Diagnostic et Reconfiguration d’un Véhicule Electrique Sur-Actionné M. A. DJEZIRI ATER EC-Lillle R. MERZOUKI MC Polytech-Lille G. DAUPHIN-TANGUY Prof EC-Lille B. OULD BOUAMAMA Prof Polytech-Lille Laboratoire d'Automatique, Génie Informatique et Signal (LAGIS - UMR CNRS 8021) Coordonnées : mohand.djeziri@ec-lille.fr; mohand.djeziri@polytech-lille Tel: (33) (0) 3 20 33 71 39 , Bureau C308 EC-Lille

Problématique Modélisation et diagnostic Intérêt pratique Les modèles des systèmes mécatroniques sont incertains; Génération des indicateurs de fautes robustes à base de modèles : procédure complexe ( théorie de l’élimination et de la projection) La génération des modèles incertains pour les systèmes mécatroniques est complexe Le sens physique des paramètres et des incertitudes n’apparaît pas explicitement sur le modèle (généralement d’état) Intérêt pratique Détection et isolation de défauts (FDI) Pilotage d’un bloc de reconfiguration, commande tolérante aux fautes (FTC) Les difficultées rencontrées dans le diagnostic robuste à base de modèle des systèmes de transport est lié aux points suivants

Plan de l’exposé Intérêt des BG pour le Diagnostic robuste? Démarche de supervision (diagnostic et reconfiguration) Application à un véhicule électrique Conclusion Le titre de l’éxposé est Diagnostic des systèmes incertain, approche bond graph est je vais le présenter en six parties Dans La première partie je vais donner situer le cadre de mon travail (les motivations et l’objectif de ma thèse) La deuxième partie est consacrée a un état de l’art sur les travaux déjà réalisés dans la littérature sur le diagnostic des systèmes incertains avec quelques commentaires Puis je dirai l’intérêt des BG LFT pour le diagnostic robuste La modélisation LFT des éléments BG est présenter dans la quatrième partie Dans la cinquième partie je vais présenter la méthode de diagnostic robuste par BG Puis je finirai par une application en ligne sur un système réel

Intérêt des BG pour le diagnostic robuste Approche intégrée : Une seule représentation Représentation explicite sur le modèle de tous les types d’incertitudes. Le passage du déterministe à l’incertain n’affecte pas les propriétés causale et structurelle du modèle La partie incertaine du modèle est parfaitement séparée de sa partie nominale. Contribution Génération automatique des modèles incertains Génération automatique des RRAs formelles et des seuils adaptatifs de fonctionnement normal Génération des indices de performance Informatisation de la procédure

Démarche de Diagnostic (FDI) Placement de capteurs Analyse structurelle Génération des seuils adaptatifs Génération des RRAs Robustes Génération d’indices de performance Modèle BG-LFT Reconfiguration du système Implémentation en tems réel Identification paramétrique

Etape 1: Modélisation LFT BG [G. Dauphin-Tanguy & al 1999] [C. Sié kam & al 2001] [C. Niesner & al 2005]

Modélisation LFT des éléments BG Résistance électrique R:R R:Rn f1=fRn eRn Rn fRn eRn 1 R:Rn De*:zR MSe*:wR -δR e1 fRn eRn f1=fRn e2 l‘effort injecter dans le bloc incertain est equivalent a l’effort détecter sur la jontion zero sur le modèle BG, ce détécteur n’est pas réel ,il est fictif car cette variable est connue d’ou la condition nécessaire pour le passage a la forme LFT est que le système soit observable Rn fRn eRn e1 + + e2 δR

Modèle LFT BG (Mise en oeuvre sur exemple) R:Rn De*:zR MSe:wR 2 5 9 6 Phénomène d’hystérésis R:R 2 R L i A Se: u 4 1 Se: u Df: i I:Ln 3 10 MSf:wL 7 Df*:zL 8 11 3 MSe:wns I:L

Etape 2. Analyse structurelle Mise en évidence de la nature du couplage sur le modèle bond graph

