Génération de résidus directionnels pour le diagnostic

des systèmes linéaires stochastiques et la commande

Hicham Jamouli

To cite this version:

Hicham Jamouli. Génération de résidus directionnels pour le diagnostic des systèmes linéaires stochas-
tiques et la commande. Automatique / Robotique. Université Henri Poincaré - Nancy I, 2003.
Français. �NNT : �. �tel-00005813�

HAL Id: tel-00005813

[Link]
Submitted on 7 Apr 2004

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
UFR Sciences et Techniques Mathématiques Informatique Automatique
Ecole Doctorale IAEM Lorraine

THÈSE
présentée pour l’obtention du

Doctorat de l’Université Henri Poincaré, Nancy 1

(Spécialité Automatique)

par

Hicham Jamouli

Génération de résidus directionnels pour le

diagnostic des systèmes linéaires stochastiques et
la commande tolérante aux défauts
soutenue publiquement le 19 décembre 2003

Composition du jury

Rapporteurs :
C. COMMAULT Professeur à l’Institut National Polytechnique de Grenoble
G. GISSINGER Professeur à l’Université de Mulhouse
Examinateurs :
M. OULADSINE Professeur à l’Université Aix Marseille III
F. KRATZ Professeur à l’Université d’Orléans
D. SAUTER Professeur à l’Université Henri Poincaré, Nancy 1
J.Y. KELLER Maître de Conférences HDR à l’Université Henri Poincaré, Nancy 1

Centre de Recherche en Automatique de Nancy

CRAN – CNRS UMR 7039
 A mes Parents,
A tous mes Frères et Soeurs
(Merci pour tous vos sacrifices)
4
 Remerciements 5

Remerciements

Je tiens à remercier les membres du jury qui m’ont fait l’honneur de participer à l’examen
de ce travail:

Monsieur C. COMMAULT, Professeur à l’Institut National Polytechnique de Grenoble, pour

l’intérêt qu’il y a porté.

Monsieur G. GISSINGER, Professeur à l’Université de Mulhouse, d’avoir accepté de ju-

ger ce travail. Je le remercie également pour ses conseils et ses critiques constructives.

Monsieur M. OULADSINE, Professeur à l’Université d’Aix Marseille III, pour ses re-
marques enrichissantes sur le document.

Monsieur F. KRATZ, Professeur à l’Université d’Orléans, pour sa lecture minutieuse du

manuscrit.

Monsieur J. Y. KELLER, Maı̂tre de conférence HDR à l’Université Henri Poincaré pour

ses conseils scientifiques, son aide et ses critiques constructives mais surtout pour son soutien
tout au long de ma thèse.

Je remercie vivement Monsieur D. SAUTER, Professeur à l’Université Henri Poincaré de

Nancy, pour m’avoir accueilli au sein de son équipe de recherche, ainsi que pour ses conseils,
sa disponibilité et sa sympathie.

De même, j’associe mes remerciements Monsieur ALAIN RICHARD, Professeur à l’Uni-

versité Henri Poincaré, Nancy 1, pour sa sympathie et ses conseils.
6 Remerciements

C’est avec une attention particulière que je remercie Mr Fredouille, pour son aide, sa
sympathie et pour les soirées passées ensemble, et la famille JOIN (Le grand et Madame
Flo) pour les moments inoubliables passés ensemble dans le sud. Je remercie également Eri-
cus pour sa sympathie et sa gentillesse, sans lui je pouvais pas rester tard le soir au labo.
Bien sûr je n’oublie pas la famille Djermoune (MAGADI) pour leur aide et leur soutien. Je
remercie également, Mr Manuel pour sa sympathie et pour ses plats mexicains.

Je souhaite également remercier tous les copains du babe : Fatih, Said, Michael, Samir,
Vincent, LIIIDOO, Stéphane et tous les autres membres du laboratoire : Marion, Hassan,
Didier, Christophe, Jean-Christophe, Patrick, Thierry, Jean Marie, Hugues, Olivier, Sabine,
Marcus, Davidouille, Yan.
 TABLE DES MATIÈRES 7

Table des matières

Remerciements 5

Introduction générale 13

1 Diagnostic des systèmes linéaires stochastiques 15

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2 Espace de parité stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.2 Analyse stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3 Filtre de Kalman et test du GLR . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.1 Relation entre l’espace de parité et le filtre de Kalman . . . . . . . . 20
1.3.2 Test du maximum de vraisemblance (GLR) . . . . . . . . . . . . . . . 21
1.3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4 Filtres de détection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4.1 Filtre détecteur H2 sur un horizon infini . . . . . . . . . . . . . . . . 24
1.4.2 Filtre détecteur H2 sur un horizon fini . . . . . . . . . . . . . . . . . 25
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2 Filtre de détection basé sur l’inversion du système 31

2.1 Filtre de détection sans entrée inconnue . . . . . . . . . . . . . . . . . . . . . 31
2.1.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.2 Premier cas: Reconstructeur parfait . . . . . . . . . . . . . . . . . . . 33
[Link] Paramétrisation des inverses à gauche du système . . . . . . 33
[Link] Optimisation de l’inverse à gauche au sens H2 . . . . . . . . 35
2.1.3 Deuxième cas: Reconstructeur à temps minimum . . . . . . . . . . . 36
[Link] Analyse structurelle du filtre . . . . . . . . . . . . . . . . . 41
[Link] Exemple illustratif . . . . . . . . . . . . . . . . . . . . . . . 44
2.1.4 Interprétation physique de la paramétrisation du filtre . . . . . . . . 46
2.1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2 Filtre de détection à entrées inconnues . . . . . . . . . . . . . . . . . . . . . 47
8 TABLE DES MATIÈRES

2.2.1 Formulation du problème . . . . . . . . . . . . . . . . . . . . . . . . . 48

2.2.2 Conception du filtre . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.2.3 Exemple illustratif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3 Application à la perte d’efficacité d’actionneurs . . . . . . . . . . . . . . . . 54
2.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3.2 Filtre détecteur pour l’estimation adaptative de la perte d’efficacité . 55
2.3.3 Exemple illustratif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3 Commande tolérante aux défauts 59

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2 État de l’art de la commande tolérante aux défauts . . . . . . . . . . . . . . 59
3.3 Commande tolérante à réactivité maximum . . . . . . . . . . . . . . . . . . . 65
3.3.1 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3.2 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Commande tolérante additive . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

4 Commande tolérante additive: Application 77

4.1 Présentation du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.1.1 Schéma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.1.2 Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Modélisation: équations de bilan . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2.1 Bilan volumique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.2.2 Bilan calorimétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.3 Linéarisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.3.1 Développement de Taylor au premier ordre de l’équation 4.4 . . . . . 80
4.3.2 Développement de Taylor au premier ordre de l’équation 4.5 . . . . . 81
4.3.3 Développement de Taylor au premier ordre de l’équation 4.6 . . . . . 81
4.3.4 Développement de Taylor au premier ordre de l’équation 4.19 . . . . 82
4.3.5 Développement de Taylor au premier ordre de l’équation 4.20 . . . . 82
4.3.6 Développement de Taylor au premier ordre de l’équation 4.21 . . . . 83
4.4 Obtention du modèle d’état discret du système . . . . . . . . . . . . . . . . . 84
4.5 Résultats de la commande tolérante additive . . . . . . . . . . . . . . . . . . 87
4.5.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

Conclusion 99
 TABLE DES MATIÈRES 9

A Paramétrisation du filtre de détection de Park et Rizzoni (1994) 101

B Algorithme d’inversion de Silverman (1969) 103

10 TABLE DES MATIÈRES
 TABLE DES FIGURES 11

Table des figures

1.1 Implémentation du filtre isolateur . . . . . . . . . . . . . . . . . . . . . . . . 29

2.1 Filtre de détection, Keller (1999) . . . . . . . . . . . . . . . . . . . . . . . . 54

2.2 Filtre de détection à entrée inconnue . . . . . . . . . . . . . . . . . . . . . . 54
2.3 Filtre de Kalman adaptatif de Wu et al. (1998) . . . . . . . . . . . . . . . . 57
2.4 Filtre de détection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3.1 Biais à saut successif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

3.2 Enrouleur de bande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3 Sorties régulées, commande PI . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Entrées de commande, commande PI . . . . . . . . . . . . . . . . . . . . . . 72
3.5 Sorties régulées, commande à réactivité maximum . . . . . . . . . . . . . . . 72
3.6 Entrées de commande, commande à réactivité maximum . . . . . . . . . . . 73

