Separate-bias Kalman estimator with bias state noise. IEEE

Janyene, A. (1987). Validation de donnes des systmes dynamiques linaires. Thse, Universit Henri Poincar, Nancy I. Jazwinski, A. H. (1968). Limited memory optimal ltering. IEEE Transactions on Auto-
matic Control 13 (5), 558563.

Jilkov, V. P. and X. R. Li (2004). Online bayesian estimation of transition probabilities for markovian jump systems. IEEE Transactions on Signal Processing 52 (6), 16201630.
tel-00135049, version 1 - 6 Mar 2007
Johansen, T. A. and A. B. Foss (1992). Nonlinear local model representation for adaptive systems. In IEEE Conference on Intelligent Control and Instrumentation, Marina, Singapour. Kim, H. J. (1998). A review of deadbeat observers and some new result. In CISL Winter
Workshop, Sung-Woo, Core.

Kleer, J. D. and B. C. Williams (1987). Diagnosing multiple faults. Articial Intelli-
gence 32, 97130.

Kratz, F. (1991). Utilisation des techniques de redondances matrielles et analytiques la
dtection de pannes de capteurs. Application aux centrales nuclaires. Thse, Institut

National Polytechnique de Lorraine, Vandoeuvre-ls-Nancy. Kwon, W. and P. Kim (2002). A receding horizon unbiased r lter for discret-time state space models. Automatica 38 (3), 545551. Li, X. (1996). Hybrid estimation techniques. Control and Dynamic Systems : Advances in Theory and Applications. New York : Academic Press. Li, X. (1998). Optimal selection of estimate for multiple-model estimation with uncertain parameters. IEEE Transactions on Aerospace and Electronic Systems 34 (2), 653657. Li, X. (2002). Model-set design for multiple-model method. Part I. In Proceedings of the
Fifth International Conference on Information Fusion, Annapolis, MD, USA.

158
Li, X. and Y. Zhang (2000). Numerically robust implementation of multiple-model algorithms. IEEE Transactions on Aerospace and Electronic Systems 36 (1), 266278. Li, X., Z. Zhao, P. Zhang, and C. He (2002). Model-set design for multiple-model method. Part II. Examples. In Proceedings of the Fifth International Conference on Information
Fusion, Annapolis, MD, USA.

Li, X. R. (2000). Multiple-model estimation with variable structure. Part II model set adaptation. IEEE Transactions on Automatic Control 45 (11), 20472060. Li, X. R. and Y. Bar-Shalom (1993). Design of an interacting multiple model algorithm for air trac control tracking. Special issue on Air Trac Control. IEEE Transactions
tel-00135049, version 1 - 6 Mar 2007
on Control Systems Technology 1 (3), 186194.

Li, X. R. and Y. Bar-Shalom (1996). Multiple-model estimation with variable structure.
IEEE Transactions on Automatic control 41 (4), 478493.

Li, X. R., Y. Zhang, and X. Zhi (1999a). Multiple-model estimation with variable structure. Part III : Model-group switching algorithm. IEEE Transactions on Aerospace and
Electronic Systems 35 (1), 225241.

Li, X. R., Y. Zhang, and X. Zhi (1999b). Multiple-model estimation with variable structure. Part IV : desing and evaluation of model-group switching algorithm. IEEE Tran-
sactions on Aerospace and Electronic Systems 35 (1), 242254.

Li, X. R., Z. Zhao, and X. B. Li (2005). General model-set design methods for multiplemodel approach. IEEE Transactions on Automatic Control 50 (9), 12601276. Ljung, L. (1999). System identication, Theory for the user. Prentice-Hall. Magill, D. (1965). Optimal adaptive estimation of sampled stochastic process. IEEE

Maybeck, D. (1982). Stochastic models, estimation and control, Volume II, III. New York : Academic Press. 159
Bibliographie
Maybeck, P. S. and P. D. Halon (1995). Performance enhancement of a multiple model adaptive estimator. IEEE Transactions on Aerospace and Electronic Systems 31 (4), 12401254. Medvedev, A. V. and H. T. Toivonen (1991). Investigation of a nite memory observer structure. Technical report, Process Control Laboratory, Dept. of Chemical Engineering, Abo Akademi. Medvedev, A. V. and H. T. Toivonen (1994). Feedforward time-delay structures in state estimation : nite memory smoothing and continuous deadbeat observers. IEE Procee-
tel-00135049, version 1 - 6 Mar 2007
ding in Control Theory and Application 141 (2), 121129.