Analyse structurelle Système propre et observable Système surdéterminé [C. Sueur & al 1989] Système surdéterminé Proposition 1: Sur un modèle bond graph destiné à la surveillance (mis en causalité dérivée), le système sera sous-déterminé si en dualisant les détecteurs, les éléments dynamiques ne peuvent pas être mis en causalité dérivée. Proposition 2: L’élément à l’origine du conflit de causalité sur un système observable sous déterminé, peut être mis en causalité intégrale lorsque les conditions initiales sont connues. Le système devient ainsi sur-déterminé. Donc on commance par dualiser les détecteur, puis on passe en causlité dérivée. Si on y arrive, on conclue que le système est surdéterminé si non on conclue qu’il est sous déterminé. Cette proposition est formulée en suppsant que les condition intiales sont inconnue ce qui generallement le cas. Pour prendre n considèration le cas ou les conditions initiales sont cnnues, j’ai ajouter cette remarque. Car le coflit de cosalité nous informe sur l’etat du couplage sous déterminé ou sur déterminé, mais aussi, l’élément a l’origine du conflit d causalité et aussi à l’origine de l’indetermination. Donc si les conditions initales sont connues, l’élément sera grdé en causalité integral et le conflit de causalité disparai et le système devient sur déterminé. On peut alors passer a l’etape suivante qui est la géneration des RRAs

Analyse structurelle (Mise en oeuvre sur exemple) Partie mécanique du moteur I:Je C:1/K I:Je C:1/K SSf SSf Df Df Se SSe Se De ? R:fe R:fe Pas de conflit de causalité, Système sur-déterminé Conflit de causalité, Système sous-Déterminé

Etape 3: Génération des RRAs Robustes

Génération de RRAs robustes (1/3) (mise en oeuvre sur un exemple) R:Rn De*:zR 9 6 1- Se MSe:wR 5 2 SSf: i 5- MSe:wR 1 4 Se: u 7- MSe:wL 7 3 SSf - 2- 9- Rn - 9- 2 MSe:wL SSf - 3 - 10- Ln- 10- 3 8 R L i A Se: u De*:zL 10 I:Ln

Génération de RRAs robustes (2/3) (mise en oeuvre sur un exemple) MSe:wL R:Rn I:Ln De*:zL De*:zR Se: u SSf: i MSe:wR 1 2 3 5 4 7 8 9 10 6

Informatisation

Etape4. Génération des indices de performance Indice de sensibilité paramétrique SI Indice de détectabilité des défauts DI

Génération des indices de performance (1/3) Indice de sensibilité normalisé Évalue l’énergie apportée au résidu par l’incertitude sur chaque paramètre en la comparant à l’énergie totale apportée par toutes les incertitudes

Génération des indices de performance (2/4) Indice de sensibilité normalisé δi : Incertitude sur le ième paramètre i Є {R, C, I, RS, TF, GY} ωi: ième entrée modulée correspondant à Incertitude sur le ième paramètre

Génération des indices de performance (3/4) Définition: L’indice de détectabilité de défaut DI est la différence entre l’effort (ou flux) apporté par les défauts en valeur absolue et celui apporté par l’ensemble des incertitudes en valeur absolue. Proposition: Condition de détectabilité de défauts

Génération des indices de performance (4/4) Taux Détectable d’un défaut paramétrique Valeur détectable d’un défaut structurel

Partie5: Reconfiguration

Démarche de reconfiguration (1/2) Xd Yd Bloc de Reconfig Bloc de Diagnostic 3 Configurations Traction 4X4 Traction avant Traction arrières

Démarche de Reconfiguration (2/2) PLANIFICATION DE TRAJECTOIRE MCI.1 4X4 TG MCI.2 2X2av Corr MCI.3 2X2ar Bloc de diagnostic