4.1 Montage de trois cuves. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

4.2 Commande nominal de type PI . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3 Estimation du défaut donnée par le filtre de détection (W) . . . . . . . . . . 88
4.4 Commande tolérante additive . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.5 Commande nominale de type PI . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.6 Estimation du défaut donnée par le filtre de détection (W) . . . . . . . . . . 90
4.7 Commande tolérante additive . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.8 Commande nominale de type PI . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.9 Estimation du défaut donnée par le filtre de détection (m3 /s) . . . . . . . . 92
4.10 Commande tolérante additive . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.11 Commande nominal de type PI . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.12 Estimation du défaut donnée par le filtre de détection . . . . . . . . . . . . . 94
4.13 Commande tolérante additive . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.14 Commande nominale de type PI . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.15 Estimation du défaut donnée par le filtre de détection . . . . . . . . . . . . . 96
4.16 Commande tolérante additive . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.17 Structure de la commande tolérante aux défauts . . . . . . . . . . . . . . . . 98
 Introduction générale 13

Introduction générale

Suite à la progression rapide des nouvelles technologies, les systèmes industriels sont de
plus en plus complexes et l’opération de diagnostic est devenue indispensable pour assurer
la sûreté de fonctionnement et la disponibilité de ces systèmes. Bénéficiant des outils déjà
existants en automatique, la recherche dans le domaine du diagnostic a connu une évolution
très importante qui lui a permis de développer plusieurs méthodes donnant une solution aux
problèmes de la détection et de l’isolation multi-défauts. Dans certains systèmes complexes,
comme dans l’aéronautique ou les centrales nucléaires, la phase de détection et de localisation
d’un ou de plusieurs défauts est nécessaire mais n’est pas suffisante pour garantir la sûreté
de fonctionnement car il est indispensable de modifier la loi de commande en temps réel afin
de maintenir la stabilité du système et de garantir ainsi un fonctionnement acceptable en
mode dégradé. Ainsi, il est nécessaire d’associer au diagnostic une loi de commande tolérante
aux défauts.
Les méthodes de diagnostic que nous proposons reposent sur la connaissance d’un modèle
capable de décrire précisément le fonctionnement du système à surveiller. Si un modèle
décrivant le fonctionnement normal du système est disponible, l’opération de diagnostic des
défauts comporte une phase d’extraction d’indicateur de défauts et une phase de prise de
décision par des techniques statistiques d’évaluation des résidus. La génération d’indicateurs
de défauts (ou résidus) permet d’évaluer un écart par rapport aux conditions normales de
fonctionnement à partir des mesures effectuées sur le système et ainsi d’identifier la cause
de tout changement anormal.
Pour notre étude, on se placera le plus souvent possible dans le cadre général des systèmes
linéaires affectés par des perturbations stochastiques et déterministes. Le diagnostic basé ob-
servateur sera résolu par la conception d’un filtre isolateur de défauts permettant la détection,
l’isolation et l’estimation optimale de l’amplitude des défauts sous des conditions d’existence
moins restrictives que celles rencontrées lors de la conception des observateurs à entrées
inconnues. Son intégration dans une loi de commande sera ensuite réalisée à partir d’un
rebouclage interne prenant en compte l’estimation de l’amplitude des défauts produite par
le filtre afin de corriger la loi de commande nominale du système. L’évaluation pratique de
cette méthode sera réalisée à partir de son application sur un système d’enrouleur de bandes.
Ce mémoire comporte 4 chapitres. Le premier chapitre présentera quelques généralités sur
le diagnostic des systèmes linéaires stochastiques. Nous réaliserons ensuite une synthèse des
14 Introduction générale

différentes méthodes de diagnostic reposant sur la théorie des filtres détecteurs de défauts. Le
deuxième chapitre sera dédié à la synthèse d’un filtre isolateur de défauts permettant l’obten-
tion d’une estimation optimale de l’amplitude des défauts. Par la suite, le domaine d’applica-
tion de ce filtre sera étendu au cas des systèmes affectés par des perturbations déterministes.
Une application particulière portera sur le traitement des défauts de type pertes d’effica-
cité d’actionneurs. Dans le troisième chapitre, nous présenterons un état de l’art pour la
conception de lois de commande tolérantes aux défauts. Nous réaliserons l’intégration du
filtre isolateur de défauts dans une loi de commande basée observateur afin d’obtenir une loi
de commande tolérante aux défauts de types actionneurs et/ou capteurs. Enfin, le dernier
chapitre présentera les résultats pratiques des méthodes proposées obtenus sur un système
benchmark faisant parti du projet européen IFATIS.
 15

Chapitre 1

Diagnostic des systèmes linéaires

stochastiques

1.1 Introduction
Le diagnostic des systèmes dynamiques stochastiques est généralement effectué en deux
étapes:
∗ Génération de résidus : cette première phase consiste à générer un signal résiduel
reflètant la distance entre le modèle du système et son comportement observé au cours
du temps.

∗ Prise de décision : Cette deuxième phase consiste à implémenter un test de détection

sur les résidus générés afin de détecter et localiser la présence éventuelle d’un ou de
plusieurs défauts sur la base du calcul d’un seuil de signification.

Dans ce mémoire, nous aurons comme objectif la simplification de la prise de décision

(même si cette deuxième phase ne sera que très peu abordée dans cette thèse) par la
génération de résidus reflètant directement l’amplitude des défauts afin de permettre la
conception simplifiée d’un test de détection toujours très difficile à concevoir dans le cas
multi-défauts. Les techniques de génération de résidus sont généralement basées sur la re-
dondance analytique issue de la connaissance du modèle de comportement du système. Le
modèle du système est une représentation mathématique du système physique. En situation
réelle, les techniques de génération de résidus doivent prendre en compte la présence de
bruits et de perturbations de types internes et externes. Un défaut représente un phénomène
considéré comme anormal (à détecter par le module diagnostic) alors que les perturbations
ou incertitudes représentent l’ensemble des paramètres de nuisances pour le module diag-
nostic car faisant partie du fonctionnement normal du système. Pour ce qui concerne leur
structure et effets sur le système, les défauts et perturbations sont tout à fait comparables,
d’où la complexité du diagnostic en présence de paramètres de nuisances. Nous considèrerons
16 Chapitre 1 : Diagnostic des systèmes linéaires stochastiques

dans ce mémoire plusieurs types de défauts:

∗ Les défauts capteurs: ils s’additionneront aux sorties du système et représenteront
l’ensemble des problèmes liés à la prise d’information sur l’état du système.

∗ Les défauts d’actionneurs: ils s’additionneront aux commandes du système et concer-

neront l’ensemble des problèmes liés aux organes qui agissent sur l’état du procédé.

∗ Les défauts externes: ils causeront un changement non maı̂trisable sur l’état du système.

∗ Les défauts internes: ils correspondront à une dégradation des composants du système
par un changement sur les paramètres internes du système.

Nous considèrerons dans ce mémoire plusieurs types de perturbations:

∗ Les bruits: qu’ils concernent les actionneurs, les capteurs ou le procédé lui-même, ils se
caractériseront par des signaux additifs gaussiens de moyennes nulles et de covariance
connue.

∗ Les perturbations additives externes: ce seront des perturbations de type entrées incon-
nues à effet additif sur l’entrée et/ou la sortie du système sans aucune connaissance a
priori sur leur modèle d’évolution. Nous supposerons qu’il n’existe pas de perturbations
de type interne (incertitudes paramétriques).

Afin d’expliquer les difficultés du diagnostic multi-défauts, considèrons un système linéaire

affecté par des défauts externes et des perturbations stochastiques défini de manière classique
par les relations suivantes

xk+1 = Axk + Buk + F dk + wk

(1.1)
yk = Cxk + vk

avec x ∈ Rn le vecteur d’état, y ∈ Rm le vecteur de mesures, u ∈ Rp le vecteur de commande,

F ∈ Rn×q la matrice de distribution des défauts et d ∈ Rq l’amplitude de défauts. wk et vk
représentent respectivement les bruits d’états et de mesures, supposés de moyenne nulle tels
que
(" # ) " #
ωk h T i W 0
E ωj υjT = δk,j (1.2)
υk 0 V

L’objectif de ce chapitre est de décrire les méthodes existantes dans la littérature permettant
la synthèse d’un générateur de résidus insensibles à l’état du système x ∈ Rn , sensibles aux
défauts d ∈ Rq et le moins sensibles possible aux bruits wk et vk . En d’autres termes,
les résidus générés devront être de moyenne nulle sans défaut, à minimum de variance et
si possible non corrélés. La présence d’un ou de plusieurs défauts devra se refléter sur le
 1.2 Espace de parité stochastique 17

résidu généré afin de permettre leur détection et leur isolation par un traitement statistique
approprié. Le diagnostic multi-défauts n’est pas toujours bien appréhendé : prenons l’exemple
de trois défauts hypothétiques f1 , f2 , f3 et d’un résidu à trois composantes r1 , r2 , r3 ayant
pour matrice d’influence

f1 f2 f3
r1 1 1 0
(1.3)
r2 1 0 1
r3 1 1 0

Le défaut f1 affecte les trois résidus, le défaut f2 affecte r1 et r3 et enfin f3 affecte r2 .