Menke, T. E. and P. S. Maybeck (1995). Sensor/actuator failure detection in the vista f-16 by multiple model adaptive estimation. IEEE Transactions on Aerospace and Electronic
Systems 31 (4), 12181229.

Murray-Smith, R. and T. A. Johansen (1997). Multiple model approaches to modelling
and control. Taylor and Francis.

Murthy, D. N. P. (1980). Observability in discrete time system with faulty sensor. Auto-
matica 16 (6), 709710.

Napolitano, M. R. and R. L. Swaim (1992). Aircraft ight control reconguration. C. T.
Leondes, editor, Control and Dynamic Systems , 155228.

Nguyen, H. T. and M. Sugeno (1998). Fuzzy systems, modelling and control. Kluwer academic publishers. Nuninger, W. (1997). stratgie de diagnostic robuste a l'aide de la redondance analytique. Thse, Institut National Polytechnique de Lorraine, Vandoeuvre-ls-Nancy. Oliveira, M. C., J. Bernussou, and J. C. Geromel (1999). A new discrete-time robust stability condition. System and Control Letters 37 (4), 261265. Park, S. H., P. S. Kim, O. K. Kwon, and W. H. Kwon (2000). Estimation and detection of unknown inputs using optimal r lter. Automatica 36 (10), 14811488. 160
Patton, R., P. Frank, and R. Clark (1989). Fault diagnosis in dynamic systems. Prentice Hall. Pavlovic, V., J. Rehg, T. J. Cham, and K. Murphy (1999). A dynamic bayesian network approach to gure tracking using learned dynamic models. In IEEE International
Conference on Computer and Vision, Kerkyra, Grce.

Rago, C., R. Prasanth, R. K. Mehra, and R. Fortenbaugh (1998). Failure detection and identication and fault tolerant control. using the IMM-KF with applications to the eagle-eye UAV. In 37th IEEE Conference on Decision and Control, Tampa, Florida,
tel-00135049, version 1 - 6 Mar 2007
USA. Ragot, J., A. Hocine, and D. Maquin (2004). Parameter estimation of switching systems. In International Conference on Computational Intelligence for Modelling, Control and
Automation, CIMCA'2004, Gold Coast, Australie.

Ragot, J., D. Maquin, and D. Sauter (1992). Data validation using orthogonal lters. IEE
Proceedings - D : Control Theory and Applications 139 (1), 4752.

Rao, C. V., J. B. Rawlings, and D. Q. Mayne (2003). Constrained state estimation for nonlinear discrete-time systems : stability and moving horizon approximations. IEEE

Sawaragi, Y., T. Katayama, and S. Fujichige (1973). Adaptive estimation for a linear system with interrupted observation. IEEE Transactions on Automatic control 18 (2), 152154. Sheldon, S. and P. Maybeck (1993). An optimizing design strategy for multiple model adaptive estimation and control. IEEE Transactions on Automatic Control 38 (4), 651 654. Smith, A. F. M. and U. E. Makov (1978). A quasi-bayesian sequential procedures for mixtures. Journal of Royal Statististic Society 40 (1), 106112. 161
Bibliographie
Sworder, D. and J. Boyd (1999). Estimation problems in hybrid systems. Cambridge University Press. Takagi, T. and M. Sugeno (1985). Fuzzy identication of systems and application to modelling and control. IEEE Transactions on Systems Man and Cybernetics 15, 116 132. Titterington, D. M., A. F. M. Smith, and U. E. Makov (1985). Statistical analysis of nite
mixture distributions. New York : Wiley.