3. Application à un véhicule électrique

Description du véhicule et de ses actionneurs Dimensions: Longueur: 1,836 m (73,90"); Largeur: 1,306 m (51,42"); Hauteur: 0,616 m (24,25"). Poids: 310 Kg (449 Lbs) avec batteries. Vitesse: 18 Km/h équivalent à 5m/s. Batteries: 8×12 Volts 60 Ah, sealed lead batteries. Alimentation 24 Volts. Moteurs: 4×900 Watts, with switched motor, 24 Volts. 2300 rpm primary, 230 rpm output. Inductance L=0.075 H. Resistance R=0.32 Ω. Instrumentation: 6 codeurs optiques <1mm, 4 de traction et 2 de direction Moteur Le RobuCar est un véhicule électrique sur-ationné à 4 rous, 4 moteurs électrique de traction indépendants placer sur chaque roue, et deux moteurs de direction indépendants placer sur les essieux avant et arrière du véhicule. Ce véhicule est spécialement conçue pour faire de la commande tolérante aux fautes et de la reconfiguration.

Hypothèses de modélisation Présence du couple perturbateur borné dans les parties moteur et roue; Chaussée sèche et uniforme; Vitesse constante < 20Km/h Dynamiques considérées: Longitudinale; Système électromécanique de traction.

Modélisation du système déterministe Se: u fe Je K

Modélisation du système incertain 4/4 Se: u fe Je K

Génération des RRAs robustes

Génération des RRAs robustes Résidus et entrées fictives

4. Résultats de simulation Simulations réalisées sur le simulateurs de véhicule CALLAS-PROSPER

Scénario de simulation validation de l’algorithme de planification 3 configurations: Traction avant, traction arrière et 4x4 Validation de l’algorithme de diagnostic Présence d’un défaut externe (crevaison d’un pneumatique) Présence d’un défaut sur la résistance électrique du moteur Présence d’un défaut sur la partie mécanique du moteur (variation anormale du paramètre fe) Visualisation du comportement du véhicule pour chaque situation Validation du schéma de reconfiguration Reconfiguration du système en présence d’un défaut sur le moteur de la roue arrière gauche.

Validation de l’algorithme de planification

Validation de l’algorithme de planification (1/2)) Configuration 2x2

Validation de l’algorithme de planification (2/2) Configuration 4x4

Validation de l’algorithme de diagnostic

Résidus en fonctionnement normal

Résidus en fonctionnement normal

Simulation d’une crevaison de la roue Détection immédiate

Simulation d’une crevaison de la roue

Simulation d’une crevaison de la roue

Défaut sur la résistance R 0.1Ohm

Défaut sur la résistance R

Défaut sur la résistance R

Défaut sur la partie mécanique du moteur 0.08N.m.s/rad

Défaut sur la partie mécanique du moteur

Validation du schéma de reconfiguration

Validation du schéma de reconfiguration (1/3)

Validation du schéma de reconfiguration (2/3)

Validation du schéma de reconfiguration (3/3)

Implémentation sur le système RobuCar Architecture embarquée sur le système réel est composé de deux Power PC sur chaque train de véhicule permettant gérer les différentes entrées et sorties. Ces power PC sont reliés en réseau CAN avec une Carte d’acquisition de données DSpace reliée elle-même à notre interface de commande et surveillance en ligne à partir de Matlab/Simulink.

? ? Implémentation sur le système RobuCar Implémentation sur CALLAS Prosper ? Implémentation sur le RobuCar Architecture embarquée sur le système réel est composé de deux Power PC sur chaque train de véhicule permettant gérer les différentes entrées et sorties. Ces power PC sont reliés en réseau CAN avec une Carte d’acquisition de données DSpace reliée elle-même à notre interface de commande et surveillance en ligne à partir de Matlab/Simulink.

Train de véhicule

5. Conclusion

Conclusion Cadre du travail présenté Contributions Continuité d’une thématique sur les BGs et la conception de systèmes de diagnostic (validée par des applications réelles). Contributions Robustesse de l’algorithme aux incertitudes structurées et non structurées; Approche intégrée pour la génération systématique de RRAs robustes pour des modèles non linéaires; Incertitudes paramétriques apparaissent d’une façon explicite sur le modèle BG; Validation de l’approche par des applications réelles et informatisation des procédures de génération de RRAs incertaines