L’utilisation de ce résidu n’est valable que dans le cas mono défaut. Si le défaut f1 apparaı̂t
en premier sur le système, les autres ne seront plus détectables et isolables. La seule structure
adéquate pour le traitement multi-défauts mono-filtre est la structure diagonale suivante
(Commault, 1999)

f1 f2 f3
r1 1 0 0
(1.4)
r2 0 1 0
r3 0 0 1

Avec cette structure diagonale, les résidus générés reflètent alors directement l’amplitude
de chaque défaut permettant de simplifier considérablement leur traitement statistique. Les
nouvelles techniques de génération de résidus présentées dans ce mémoire satisferont cette
contrainte diagonale par l’inversion du système où les résidus générés produiront aussi les
estimations optimales de l’amplitude des défauts.
Ce chapitre présente trois approches disponibles dans la littérature pour le diagnostic
multi-défauts des systèmes dynamiques stochastiques. La première est celle proposée par
Gustafsson (2002) basée sur l’espace de parité ([Chow et Willsky, 1984],[Gertler, 1991]). La
deuxième est basée sur le filtre de Kalman associé au test du GLR (Generalized Likelihood
Ratio) [Willsky, 1976]. La troisième approche présentée, qui sera celle approfondie dans
ce mémoire, concernera la conception des filtres détecteurs de défauts robustes ([Park et
Rizzoni, 1994], [Keller, 1999]).

1.2 Espace de parité stochastique

1.2.1 Définition
Cette technique repose sur la notion de redondance directe ou analytique générée par la
prise en compte des mesures sur un espace d’observation d’ordre S comme suit
18 Chapitre 1 : Diagnostic des systèmes linéaires stochastiques

      
yk−S C 0 0 0 ... 0 uk−S
 yk−S+1   CA   CB 0 0 ... 0  uk−S+1 
      
      
 yk−S+2  =  CA2  xk−S +  CAB CB 0 ... 0  uk−S+2 (1.5)
      +
 ..   ..   .. .. ... ... ..  .. 
 .   .   . . .  . 
yk CAS CAS−1 B CAS−2 B . . . CB 0 uk
  
0 0 0 ... 0 dk−S
 CF 0 0 ... 0   
   dk−S+1 
  
 CAF CF 0 ... 0   
   dk−S+2  + (1.6)
 .. .. . . . . . . ..   .. 
 . . .  . 
S−1 S−2
CA F CA F . . . CF 0 dk
    
0 0 0 ... 0 wk−S vk−S
 C 0  
0 . . . 0   wk−S+1   vk−S+1  
 
    
 CA C 0 ... 0   wk−S+2  +  vk−S+2  (1.7)
    
 .. .. . . . . . . ..   ..   .. 
 . . .  .   . 
S−1 S−2
CA CA ... C 0 wk vk

Traduite sous une forme matricielle plus compacte, on a

Yk = Oxk−S + Hu Uk + Hd ∆k + Hw Υk + Γk (1.8)

Définissons le résidu suivant

rk = ϑT (Yk − Hu Uk ) (1.9)
T
= ϑ (Oxk−S + Hd ∆k + Hw Υk + Γk ) (1.10)

La matrice ϑ, appelée matrice génératrice des résidus, est choisie dans le but de rendre
le résidu indépendant de l’état. ϑ doit donc satisfaire la condition ϑT O = 0 et le résidu
s’exprime alors sous la forme

rk = ϑT (Hd ∆k + Hw Υk + Γk ). (1.11)

Pour le traitement multi-défauts, cette condition est nécessaire mais n’est pas suffisante
pour obtenir des résidus à structure diagonale.

1.2.2 Analyse stochastique

Définissons respectivement les matrices de covariance de Υk et Γk par cov(Υk ) = IS ⊗ W
et cov(Γk ) = IS ⊗V où l’opérateur ⊗ représente le produit de Kronecker. Supposons le défaut
 1.3 Filtre de Kalman et test du GLR 19

unitaire (kdi k = 1) et d’amplitude constante ∆k = ∆ik . On obtient alors

(rk /mdi ) = ϑT (Hw Υk + Γk + mHd ∆ik ) (1.12)

∈ N(m ϑT Hd ∆ik , ϑT Lϑ) (1.13)
| {z }
µi

où L = Hw (IS ⊗W )HwT +IS ⊗V, tel que chaque défaut est associé au vecteur µi de covariance
ϑT Lϑ. Gustafsson (2002) génère un résidu à variance minimale avec

r̄k = (ϑT Lϑ)−1/2 rk (1.14)

= (ϑT Lϑ)−1/2 ϑT (Yk − Hu Uk ) (1.15)
| {z }
ϑ̄T

et l’on obtient

(r̄k /mdi ) = ϑ̄T (Hw Υk + Γk + mHd ∆ik ) (1.16)

∈ N(m ϑ̄T Hd ∆ik , I) = N(mµ̄i ,I) (1.17)
| {z }
µ̄i

Un traitement par l’analyse en composante principale de ces résidus est alors nécessaire afin
d’extraire l’information relative à la présence d’un ou de plusieurs défauts.

1.2.3 Conclusion
Le technique de l’espace de parité permet difficilement la génération de résidus à structure
diagonale. Dans le cas pratique d’une fenêtre glissante avec le temps, les propriétés stochas-
tiques des résidus générés dépendent de la taille de la fenêtre considérée S, un paramètre
très difficile à déterminer d’un point de vue théorique.

1.3 Filtre de Kalman et test du GLR

Le principe de l’approche basée observateur est de reconstruire la sortie du système à par-
tir des mesures disponibles à l’aide d’un observateur ([Clarck (1979)], [Patton, Frank et Clark,
(1989)] dans le cas déterministe ou à l’aide d’un filtre de Kalman ([Willsky, (1976)],[Bas-
seville, (1988)] dans le cas stochastique. Dans le domaine des systèmes stochastiques, la
génération de résidus blancs à minimum de variance est basée sur le filtre de Kalman décrit
par

x̂k+1 = Ax̂k + Buk + Kk (yk − C x̂k ) (1.18)

Pk+1 = (A − Kk C)Pk (A − Kk C)T + W + Kk V KkT (1.19)
Hk = CPk C T + V (1.20)
Kk = APk C T Hk−1 (1.21)
20 Chapitre 1 : Diagnostic des systèmes linéaires stochastiques

où Pk est la matrice de covariance de l’erreur d’estimation d’état, Kk le gain du filtre et où

γk = yk − C x̂k (1.22)

représente la séquence d’innovation blanche du filtre.

1.3.1 Relation entre l’espace de parité et le filtre de Kalman

Ces deux approches ont un objectif commun, la détection et l’isolation de défaillances
via l’examination statistique des résidus générés. Dans le cas de l’espace de parité, le vecteur
résidu est un sous- espace engendré par les colonnes de ϑ. L’expression du résidu est donnée
par la relation

rk = ϑT (Yk − Hu Uk ) (1.23)

Via l’espace de parité, un estimateur d’état linéaire s’écrit

x̂k−S = R(Yk − Hu Uk ) ∈ N (xk−S ,RLRT ) (1.24)

et

rk = Yk − Ŷk (1.25)
= Yk − Ox̂k−S − Hu Uk (1.26)
= (I − OR)(Yk − Hu Uk ) (1.27)
= (I − OR)(Hw Υk + Γk + mHd ∆ik ) (1.28)
∈ N ((I − OR)(mHd ∆ik )),(I − OR)L(I − OR)T ) (1.29)

Après normalisation, on obtient

L−1/2 (Yk − Hu Uk ) = L−1/2 (Oxk−S + mHd ∆ik + Hw Υk + Γk ) (1.30)

On montre que

K KF = (L−1/2 O)+ = (OT L−1 O)−1 OT L−1/2 (1.31)

Le résidu du filtre de Kalman peut alors s’écrire

γk = ϑTKF (Yk − Hu Uk ) (1.32)

où ϑKF est une base formée par les lignes de ΣKF = I − O(OT S −1 O)−1 OT S −1 . On a ainsi
montré qu’il existe une certaine équivalence entre l’innovation du filtre de Kalman et le
résidu généré par l’espace de parité. Ceci n’est pourtant valable que sur une fenêtre de
dimension grandissante avec le temps. Dans le cas pratique d’une fenêtre de dimension finie
glissante avec le temps, les propriétés statistiques du résidu généré par l’espace de parité
ne correspondront pas aux propriétés statistiques optimales de la séquence d’innovation du
filtre de Kalman.
 1.3 Filtre de Kalman et test du GLR 21