Tudoroiu, N. and K. Khorasani (2005). Fault detection and diagnosis for satellite's at-
tel-00135049, version 1 - 6 Mar 2007
titude control system (ACS) using an interactive multiple model (IMM) approach. In
IEEE Conference on Control Applications, Toronto, Ontario, Canada.

Tugnait, J. and A. Haddad (1979a). A detection-estimation scheme for state estimation in switching environments. Automatica 15 (4), 477481. Tugnait, J. K. (1982). Adaptive estimation and identication for discrete systems with Markov jump parameters. IEEE Transactions on Automatic control 27 (5), 10541065. Tugnait, J. K. and A. H. Haddad (1979b). State estimation under uncertain observations with unknown statistics. IEEE Transactions on Automatic control 24 (2), 201210. Tugnait, J. K. and A. H. Haddad (1980). Adaptive estimation in linear systems with unknown markovian noise statistics. IEEE Transactions on Information Theory 26 (1), 6678. Valcher, M. E. and J. C. Willems (1999). Dead beat observer synthesis. Systems and
Control Letters 37 (5), 285292.

West, M. and J. F. Harrison (1997). Bayesian forecasting and dynamic models, 2nd ed. Springer-Verlag. Zasadzinski, M. (1990). Contribution l'estimation de l'tat des systmes singuliers.
Application la validation de donnes des systmes dynamiques linaires. Thse, Universit Henri Poincar, Nancy I. 162
Zaytoon, J. (2001). Systmes dynamiques hybrides. Hermes Science. Zhang, Y. and J. Jiang (2001). Interacting active fault-tolerant control using IMM approach. IEEE Transactions on Aerospace and Electronic Systems 37 (4), 12211235. Zhang, Y. and X. R. Li (1998). Detection and diagnosis of sensor and actuator failures using IMM estimator. IEEE Transactions on Aerospace and Electronic Systems 34, 12931313.
tel-00135049, version 1 - 6 Mar 2007
163
tel-00135049, version 1 - 6 Mar 2007
164
Bibliographie
tel-00135049, version 1 - 6 Mar 2007
tel-00135049, version 1 - 6 Mar 2007
Rsum : Ce travail concerne la dtection de dfauts sur les systmes sujets des changements
de mode de fonctionnement. Le systme rel est modlis par un systme commutation markovienne qui est reprsent par un ensemble de modles de fonctionnement (fonctionnements normaux et anormaux) et par une matrice de probabilit de transition de Markov qui contient les probabilits de passage d'un modle de fonctionnement un autre. Cette reprsentation ore un cadre idal l'application des mthodes d'estimation multi-modle. L'intrt d'utiliser ce type d'estimateurs rside dans le fait qu'en plus de l'estimation de l'tat du systme, les estimateurs multi-modles procurent la probabilit d'occurrence ou d'activation de chaque modle de fonctionnement. Ces probabilits peuvent alors tre utilises pour la dtection de dfaut. Dans ce travail, nous avons utilis les spcicits de l'estimation multi-modle an de procder la
tel-00135049, version 1 - 6 Mar 2007
dtection et l'isolation des dfauts qui peuvent aecter un systme linaire. Plusieurs amliorations et amnagements ont t apports ce type d'estimateurs dans le but d'augmenter les performances du diagnostic.
Mots-cls : Systmes commutation markovienne, Dtection et localisation de dfauts, Multimodle, Estimation d'tat, Synthse d'observateurs.
Abstract : In this thesis, a fault detection method is developed for switching dynamic systems. These systems are represented by several linear models, each of them being associated to a particular operating mode. The proposed method is based on mode probabilities with the aim of nding the system operating mode and estimating the state. The method also uses a priori knowledge information about the mode transition probabilities represented by a Markov chain. This kind of model oers an ideal framework to the application of the multiple model estimation methods. The interest to use this type of estimators lies in the fact that in addition to the state estimation, the multiple model estimators get the probability activation of each model. These probabilities can be used for fault detection purpose. However, several improvements were made to this type of estimators in order to increasing the performances of the diagnosis.
Key words : Markovian switching systems, Fault detection and isolation, Multiple model, State
estimation, Observer synthesis.

