Académique Documents
Professionnel Documents
Culture Documents
` THESE
prsente et soutenue publiquement le 08 dcembre 2006 e e e pour lobtention du
Abdelfettah HOCINE
Composition du jury Prsident : e M.Ouladsine Professeur ` lUniversit dAix-Marseille a e
Rapporteurs :
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
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.
ii
Je ddie cette thse mes parents adors sans lesquels je ne suis rien ma femme qui m'a soutenu et ma sur
iii
iv
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
2.4 2.5
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
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
viii
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
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
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
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
xi
xii
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
xiv
Rfrences personnelles
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.
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 :
la dtection de changement de rgimes, Journes Doctorales d'Automatique, Valenciennes, France, 25-27 juin 2003.
Introduction gnrale
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.
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.
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
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
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
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
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
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
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 :
(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 :
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
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
discret s'crivent :
(1.3)
(1.4)
(1.5)
(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
Avant d'introduire les systmes commutation markovienne, nous allons rappeler quelques notions sur les chanes de Markov.
probabilit peut tre reprsente par une matrice appele matrice de transition, dont le
13
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
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 :
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
mode au j me mode. 14
13 12 11 23
M1
21
22
M2
32
33
M3
31
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
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
(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 :
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.
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
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
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.
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.
j (k) = P {Mj |Z k }, j = 1, . . . , r
18
(1.12)
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 P {z (k) | Z k1 }
j (k) =
j = 1, . . . , r
(1.13)
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)
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
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
z(k)
x1 (0|0), P1 (0|0)
xr (0|0), Pr (0|0)
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)
20
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.
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 :
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
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
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)
(1.20)
o Mk1, l est la squence des (k 1) premier modles de la lme squence et Mj (k) est le
(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
(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)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
(1.24)
(1.25)
(1.26)
(1.27)
(1.28)
(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 :
(1.31)
23
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
z(1) x(0|0), P (0|0)
Filtre M1
Filtre M2
1 (1)
x1 (1|1) P1 (1|1)
Filtre M1
Filtre M2
Filtre M1
Filtre M2
1,1 (2)
1,2 (2)
2,1 (2)
2,2 (2)
x(2|2), P (2|2)
1,1 (2)
1,2 (2)
24
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
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 .
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
obtient, la place de (1.22) :
p[x(k) Z k ] = =
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)
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
x(k|k) =
j=1
xj (k|k)j (k)
(1.33)
et sa covariance
r
P (k|k) =
j=1
(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.
z(k)
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)
27
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
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
(1.36)
c=
j=1
j (k)
i=1
ij i (k 1)
(1.37)
1 j (k) = j (k) c
(1.38)
1 j (k) = j (k) c
ij i (k 1)
i=1
(1.39)
p[x(k) Z ] =
j=1
(1.40)
p[x(k) Z k ] =
r r
(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
(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
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
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 :
(1.45)
30
z(k)
Filtre M1
Filtre M2
Filtre M1
Filtre M2
11 (k)
12 (k)
21 (k)
22 (k)
Mlange pour M1
Mlange pour M2
x1 (k|k) P1 (k|k)
x2 (k|k) P2 (k|k)
x(k|k), P (k|k)
1 (k)
2 (k)
31
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
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
i|j (k 1 |k ) =
(1.48)
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)
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
32
p z (k) Mi (k 1) , Z k1 P Mj (k) Mi (k 1) , Z k1 i (k 1)
i=1
(1.53)
j (k) =
1 c
ij (k) ij i (k 1)
i=1
(1.54)
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.
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)
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
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
j (k)
(1.58)
(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
(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
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
p x (k) Mj (k) , Z k1 =
r i=1
N x (k) ;
xi (k 1 |k 1) i|j (k 1 |k 1 ) , P0j (k 1 |k 1)
(1.63)
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
(1.64)
cj =
i=1
ij i (k 1)
j = 1, . . . , r
(1.65) 35
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
x01 (k 1|k 1)
P01 (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)
...
Calcul de lestime globale
...
Mise jour des probabilits dactivation
...... ......
x(k|k), P (k|k) 1 (k) r (k)
36
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.
x0j (k 1 |k 1) =
i=1
xi (k 1 |k 1 )i|j (k 1 |k 1)
j = 1, . . . , r
(1.67)
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).
(1.69)
j = 1, . . . , r (1.70)
37
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
Sous l'hypothse de la normalit des bruits entachant les mesures et les tats du systme la vraisemblance peut s'crire :
(1.71)
(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.