1.3.2 Test du maximum de vraisemblance (GLR)

En parallèle au développement des observateurs, les approches statistiques ont commencé
à voir le jour au début des années 70. Mehra et Peschon (1971) proposent une procédure
de détection basée sur l’innovation du filtre de Kalman et l’application de tests statistiques
portant sur la moyenne, la blancheur et la covariance du résidu. Willsky et Jones (1974, 1976)
ont développé une stratégie de détection multi-défauts via l’application du test du maximum
de vraisemblance (Generalized Likelihood Ratio) sur l’innovation du filtre de Kalman.
Soit les modèles hypothétiques de défauts Hi suivants

xk+1 = Axk + Buk + fi (k,r)ν(k,r) + wk (1.33)

yk = Cxk + vk (1.34)

avec i ∈ [1,..,N ]. Les bruits d’état et de mesure sont gaussiens de moyennes nulles et non
corrélés. fi (k,r) est le vecteur de distribution des défauts, ν(k,r) l’amplitude du défaut sup-
posée ici constante est telle que ν(k,r) = ν{k ≥ r}, r étant l’instant d’apparition inconnu
du défaut. Dans cette section, nous décrivons une forme modifiée du test du GLR standard
prenant en compte le retard structurel du système (nous approfondirons cette notion au
chapitre III). Définissons les indices de détectabilité des sauts [Liu (1997), Keller (1999)] par

ρi = min{s : CAs−1 fi 6= 0, s = 1,2..} (1.35)

signifiant que la première information relative au défaut Hi sera présente sur les mesures
yr+ρi . L’effet additif du saut Hi sur l’erreur de prédiction ek+1 = xk+1 − x̂k+1 et sur la
séquence d’innovation γk = yk − C x̂k peut être exprimé comme suit

ek+1 = ẽk+1 + ζi (k + 1,r)ν (1.36)

γk = γ̃k+1 + ̺i (k,r)ν (1.37)

où ẽk+1 et γ̃k+1 représentent respectivement l’erreur de prédiction et la séquence d’innovation

en l’absence de défauts. Les trajectoires de pannes ζi (k,r) et ̺i (k,r) sont données par la
récurrence

ζi (k + 1,r) = (A − Kk C)ζi (k,r) + fi (1.38)

̺i (k,r) = Cζi (k,r) (1.39)

L’hypothèse Hi est alors confrontée à l’hypothèse sans défaut H0 sur la moyenne de l’inno-
vation

H0 : E(γt ) = 0, t < r (1.40)

Hi : E(γt ) = ̺i (t,r)ν, k ≥ t ≥ r, i ∈ [1,..,N ] (1.41)
22 Chapitre 1 : Diagnostic des systèmes linéaires stochastiques

Avec E{(γk−t − E(γk−t ))(γk − E(γk ))T = 0} ∀t < k, le rapport de vraisemblance est donné
par
à k
!
X
exp − 12 kγt − ̺i (t,r)νk2H −1
t
P (γri +ρi /hi ) . . . P (γk /hi ) t=r+ρi
λi (k,r,ν) = = Ã ! (1.42)
P (γri +ρi /h0 ) . . . P (γk /h0 ) Xk
exp − 21 kγt k2H −1
t
t=r+ρi

Basée sur γ0 , . . . ,γk , la prédiction de ν au sens du maximum de vraisemblance est calculée

à partir de
" k #−1 k
X X
T −1
ν̂(k + 1,r) = ̺i (t,r)Ht ̺i (t,r) ̺Ti (t,r)Ht−1 γt (1.43)
t=r+ρi t=r+ρi

Le logarithme du rapport de vraisemblance Ti (k,r) = 2log(λi (k,r,ν̂(k + 1,r))) s’exprime

Ti (k,r) = bi (k,r)2 ai (k,r)−1 (1.44)
X k
ai (k,r) = ̺Ti (t,r)Ht−1 ̺i (t,r) (1.45)
t=r+ρi
k
X
bi (k,r) = ̺Ti (t,r)Ht−1 γt (1.46)
t=r+ρi

La fonction de décision du GLR est finalement décrite comme suit

max {Ti (k,r̃ − ρi )} > ε (1.47)
i∈[1,... ,N ], r̃∈[0,... ,k]

où ε représente le seuil de décision. L’utilisation pratique du test du GLR impose de faire
varier l’instant d’apparition hypothétique du défaut sur une fenêtre glissante de taille S
définie par W = [k − S ≤ r̃ ≤ k]. Si max{Ti (k,r̃ − ρi } > ε alors un saut est détecté à
l’instant k et isolé par (j,ˆr̃) = argmax{Ti (k,r̃ − ρi )} avec r̂ = ˆr̃ − ρi l’estimation de l’instant
d’apparition du saut. Les quantités
ν̂(k + 1,r̂) = aj (k,r̂)−1 bj (k,r̂) (1.48)
P ν (k + 1,r̂) = aj (k,r̂)−1 (1.49)
représentent l’estimation optimale de l’amplitude du défaut au sens du maximum de vrai-
semblance. Le choix du seuil de détection est couplé avec le choix de la dimension de la
fenêtre glissante et leur calcul optimal reste encore actuellement un problème ouvert. Le
traitement multi-défauts de types séquentiels consiste alors à compenser l’effet de ce défaut
par la réactualisation de l’estimation d’état du filtre de Kalman afin d’accroı̂tre son adapta-
tivité face à la nouvelle situation du système. La nouvelle initialisation du filtre est donnée
par
x̂nouveau
k+1 = x̂ancien
k+1 + ζj (k + 1,r̂)ν̂(k + 1,r̂) (1.50)
nouveau ancien
Pk+1 = Pk+1 + ζj (k + 1,r̂)P ν (k + 1,r̂)ζj (k + 1,r̂)T (1.51)
 1.4 Filtres de détection 23

Cette technique d’adaptation pose un problème majeur relatif à l’adéquation du filtre par
rapport à la nouvelle situation du système. En présence d’un ou de plusieurs défauts, le
filtre de Kalman toujours conçu sous l’hypothèse sans défaut ne permet pas leur réjection
statistique au cours du temps sans changement du modèle de conception du filtre.

1.3.3 Conclusion

Dans cette partie, le diagnostic multi-défauts des systèmes stochastiques a été abordé
par le biais du filtre de Kalman et du test du GLR. Sur le test du GLR, nous avons pris
en compte les indices de détectabilité des biais qui seront utilisés à la section suivante dès
la conception du filtre. Dans le contexte multi-défauts, cette technique est très difficile à
implémenter car elle nécessite l’adaptation du filtre de Kalman après chaque détection et
localisation d’un défaut. La troisième partie de ce chapitre va s’orienter vers une autre
catégorie de techniques de générations de résidus appelées filtres de détection, une structure
spéciale du filtre de Kalman permettant la génération de résidus directionnels afin d’éviter
la phase de reconfiguration du filtre de Kalman après chaque détection et localisation d’un
défaut et donc de simplifier la phase de décision.

1.4 Filtres de détection

Le filtre détecteur de défauts est une classe particulière d’observateurs d’ordre plein
permettant la génération d’un résidu directionnel et la détection et l’isolation de plusieurs
défauts dans le cas où ceux-ci apparaissent séquentiellement ou simultanément.
Par une approche intuitive, Beard (1971) a été le premier à introduire la théorie des filtres
détecteurs. Par la suite, Massoumnia a formalisé la solution du problème à l’aide d’une
synthèse géométrique. La synthèse du filtre a ensuite été réalisée par White et Speyer (1987)
via une approche spectrale et par Park et Rizzoni (1994) par un placement de valeurs et de
vecteurs propres de la matrice de transition du filtre. Le point commun entre ces approches
est la construction des espaces de détection associés à chaque défaut. La dimension de l’es-
pace de détection est une propriété structurelle importante du système. Dans Beard (1971),
l’espace de détection est engendré par un générateur de détection. Ce problème a été résolu
par Kim et Park (1999) en se basant sur une analyse structurelle des zéros invariants du
système. Pour permettre la synthèse des filtres détecteurs au cas des systèmes stochastiques,
une interprétation particulière du filtre détecteur a été proposée par Park et Rizzoni (1994.a)
et utilisée par Park et Rizzoni (1994.b) pour son optimisation dans le contexte stochastique.
24 Chapitre 1 : Diagnostic des systèmes linéaires stochastiques

1.4.1 Filtre détecteur H2 sur un horizon infini

Nous rappelons ici succinctement le filtre détecteur proposé par Park et Rizzoni (1994.b).
Soit le système stochastique linéaire discret suivant

xk+1 = Axk + Buk + F dk + wk

(1.52)
yk = Cxk + vk
avec x ∈ Rn le vecteur d’état, y ∈ Rm le vecteur de mesures, u ∈ Rp le vecteur de com-
mande, F ∈ Rn×q la matrice de distribution des défauts d’actionneurs et d ∈ Rq l’amplitude
de défauts. wk , vk représentent respectivement les bruits d’états et de mesures, supposés de
moyenne nulle tels que

