Model learning for health management of hybrid systems under uncertainty
Apprentissage de modèles pour la gestion de santé de systèmes hybrides sous incertitudes
Résumé
The main topics of this thesis are modeling and monitoring the health of hybrid systems under uncertainties.
Modeling a system is representing the system through a mathematical formalism. A new formalism, the Heterogeneous Petri Nets (HtPN), is introduced in this thesis. This formalism allows to model and monitor hybrid systems under undertainties. For these systems, models based on physical knowledge are often hard to obtain.
Artificial intelligence is thus used to learn model from data. The learning of the discrete events structure of the model is based on a clustering algorithm. The learning of the continuous dynamics of the model is based on two different regression algorithms.
Health monitoring is associated to diagnosis, identifying and isolating a problem, or prognosis, estimating the remaining useful life of the system. An advanced diagnosis method, based on the HtPN formalism, is proposed.
Finally, the contributions are applied on a system composed of two photovoltaic panels.
Cette thèse concerne la modélisation et la gestion de santé de systèmes hybrides sous incertitudes.
La modélisation consiste à représenter un système dans un formalisme mathématique. Cette thèse propose un formalisme, les réseaux de Petri Hétérogènes (HtPN), permettant de modéliser et surveiller des systèmes hybrides sous incertitudes. Pour ces systèmes, les modèles issus des connaissances physiques seules sont difficiles à obtenir.
L’intelligence artificielle est donc utilisée pour apprendre des modèles à partir de données. L’apprentissage de la structure à événements discrets du modéle est basé sur des méthodes de clustering, l’apprentissage des dynamiques à temps continu du modèle se base sur des méthodes de régression.
La gestion de santé inclut du diagnostic, qui consiste à identifier et isoler une faute, et du pronostic, qui consiste en une estimation de la durée de vie résiduelle du système. Une méthode de diagnostic avancée basée HtPN est proposée.
Finalement, les contributions sont appliquées sur un système composé de deux panneaux photovoltaïques.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|