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
Chapitre 1. Mthodes d'estimation d'tat par multi-modle pour les systmes commutation
40
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
41
2.4 2.5
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
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-
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
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
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.
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
x (k) = Ax (k 1) + (B + Dai ) u (k 1) + Gw (k 1)
(2.1) 49
(2.2)
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 :
11 . = . . r1
.. .
1r . . . rr
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
(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
j (k) =
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
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
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
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
(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 :
, i = 1...3 10 01 10 . .
B1 = 0.1815 1.7902
, C1 =
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
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
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
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
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
12
0.25 courant rel courant estime 0.2
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
tme
58
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
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
0.9120 0.8325
0.7582
0.6124
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
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
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
62
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
3.5 3.6
63
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-
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
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
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,
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
(3.2)
(3.3)
(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
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
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 = =
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)
x(k|k) 1 (k)
r (k) 1 (k)
r (k)
(k 1)
(k)
68
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)
= (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)
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 =
(3.11)
69
l p 1 , . . . , r Z k1 d1 . . . di1 di+1 . . . dr = l (k 1) p i Z k1
(3.12)
(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)
Ai =
r l=1
l (k 1) l (k)p Z k1 d/di l (k 1)
l=1 r
= =
l=i
(3.18)
l (k 1)
+i (k 1) i
et selon (3.12), on a
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
3.4
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
(3.20)
p z (k) i , Z k1 = p [z (k) |Z k1 ]
Posons
(3.21)
f [z (k) |i ] = p z (k) i , Z
k1
=
j=1
ij gij (k)
(3.22)
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 .
(3.25)
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
(3.27)
P {(k) = i|X k } = y
(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
i|X k } permettent la classication des mesures en les associant une des populations Mi
en fonction de ces probabilits.
(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
(3.30)
les i (0) sont les paramtres initiaux de la distribution de Dirichlet avec i (0) > 0, i =
p[|X ] =
i=1
(3.31)
(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 :
(3.34)
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 :
(3.35)
r i=1 i
L'approche propose est facile mettre en uvre et peut se rsumer par les deux tapes
i (k) = i (k 1) +
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
1)
(3.38)
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
(3.39)
(3.40) 75
0.3
0.25
0.2
0.15
0.1
0.05
0 4
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 :
(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
0.4 0.3
20
40
60
80
100
120
140
160
180
200
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
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
8 4
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
l'tape 1 du paragraphe 3.2, les informations issues de l'estimateur multi-modle sont les
suivantes :
Algorithme Initialisation :
i (0) = [i1 (0) , i2 (0) , . . . , ir (0)]
(3.42)
i (0) =
j=1
(3.43) (3.44)
j (0) =
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)
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)
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
o, l'instant k , x (k) Rn est le vecteur d'tat, u (k) Rp est le vecteur de commande,
Algorithme Initialisation :
i (0) = [i1 (0) , i2 (0) , . . . , ir (0)]
r
i (0) =
j=1
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
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 ) = xj (k |k 1) + Kj (k) j (k)
T Pj (k |k ) = Pj (k |k 1) Kj (k) Sj (k) Kj (k)
j (k) =
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)
(3.76)
1 Entre 0.5 0
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
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
(3.78)
83
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
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.
Algorithme
84
Sortie
Commutations
Initialisation :
1 (0) = N
N
(3.79)
(3.80)
(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)
(s)
(s)
20
40
60
80
100
20
40
60
80
100
0.5 21 0.45
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
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 :
(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
10
20
30
40
50
60
70
80
90
100
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
0.7
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
20
40
60
80
100
20
40
60
80
100
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
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
4.5 4.6
Extension de la mthode pour les systmes entre inconnue 106 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
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
(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
(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 {Z, U, W, V }
(4.3)
Lm =
92
C T (CA)T . . . (CAm )T
(4.4)
0 . . . .. .. . . 0 . . . CB 0 ... .. . .. .
.. .
... ... .. .. . . .. .. . .
(4.5)
. . . 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 =
x(k) = x(k)
(4.12)
k k x(k) x(k) = Wm + Vm
(4.13)
avec
= Gm Fm
et
(4.14)
Fm =
(4.15)
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
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
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)
avec
(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
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
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
4.4
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
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
400
500
600
700
800
900
1000
100
200
300
400
500
600
700
800
900
1000
98
100
200
300
400
500
600
700
800
900
1000
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 .
(4.26)
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
(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
x(k) =
j=1
xj (k)j (k)
(4.29)
(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)
(4.32)
j (k) =
(4.33)
(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
(4.35)
100
(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,
j (k) =
(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.