(" # ) " #
ωk h i W 0
E ωjT υjT = δk,j (1.53)
υk 0 V

Soit l’observateur d’état suivant

(
x̂k+1 = Ax̂k + Buk + K(yk − C x̂k )
(1.54)
qk = yk − C x̂k
où x̂k et qk représentent respectivement l’estimation d’état et le résidu de sortie du filtre.
L’erreur d’estimation ek = xk − x̂k et le résidu de sortie sont donnés par
(
ek+1 = (A − KC)ek + F dk − Kυk + ωk
(1.55)
qk = Cek + υk
L’objectif est la génération d’un résidu qk directionnel tel que chaque défaut fi ait une
direction fixe dans l’espace de sortie. Sous cette contrainte directionnelle, les résidus générés
doivent être à variance minimale afin de permettre leur traitement statistique optimal. La
première étape de l’approche proposée par Park et Rizzoni (1994) consiste à définir la
contrainte spectrale que doit respecter la matrice de transition du filtre. Cette contrainte
spectrale peut être déterminée comme dans Kim et Park (1999) en se basant sur une analyse
structurelle des zéros invariants du transfert C[Iz − A]−1 F . Pour simplifier la présentation,
on suppose ici que l’espace de détection est généré par Vν = F (pour le cas général, voir
annexe A). Le gain du filtre est alors paramétré comme suit

K = (AF )(CF )+ + Vν K+ + K̄Ξ (1.56)

avec Ξ = (I − (CF )(CF )+ ) où les gains K+ et K̄ représentent les degrés de liberté qui
restent disponibles pour l’optimisation du filtre. La deuxième étape consiste à minimiser la
trace de la matrice de covariance des erreurs d’estimation P satisfaisant l’équation

(A − KC)P (A − KC)T − P + KRK T + Q = 0 (1.57)

 1.4 Filtres de détection 25

par rapport à K+ et K̄. La solution de ce problème est donnée par

K = AP C T (CP C T + R)−1 + φ⊥ [(AF )(CF )+ − AP C T (CP C T + R)−1 ]ψ⊥ (1.58)

où

φ = Vν (VνT PeVν )−1 VνT Pe ,φ⊥ = In − ψ

T T T −1 T
(1.59)
ψ = (CP C + R)Ξ[Ξ (CP C + R)Ξ] Ξ ,ψ⊥ = Im − ψ

avec P et Pe satisfaisant les deux équations de Riccati suivantes

0 = AP AT − P − AP C T (CP C T + R)−1 CP A + Q + φ⊥ [(AF )(CF )+ − AP C T (CP C T + R)−1 ]

×ψ⊥ (CP C T + R)ψ⊥
T
[(AF )(CF )+ − AP C T (CP C T + R)−1 ]T φT⊥
(1.60)

0 = ĀT PeĀ − Pe − ĀT φT PeφĀ

(1.61)
+AT (I − P C T (CP C T + R)−1 C)T φT Peφ(I − P C T (CP C T + R)−1 C)A + R
e

où Ā = A − (AF )(CF )+ ψ⊥ C − AP C T (CP C T + R)−1 ψC

Le problème principal lié à cette approche est la recherche itérative de la solution de ces
deux équations couplées ainsi que la détermination des conditions d’existence d’une solution
stabilisante non définie explicitement par Park et Rizzoni (1994.b).

Le filtre détecteur que nous allons décrire maintenant permet de définir explicitement
l’existence d’une solution stabilisante garantissant la génération de résidus directionnels
stable permettant de s’affranchir de l’erreur d’estimation initiale.

1.4.2 Filtre détecteur H2 sur un horizon fini

Dans ce paragraphe, nous présentons d’une manière différente les résultats de Keller
(1999) permettant non seulement la génération d’un résidu de sortie directionnel mais aussi
la génération d’un résidu reflétant directement l’amplitude des défauts.
Soit le système stochastique linéaire discret suivant

xk+1 = Axk + Buk + F dk + wk

(1.62)
yk = Cxk + vk

avec x ∈ Rn le vecteur d’état, y ∈ Rm le vecteur de mesures, u ∈ Rp le vecteur de com-

mande, F ∈ Rn×q la matrice de distribution des défauts d’actionneurs et d ∈ Rq l’amplitude
de défauts. wk , vk représentent respectivement les bruits d’état et de mesures, supposés de
moyennes nulles tels que
26 Chapitre 1 : Diagnostic des systèmes linéaires stochastiques

(" # ) " #
ωk h i W 0
E ωjT υjT = δk,j (1.63)
υk 0 I
On considère le filtre suivant
x̂k+1 = Ax̂k + Buk + K(yk − C x̂k )
(1.64)
dˆk = L(yk − C x̂k )
Par rapport à Park et Rizzoni (1994), on note la présence d’un gain de sortie L de di-
mension (q,m). L’objectif est le calcul des gains L et K tels que la fonction de transfert entre
les défauts dk et dˆk satisfasse l’équation suivante

F (z) = LC[Iz − (A − KC)]−1 F = ξ(z) (1.65)

³ ´
avec ξ(z) = diag z −ρ1 . . . z −ρi . . . z −ρq où ρi est l’indice de détectabilité associé au
défaut fi défini par

ρi = min{s : CAs−1 fi 6= 0, s = 1,2..} (1.66)

Sous (1.65), la sortie déterministe du filtre est décrite par
h iT
dˆk = dTk−ρ1 .. dTk−ρi .. dTk−ρq + LC(A − KC)k e0 (1.67)

ou encore dˆik = dik−ρi après la disparition de l’effet de l’erreur d’estimation initiale e0 =

x0 − x̂0 garantie sous les conditions de convergence et de stabilité du filtre définies plus tard.
L’objectif est de calculer K et L tel que
 
z −ρ1 ... 0 ... 0
 . .. .. 
 .. ... . ... . 
 
 
F (z) = LC[Iz − (A − KC)]−1 F =  0 ... z −ρi ... 0  , (1.68)
 . .. 
.. 
 .
 . ... . ... . 
−ρq
0 ... 0 ... z
Sous l’assignation spectrale deadbeat suivante
(A − KC)D = 0 (1.69)
où D = [Aρ1 −1 f1 ...Aρi −1 fi ...Aρq −1 fq ], la fonction de transfert F (z) devient
 
z −ρ1 ... 0 ... 0
 . .. .. 
 .. ... . ... . 
 
 
F (z) = LΨ  0 ... z −ρi ... 0  , (1.70)
 . .. .. 
 . 
 . ... . ... . 
0 ... 0 ... z −ρq
 1.4 Filtres de détection 27

où Ψ = CD. L’équation (1.65) est alors satisfaite ssi

LΨ = I (1.71)

Sous la condition d’existence du filtre

rang(Ψ) = q (1.72)

les solutions de (1.69) et (1.71) peuvent être paramétrées par

K = ωΠ + K̄k Σ (1.73)

L=Π (1.74)

avec Σ = β(I − ΨΠ), Π = Ψ+ et ω = AD où β est une matrice arbitraire choisie telle que
rang(Σ) = m − q et où K̄k ∈ ℜn,m−q représente le gain libre décrivant les degrés de liberté
restant disponibles pour l’optimisation du filtre. Le gain libre est calculé afin de minimiser
la trace de la matrice de covariance P̄k définie par

P̄k = E((ek − E(ek )(ek − E(ek )T ) (1.75)

Le terme ēk = (ek − E(ek )) représente l’erreur d’estimation d’état sans défaut décrite par

ēk+1 = (A − KC)ēk + wk − Kvk (1.76)

En remplaçant le gain K par son expression K = ωΠ + K̄k Σ dans l’équation précédente on

obtient

ēk+1 = (A − (ωΠ + K̄k Σ)C)ēk + wk − (ωΠ + K̄k Σ)vk (1.77)

La matrice de covariance de l’erreur d’estimation P̄k = E(ēk ēTk ) satisfait

P̄k+1 = (A − (ωΠ + K̄k Σ)C)P̄k (A − (ωΠ + K̄k Σ)C)T + W + (ωΠ + K̄k Σ)(ωΠ + K̄k Σ)T
(1.78)

La trace de P̄k est minimale par rapport K̄k si et seulement si

−(A − (ωΠ + K̄k Σ)C)P̄k C T ΣT + (ωΠ + K̄k Σ)ΣT = 0 (1.79)

ou si et seulement si

K̄k = (AP̄k C T − ωΠHk )ΣT (ΣHk ΣT )−1 (1.80)

avec Hk = C P̄k C T + I. L’équation de Ricatti du filtre détecteur

P̄ = (Ā − K̄ C̄)P̄ (Ā − K̄ C̄)T + W̄ + K̄ V̄ K̄ T (1.81)

28 Chapitre 1 : Diagnostic des systèmes linéaires stochastiques

possède une solution P̄ stabilisante (poles de Ā − K̄ C̄ à l’intérieur du cercle unité), et avec

P0 = P̄0 > 0, la séquence Pk converge exponentiellement vers P ssi la paire (Ā,C̄) est
détectable et ssi il n’existe pas de mode non commandable de la paire (Ā,W̄ ) sur le cercle
unité. Par rapport au système d’origine, Keller (1999) a donné les conditions de convergence
et de stabilité suivantes

" #
zI − A D
rang = n + q, |z| ≥ 1. (1.82)
C 0
et
h i
rang jw 1/2 = n, w ∈ [0,2π] (1.83)
−e I + A D W