These Fett Ah

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

These Fett Ah

Transféré par

Droits d'auteur :

Formats disponibles

Institut National Polytechnique de Lorraine

Centre de Recherche en Automatique de Nancy

Ecole doctorale IAEM Lorraine Dpartement de Formation Doctorale en Automatique e

Estimation dtat et diagnostic de e syst`mes ` commutation par ltrage e a multi-mod`le e

Doctorat de lInstitut National Polytechnique de Lorraine

D. Lefebvre M. Verg D. Maquin J. Ragot D. Theilliol

tel-00135049, version 1 - 6 Mar 2007

Mis en page avec la classe thloria.

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

Table des matires

tel-00135049, version 1 - 6 Mar 2007

Table des matires

Chapitre 2 Diagnostic des systmes commutation

Estimateurs multi-modles pour le diagnostic . . . . . . . . . . . . . . . . . 48 2.3.2 2.3.3 2.3.4

tel-00135049, version 1 - 6 Mar 2007

Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Chapitre 3 Estimation de la matrice de Markov

Chapitre 4 Observateurs mmoire nie pour les systmes commutation markovienne

4.2.3 4.3 4.4

Chapitre 5 Observateur mixte pour les systmes commutation markovienne

Chapitre 6 Estimateur multi-modle structur

Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 vii

Table des matires

Conclusion et perspectives Bibliographie 153 165 167

tel-00135049, version 1 - 6 Mar 2007

Table des gures

tel-00135049, version 1 - 6 Mar 2007

Table des gures

3.10 Convergence de ij . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 3.11 Signaux d'entre-sortie et signaux de commutation . . . . . . . . . . . . . 87

tel-00135049, version 1 - 6 Mar 2007

4.5 4.6 4.7 4.8 4.9

min (Q) en fonction du paramtre 118

Probabilits d'activation mthode mixte . . . . . . . . . . . . . . . . . . . 146

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

Table des gures

Table des notations

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

Table des notations

tel-00135049, version 1 - 6 Mar 2007

Revues avec comit de lecture

Congrs internationaux avec comit de lecture et actes

application to diagnosis, Workshop on Advanced Control and Diagnosis, Karlsruhe,

Congrs nationaux avec comit de lecture et actes

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

Estimation d'tat par multi-modle . . . . . . . . . . . . . . . . 15

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

tel-00135049, version 1 - 6 Mar 2007

1.2. Filtre de Kalman

tel-00135049, version 1 - 6 Mar 2007

x(k) = Ax(k 1) + Bu(k 1) + w(k 1) z(k) = Cx(k) + v(k)

E w(k)wT (j) = Q(k)kj E v(k)v T (j) = R(k)kj E v(k)wT (j) = 0 k, j

P (k + 1 |k ) = AP (k |k )AT + Q(k) x(k + 1 |k ) = A(k |k ) + Bu(k) x K(k + 1) = P (k + 1 |k )C T CP (k + 1 |k )C T + R(k + 1)

x(k + 1 |k + 1) = x(k + 1 |k ) + K(k + 1)(z(k + 1) C x(k + 1 |k )) P (k + 1 |k + 1) = (I K(k + 1)C) P (k + 1 |k )

tel-00135049, version 1 - 6 Mar 2007

hypothses prcdentes (1.2) sur les bruits sont vries, on a :

Chapitre 4 Observateurs mmoire nie pour les systmes commutation markovienne

Table des gures

Table des gures

Table des gures

hypothses prcdentes (1.2) sur les bruits sont vries, on a :

ij = 1. Si l'espace des tats est ni, alors la distribution de

Fig. 1.1 Systme commutation markovienne

Rinitialisation des ltres

La probabilit d'activation du mode Mj l'instant k est dnie par

Fig. 1.2 Estimateur multi-modle pour les systmes non commutants

k = 2 avec r = 2. Elle illustre bien le phnomne d'augmentation du nombre de ltres

Fig. 1.3 Estimateur multi-modle optimal pour les systmes commutants