, 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
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 :
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
100
200
300
400
500
600
700
800
900
1000
100
200
300
400
500
600
700
800
900
1000
100
200
300
400
500
600
700
800
900
1000
FA
ND
IID
TMD
0.7865 0.7100
0.00085 0.00093
0.2774 0.2885
0.0069 0.0978
2.4623 9.2102
103
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 OMFM GPB1
0.1 0 0 100 200 300 400 500 1 600 700 800 900 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 2 600 700 800 900 1000 OMFM GPB1
104
BDI
FA
ND
IID
TMD
R1 R3 R5 R8 R 10
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
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
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
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
0.8
100
200
300
400
500
600
700
800
900
1000
100
200
300
400
500
600
700
800
900
1000
109
110
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
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.
5.2
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)
113
= 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 =
... .. . .. . .. .
... .. . .. . .. .
. . . CB ... .. . .. . .. . ... .. . .. . .. .
. . . CG
0 0 . . . 0 0 0 0 . . . 0 0
avec
= Gm Fm
et
Fm =
(5.1)
114
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 )
(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.
(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
(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
(5.7)
(5.9)
(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
k+1 Sm 2 max (P + I)
(5.12)
+ 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
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)/
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
12
10
0 0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
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
5.4. Exemple
Observateur mixte Observateur mmoire finie Observateur de Luenberger
30
35
40
45
50
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 :
119
0.7
0.68
0.66
0.64
0.62
0.6
10
12
14
16
18
20
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
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 .
(5.16)
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
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)
manire suivante :
k j (k) = P {Mj (k)|Zm }
(5.19)
(5.20)
j (k) =
(5.21)
(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
, i = 1...3 10 .
B1 = 0.1815 1.7902
, C1 = 1 0
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
0.8
0.6
0.4
0.2
100
200
300
400
500
600
700
800
900
1000
. .
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
0.8
0.6
0.4
0.2
100
200
300
400
500
600
700
800
900
1000
0.8
0.6
0.4
0.2
100
200
300
400
500
600
700
800
900
1000
125
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.
126
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
127
6.5 6.6
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
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
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
.. .
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 .
= ,
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
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)
(6.6)
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)
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
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
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).
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 =
(6.13)
(6.14)
Sous l'hypothse de la normalit des bruits entachant les mesures et les tats du systme, la vraisemblance s'crit :
(6.15) 133
rj
lij l j (k 1)
l=1
(6.16)
(k) =
(k)
l=1
lij l j (k 1)
(6.17)
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
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
z(k)
Filtre M{sj , 1}
......
s
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
......
Mise jour des probabilits d'activation
...... ......
xsj (k|k), P sj (k|k) 1j (k)
s
j rj (k)
135
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
sj (k) = p z (k) Z k1 , sj
avec j = 1, . . . , n. Elle est calcule comme suit :
(6.20)
(6.21)
(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 :
(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
sj (k) = c
sj
si |sj sj (k 1)
i=1
(6.24)
c (k) =
j=1
sj
(k)
i=1
sj
si |sj sj (k 1)
(6.25)
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
(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
z(k)
s1 (k) 1
. . .
Sous-estimateur s1
......
Sous-estimateur sn
. . .
sn (k) 1
1 s1 (k) r
n sn (k) r
s1 (k)
sn (k)
......
Calcul de l'estime mlange
......
Mise jour des probabilits d'activation
...... ......
x(k|k), P (k|k) s1 (k) sn (k)
138
(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
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
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
{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
celle de l'algorithme GPB1. Les rsultats de cette comparaison sont prsents dans le
tableau 6.1. Les commutations sont gnres en utilisant une matrice de Markov donne par :
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
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
143
1 0.5
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
144
6.5. Exemple
1 0.5
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
145
1 0.5
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
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
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.
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
148
Conclusion et perspectives
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
Conclusion et perspectives
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
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.
151
152
Conclusion et perspectives
Bibliographie
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-
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
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.
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
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
Hashimoto, M. and H. Kawashima (2001). Sensor fault detection and identication in dead-reckoning system of mobile robot : interacting multiple model approach. In In-
Bibliographie
Ignagni, M. B. (1990). Separate-bias Kalman estimator with bias state noise. IEEE
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
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
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-
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
USA. Ragot, J., A. Hocine, and D. Maquin (2004). Parameter estimation of switching systems. In International Conference on Computational Intelligence for Modelling, Control and
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
titude control system (ACS) using an interactive multiple model (IMM) approach. In
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.
163
164
Bibliographie
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
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.