Le filtre isolateur est donc résumé comme suit

x̂k+1 = Ax̂k + Buk + wqkr + K̄k γk (1.84)

P̄k+1 = (A − K̄k Ĉ)P̄k (A − K̄k Ĉ)T + K̄ V̄ K̄ T + W̄ (1.85)

K̄ = ĀP̄k Ĉ T (C̄ P̄ C̄ T + V̄ )−1 (1.86)

avec

Ā = A − wΠC, C̄ = ΣC, V̄ = ΣΣT , W̄ = W + wΠΠT wT (1.87)

et

γk = Σ(yk − C x̂k ) (1.88)

qkr = Π(yk − C x̂k ) (1.89)

où γk ∈ ℜm−q est le résidu découplé des défauts représentant l’innovation du filtre et qkr ∈
ℜq le résidu sensible aux défauts produisant une estimation de leurs amplitudes à temps
minimale lié à leurs indices de détectabilité.
En raison de la paramétrisation L = Π simpliste du gain de sortie, ce filtre ne génère pas
une estimation de l’amplitude des défauts à minimum de variance. Un des objectifs de nos
travaux sera de remédier à ce problème. Le schéma d’implémentation de ce filtre est donné
par la figure 1.1.
Pour illustrer cette approche considérons le système discret suivant:
   
λ1 1 0 0 1 0  
 0 λ 1 1  h i  0 0  1 0 0 0
 2     
A=  , F = f1 f2 =  , C =  0 1 0 0  (1.90)
 0 0 λ3 1   0 0 
0 0 1 0
0 0 0 λ4 0 1
 1.5 Conclusion 29

w d v

u y
+
Système +



q
Π
+ x̂+  x̂ ŷ + r
+ retard C −
+
γ
Σ

+ K
+

Fig. 1.1 – Implémentation du filtre isolateur

La condition d’existence des observateurs à entrées inconnues n’est pas satisfaite car
 
1 0
 
rangCF =  0 0  = 1 < 2 (1.91)
0 0

En revanche, la condition d’existence du filtre isolateur de défauts est vérifiée car

 
h i 1 0
 
rang CAρ1 −1 f1 CAρ2 −1 f2 = rang  0 1  = 2 (1.92)
0 0

avec ρ1 = min{t : CAt−1 f1 6= 0, t = 1,2..} = 1 et ρ2 = min{t : CAt−1 f2 6= 0, t = 1,2..} = 2

Il existe pourtant des cas où la condition d’existence du filtre isolateur n’est pas vérifié.
On le vérifiera au chapitre suivant.

1.5 Conclusion
Ce chapitre a présenté deux approches différentes pour la synthèse d’un filtre de détection
dans le cas des systèmes dynamiques stochastiques. Basés sur les travaux de Keller (1999),
les objectifs du chapitre suivant seront
30 Chapitre 1 : Diagnostic des systèmes linéaires stochastiques

∗ de concevoir un filtre détecteur sous une condition d’existence moins restrictive que
rang(Ψ) = q en se basant sur une analyse des zéros infinis du transfert C[Iz − A]−1 F ,

∗ d’obtenir une estimation des défauts à variance minimale,

∗ de prendre en compte la présence éventuelle de perturbations déterministes telles que

des entrées inconnues,

∗ d’étudier les propriétés structurelles du filtre de détection afin d’expliquer sa struc-

ture deadbeat (dans l’espace de détection) permettant d’éviter la résolution de deux
équations de Riccati couplées de Park et Rizzoni (1994.b).
 31

Chapitre 2

Filtre de détection basé sur l’inversion

du système

Nous proposons dans ce chapitre une nouvelle approche de synthèse d’un filtre de détection
basée sur l’inversion du système. La condition d’existence du filtre, moins restrictive que celles
rencontrées dans le chapitre précédent, correspondra à la condition d’existence d’une inverse
à gauche stable. Le calcul de l’inverse à gauche du système sera effectué par l’intermédiaire
de la matrice d’intéraction du système décrivant la structure des zéros infinis du système.
La structure des zéros à l’infini ne sera plus contrainte de respecter une structure diagonale
et l’estimation temps minimal des amplitudes de défauts sera à minimum de variance par
l’introduction d’un degré de liberté supplémentaire sur le gain de sortie du filtre. L’analyse
structurelle du filtre permettra de montrer que le filtre détecteur génère une estimation op-
timale réduite de l’état du système de dimension maximale. Une version simplifiée de ce
filtre sera obtenue pour le diagnostic multi-défauts des systèmes dynamiques stochastiques
affectés par des entrées inconnues.

2.1 Filtre de détection sans entrée inconnue

Le problème de la reconstruction des défauts est lié au problème du calcul de l’inverse à

gauche du système. Ce lien a été montré par Hou et Patton (1998) dans le cas continu. Nous
proposons la conception d’un filtre détecteur produisant une estimation des défauts à variance
minimale satisfaisant E(dˆk ) = dk−α où α est le temps de retard structurel du système défini
par ses zéros infinis. Après la paramétrisation de l’inverse à gauche du système, les degrés
de liberté restant disponibles sont calculés pour minimiser la norme H2 du transfert entre
les bruits et la sortie du filtre. Cette sortie sera filtrée par un filtre à réponse impulsionnelle
finie permettant la remise en forme du signal de sortie.
32 Chapitre 2 : Filtre de détection basé sur l’inversion du système

2.1.1 Position du problème

Considérons le système linéaire suivant :

xk+1 = Axk + F dk + Hwk

(2.1)
yk = Cxk + N dk + Gwk

avec x ∈ Rn le vecteur d’état, y ∈ Rm le vecteur de mesures, d ∈ Rq le vecteur de défauts.

Chaque composante de dk représente un défaut qui peut apparaı̂tre simultanément sur l’état
et/ou sur les mesures. wk est un bruit blanc gaussian tel que E{wk wjT } = Iδkj affectant à la
fois l’état et les mesures. On suppose rang(F ) = q, rang(G) = m, q ≤ m,
" #
zI −A F
rang = n + q,∀z ∈ C, | z |≥ 1 (2.2)
C N

" #
−ejw I + A F H
rang = n + m, ∀w ∈ [0,2π] (2.3)
C N G

Considérons le filtre suivant

ẑk+1 = Aẑk + K(yk − C ẑk ) (2.4)

où ẑk+1 est la prédiction de x̂k+1 basée sur les mesures disponibles jusqu’à l’instant k, K le
gain du filtre et L le gain de projection du résidu

rk = L(yk − C ẑk ) (2.5)

où rk et dk sont de même dimension.

Soit Hd (z) = C(Iz − A)−1 F + N et Hw (z) = C(Iz − A)−1 H + G respectivement les
fonctions de transfert entre d(z), w(z) et y(z) et G(z) = L(I − C[Iz − (A − KC)]−1 K) la
fonction de transfert du filtre. On distinguera deux cas:

Premier cas : avec rang(N ) = q, les mesures qui sont affectées directement par les
défauts apportent une information suffisante pour la reconstruction sans retard du vecteur
défaut. La reconstruction des défauts peut alors être obtenue par le calcul de G(z) tel que
le résidu de sortie réduit soit donné par

r(z) = d(z) + G(z)Hw (z)w(z) (2.6)

sous la contrainte G(z)Hd (z) = I où G(z) représente alors l’inverse à gauche de Hd (z). Les
degrés de liberté restant disponibles sur K et L après la paramétrisation de G(z)Hd (z) = I
seront calculés dans le but de minimiser kG(z)Hw (z)k2 où kF (z)k2 est la norme au sens H2
Rπ
définie par kF (z)k22 = 1/2π −π tr[F (ejθ )F ∗ (e−jθ )] avec F ∗ (ejθ ) = F T (e−jθ ) . Dans ce cas, la
 2.1 Filtre de détection sans entrée inconnue 33

prédiction ẑk+1 sera la prédiction optimale de l’état entier xk+1 .

Deuxième cas : si rang(N ) < q, nous généralisons les résultats précédents. Le résidu
ˆ
rk sera filtré par un filtre à réponse impulsionnelle finie ξ(z) ˆ
tel que r̂(z) = ξ(z)r(z) soit
exprimé par

ˆ
r̂(z) = z −α d(z) + ξ(z)G(z)H w (z)w(z) (2.7)

ˆ
sous la contrainte ξ(z)G(z)H d (z) = Iz
−α ˆ
où ξ(z)G(z) représente l’inverse à gauche à temps
minimal de Hd (z). Les degrés de liberté restant disponibles sur K et L seront calculés dans le
° °
ˆ
but de minimiser °ξ(z)G(z)H °
w (z) 2 . Dans ce cas, la prédiction ẑk+1 ne sera pas la prédiction
optimale de l’état entier xk+1 . Une analyse structurelle permettra de montrer que ẑk+1 sera
la prédiction optimale d’une partie réduite de l’état xk+1 de dimension maximum.

2.1.2 Premier cas: Reconstructeur parfait

Le filtre de détection présenté dans ce paragraphe ne possèdera pas d’espace de détection
car l’espace maximum de prédiction couvre tout l’état. Le lecteur peut considérer que le
filtre décrit dans cette partie est un filtre détecteur à espace de détection nul.

[Link] Paramétrisation des inverses à gauche du système

Théorème 1 Pour un système défini par Γ = (A,F,C,N ) avec rang(N ) = q, l’inverse à

gauche de Hd (z) donnée par G(z) = L[I − C[Iz − (A − KC)]−1 K] telle que

G(z)Hd (z) = I (2.8)

peut être paramètrée par K̄ ∈ ℜn,m−q et L̄ ∈ ℜq,m−q telle que

K = F N + + K̄Σ, L = N + + L̄Σ (2.9)

avec Σ = β(I − N N + ) où β est une matrice arbitraire choisie telle que rang(Σ) = m − q.
Sous les conditions énoncées précédemment, il existe un gain K̄ tel que le filtre sous sa forme
d’état suivante
à " # " # !
N + C + L̄C̄ I
Γ(K̄) = Ā − K̄ C̄, 0, , (2.10)
C̄ 0

avec Ā = A − F N + C et C̄ = ΣC soit stable. L’état du système Γ(K̄) n’est pas affecté par
dk et l’état ẑk du filtre représente donc la prédiction non biaisée de l’état entier xk .
34 Chapitre 2 : Filtre de détection basé sur l’inversion du système

Démonstration 1 Si m = q, alors K̄ = 0, L̄ = 0 et la contrainte G(z)Hd (z) = I est

satisfaite avec K = F N −1 et L = N −1 (Solution donnée par Pattel (1982)).
Si m > q, le système (2.1) en l’absence de bruits peut s’écrire

x∗k+1 = Ax∗k + F dk (2.11)

" # " # " #
N+ N +C I
yk = x∗k + dk (2.12)
Σ C̄ 0
ou

x∗k+1 = Ax∗k + F dk (2.13)

N + yk = N + Cx∗k + dk (2.14)
Σyk = C̄x∗k (2.15)

En remplaçant dk obtenu avec (2.14) dans (2.13), on obtient

x∗k+1 = Āx∗k + F N + yk (2.16)

N + yk = N + Cx∗k + dk (2.17)
Σyk − C̄x∗k = 0 (2.18)

En additionnant les quantités nulles K̄Σ(yk − Cx∗k ) et L̄Σ(yk − Cx∗k ) dans (2.16) et (2.17),
on obtient

x∗k+1 = (Ā − K̄ C̄)x∗k + (F N + + K̄Σ)yk (2.19)

dk = (N + + L̄Σ)(yk − Cx∗k ) (2.20)

On déduit de (2.19) et (2.20) que la réalisation d’état {Ā − K̄ C̄, F N + + K̄Σ, − (N + C +

L̄C̄), N + + LC} représente l’ensemble des inverses à gauche (d’ordre n) de Hd (z). En posant
x∗k = ẑk et dk = rk , le filtre (2.4) de fonction de transfert G(z) = L(I −C[Iz −(A−KC)]−1 K)
décrivant l’inverse à gauche de Hd (z) est donc paramétrée à l’aide de deux gains K =
F N + + K̄Σ et L = N + + L̄Σ. En remplaçant ces gains dans (2.4) et (2.5), on obtient le filtre
suivant

ẑk+1 = Āẑk + F N + yk + K̄γk (2.21)

γk = Σyk − C̄ ẑk (2.22)
rk = (N + + L̄Σ)(yk − C ẑk ) (2.23)

On a ΣN = 0 et F − KN = 0. En l’absence du bruit, l’erreur de prédiction ek = xk − ẑk est

donc donnée par

ek+1 = (Ā − K̄ C̄)ek (2.24)

rk = (N + C + L̄C̄)ek + dk (2.25)
γk = C̄ek (2.26)
 2.1 Filtre de détection sans entrée inconnue 35

à " # " # !
N + C + L̄C̄ I
où Γ(K̄) = Ā − K̄ C̄,0, , est la représentation de (2.24), (2.25)
C̄ 0
et (2.26). L’erreur de prédiction ek n’est pas affectée par le défaut dk et l’état du filtre ẑk+1
correspond à la prédiction de l’état entier xk+1 .
 
" # I 0 " #" #
−Iz + A F  " #  −Iz + A F I 0
On a rang = rang  N+  =
C N 0 C N −N + C I
Σ
 
−Iz + Ā F " #
  N+
rang  0 I  car est inversible pour un β choisit tel que rang(Σ) = m − q.
Σ
C̄ 0
Les
 modes inobservables
 de la paire (Ā,C̄) sont les zéros invariants de Γ = (A,F,C,N )
−Iz + Ā F " #
  −Iz + Ā
( 0 I  n’est pas de rang pleine colonne ssi rang < n). Sous la
C̄
C̄ 0
" #
−Iz + Ā
condition (2.2), on a rang = n, ∀z ∈ C, |z| ≥ 1, la paire (Ā,C̄) est donc
C̄
détectable et il existe K̄ tel que Ā − K̄ C̄ soit stable.

[Link] Optimisation de l’inverse à gauche au sens H2

Théorème 2 : Sous (2.8), la norme H2 de G(z)Hw (z) est minimum par rapport aux pa-
ramètres libres K̄ et L̄ ssi

K̄ = (ĀP C̄ T + H̄ ḠT )(C̄P C̄ + ḠḠT )−1 (2.27)

L̄ = −(N + CP C̄ T + N + GḠT )(C̄P C̄ T + ḠḠT ) (2.28)

avec Ā = A−F N + C, H̄ = H −F N + G, C̄ = ΣC et Ḡ = ΣG où P > 0 solution de l’équation

de Riccati

P = ĀP ĀT + H̄ H̄ T − (ĀP C̄ T + H̄ ḠT )−1 (C̄P C̄ T + ḠḠT )−1 (ĀP C̄ T + H̄ ḠT ) (2.29)
° °2
est l’unique solution stabilisante (Ā − K̄ C̄ stable) sous (2.2) et (2.3). On a °G(z)Hw (z)°2 =
tr(J) avec

J = N + [CP C T + GGT − (CP C̄ + GḠT )(C̄P C̄ T + ḠḠT )−1 (C̄P C T + ḠGT )](N + )T (2.30)

Démonstration 2 En absence de défauts dk , la sortie du filtre rk et l’erreur de l’estimation

ek sont exprimées par

ek+1 = (A − KC)ek + (H − KG)wk (2.31)

rk = L(Cek + Gwk ) (2.32)
36 Chapitre 2 : Filtre de détection basé sur l’inversion du système

Soit P = E(ek eTk ) la matrice de covariance de l’erreur de l’estimation satisfaisant

P = (A − KC)P (A − KC)T + (H − KG)(H − KG)T (2.33)

En remplaçant K = F N + + K̄Σ dans l’expression précédente, on obtient

P = (Ā − K̄ C̄)P (Ā − K̄ C̄)T + (H̄ − K̄ Ḡ)(H̄ − K̄ Ḡ)T (2.34)

Le gain K̄ minimisant la trace de P est donné par

K̄ = (ĀP C̄ T + H̄ ḠT )(C̄P C̄ T + ḠḠT ) (2.35)

avec ḠḠT = ΣGGT ΣT > 0 (car G et Σ sont de rang pleine ligne). En remplaçant (2.35)
dans (2.34) on obtient (2.29).

Pour montrer que P est une solution stabilisante, (2.34) peut s’écrire sous la forme d’une
équation de Ricatti standard

P = ÃP ÃT + Q̃ − ÃP C̃ T (C̄P C̄ T + ḠḠT )C̄P ÃT (2.36)

avec à = Ā − H̄ ḠT (ḠḠ)−1 C̄ et Q̃ = H̄ H̄ T − H̄ ḠT (ḠḠT )ḠH̄ T . Démontrée dans Keller et

Darouach (1998) via les travaux de De souza et al. (1986), la détectabilité de la paire (Ã,C̄)
est équivalente à (2.2) et la non existence de modes non commandables de la paire (Ã,Q̃1/2 )
sur le cercle unité est garantie sous (2.3) induisant une unique solution stabilisante.
Soit J = E(rk rkT ) la matrice de covariance donnée par
" # " #
h i N+ h i I
J = I L̄ (CP C T + GḠT ) (N + )T ΣT (2.37)
Σ L̄T

où (CP C T + GGT ) est la matrice de covariance du résidu yk − C ẑk . De (2.37), la trace de J
est minimum par rapport à K̄ et L̄ ssi

L̄ = −N + (CP C̄ T + GḠT )(C̄P C̄ T + ḠḠT )−1 (2.38)

° °2
En remplaçant (2.38) dans (2.37), on obtient °G(z)Hw (z)°2 = tr(J) (fin dem).

Due aux effets additifs de l’erreur d’estimation initiale e0 = x0 − ẑ0 et du défaut dk , on a

J = E{(rk − E(rk )(rk − E(rk )T } où E(rk ) = dk + (N + C + L̄C̄)(Ā − K̄ C̄)k e0 . Notre solution
stabilisante implique E(rk ) = dk à la convergence du filtre.

2.1.3 Deuxième cas: Reconstructeur à temps minimum

Avant d’étendre les théorèmes 1 et 2 au cas le plus général des systèmes dynamiques
Γ = (A,F,C,N ) avec rang(N ) < q, on propose le lemme suivant:
 2.1 Filtre de détection sans entrée inconnue 37

Lemme 1 Sous la contrainte (2.2), le retard α du système égal au nombre de zéros

infinis du transfert Hd (z) est donné par le degré de la matrice d’interaction unitaire ξ(z)
(une matrice polynomiale telle que ξ(z)ξ ∗ (z) = I) satisfaisant

Ĥd (z) = Hd (z)ξ(z) = C(Iz − A)−1 F̂α + N̂α (2.39)

avec rang(N̂α ) = q. La matrice unitaire d’interaction ξ(z) ainsi que F̂α et N̂α peuvent être
calculées par l’algorithme de Silverman (1969) rappelé en annexe B.

Preuve Supposant que l’algorithme d’inversion de Silverman soit appliqué pour cal-
culer l’inverse à droite du système transposé ΓT = (AT ,C T ,F T ,N T ) où HdT (z) = F T (Iz −
AT )−1 C T +N T . La matrice d’interaction ξ T (z) unitaire (ξ T (z)[ξ T (z)]∗ = I) telle que ĤdT (z) =
ξ T (z)HdT (z) = [F̂αT (Iz − AT )−1 C T + N̂αT ] est alors obtenue. En transposant ces résultats, on
obtient la matrice d’interaction unitaire ξ(z) = ξ0 (z)ξ1 (z) . . . ξα−1 (z) satisfaisant (2.39). Pour
montrer que (2.2) est la condition d’existence de ξ(z), définissons le rang-normal de la matrice
du système par
" # " #
−Iz + A F −Iz + A F
rang − normal = rang , ∀z ∈/ σ(z) (2.40)
C N C N

où σ(z) est l’ensemble de valeurs propres de A. On peut vérifier que

" # " #
−Iz + A F −Iz + A 0
rang − normal = rang − normal (2.41)
C N C Hd (z)

conduisant à rang −normal(Hd (z)) = q sous (2.2) décrivant la condition pour que le système
soit à minimum de phase. Dans Wolowich et Falb (1976) rang − normal(Hd (z)) = q est la
condition d’existence d’une matrice d’interaction.

Lemme
" 2 Sous la#condition"(2.2), l’entier α#est fini et
−Iz + A F̂α −Iz + A F
rang = rang .
C N̂α C N
 
" # I 0 z −1 F̄i
I 0  
Preuve Soit Mi (z −1 ) =  0 Iq i 0  la matrice unimodulaire telle que
0 Si
0 0 Iq−qi
Γi+1 (z) = Γi (z)Mi (z ) où Γi (z) représente le système à la ieme étape de l’algorithme
−1

de Silverman
" de l’annexe# B. A l’étape finale " α, cette équation
# "récursive initialisée
# par
−Iz + A F −Iz + A F̂α −Iz + A F
Γ0 (z) = donne Γα (z) = = Q(z −1 )
C N C N̂α C N
" #
I ×
où Q(z −1 ) = F0 (z −1 )F1 (z −1 )..Fα−1 (z −1 ) = avec Sα = S0 S1 ..Sα−1 conduisant à la
0 Sα
38 Chapitre 2 : Filtre de détection basé sur l’inversion du système

relation de rang
" # " #
−Iz + A F̂α −Iz + A F
rang = rang ∀z, |z| < ∞. (2.42)
C N̂α C N
" #
I 0
Dans le cas limite où |z| → ∞, on a Q(z −1 ) → , F̂α → F Sα , N̂α → N Sα et donc
0 Sα
" # " # " #
−Iz + A F̂α −Iz + A F Sα −Iz + A F
lim rang = lim rang = lim rang
|z|→∞ C N̂α |z|→∞ C N Sα |z|→∞ C N
(2.43)
" # " #
−Iz + A F̂α −Iz + A F
car Sα est inversible. On conclut que rang = rang ∀z.
C N̂α C N
ˆ = z −α ξ(z) où α est le
Définissons le filtre à réponse impulsionnelle finie (FIR) par ξ(z)
degré de ξ(z). Le théorème 3 va généraliser le théorème 2 au cas des systèmes dynamiques
ˆ
à retard par le filtrage de la sortie du filtre par ξ(z).

ˆ
Théorème 3 Les inverses à gauche temps minimal ξ(z)G(z) de Hd (z) satisfaisant l’équation

ˆ
ξ(z)G(z)H d (z) = Iz
−α
(2.44)

sont paramètrées par K̂ ∈ ℜn,m−q et L̂ ∈ ℜq,m−q avec

K = F̂α N̂α+ + K̂ Σ̂ et K = N̂α+ + L̂Σ̂ (2.45)

et Σ̂ = β̂(I − N̂α N̂α+ ) où β̂ est une matrice arbitraire telle que rang(Σ̂) = m − q. Sous (2.2)
il existe K̂ tel que le filtre décrit par
à " # " # !
N̂α+ C + L̂Ĉ N̂α+ N
Γ(K̂) = Â − K̂ Ĉ, F̂ , , (2.46)
Ĉ 0

avec  = A − F̂α N̂α+ C, Ĉ = ΣC et F̂ = F − F̂α N̂α+ N soit stable. L’état du système Γ(K̂)
est affecté par les défauts dk et l’état ẑk du filtre (2.4) n’est pas la prédiction non biaisée de
l’état entier xk .

Démonstration 3 En utilisant le lemme précédent, le système Γ = (A,F,C,N ) possède un

retard fini α et Ĥd (z) = C(Iz − A)−1 F̂α + N̂α n’a donc plus de retard. Ainsi la condition
G(z)Ĥd (z) = I peut être paramètrée comme dans le cas des systèmes sans retard conduisant
ˆ
à (2.45) où ξ(z) = z −α ξ(z) est un filtre causal car α est le degré de ξ(z). La relation
ˆ
G(z)Ĥd (z) = I peut aussi s’écrire G(z)Hd (z) = ξ ∗ (z) ou ξ(z)G(z)H d (z) = z
−α
ξ(z)ξ ∗ (z)
 2.1 Filtre de détection sans entrée inconnue 39

conduisant à la satisfaction de (2.44) sous ξ(z)ξ ∗ (z) = I.

Le filtre se réécrit

ẑk+1 = Âẑk + F̂α N̂α+ yk + K̂γk (2.47)

rk = (Nα+ + L̂Σ̂)(yk − C ẑk ) (2.48)
γk = Σ̂yk − Ĉ ẑk (2.49)

ou par rapport à l’erreur de prédiction ek = xk − ẑk

à " # " # !
+ +
Nα C + L̂Ĉ N̂α N
Γ(K̂) = Â − K̂ Ĉ, F̂ − K̂ Σ̂N, , (2.50)
Ĉ Σ̂N
h i
Démontrons que Σ̂N = 0 : Dans l’algorithme de Silverman, on a Σ̂ Ñi 0 = 0 pour
h i
i = 0, . . . ,α − 1 autrement Σ̂N̂α = Σ̂ Ñα−1 Nα = 0 (ou rang N̂α = q) ne peut pas être
h i
satisfaite à l’iteration finale α. A l’étape initiale, Σ̂ Ñ0 0 = Σ̂N S0 = 0 et donc Σ̂N = 0
car S0 est inversible. Sachant que Σ̂N = 0, (2.50) implique (2.46). En revanche, comparé aux
résultats du théorème 1, l’état de Γ(K̂) est affecté par le défaut car F̂ 6= 0 et l’état ẑk+1 du
filtre n’est donc plus la prédiction de l’état entier xk+1 (La prochaine section montrera que
ẑk+1 est une prédiction optimale d’un sous-espace d’état de dimension maximale). A partir
du lemme 2 et du théorème 1, (Â,Ĉ) est détectable et les modes inobservables de (Â,Ĉ) sont
les zéros invariants de Γ = (A,F,C,N ). Donc (2.2) est la seule condition d’existence d’un
gain K̂ tel que  − K̂ Ĉ soit stable. Sous la condition que  − K̂ Ĉ soit stable, l’inverse à
ˆ
gauche ξ(z)G(z) de Hd (z) en temps minimal est toujours stable car ξ(z) ˆ est toujours stable.

Le théorème suivant généralise le théorème 2 pour les systèmes dynamiques stochastiques à

retard.

ˆ
Théorème 4 Soit Ĥ = H − F̂α N̂α+ G et Ĝ = Σ̂G. La fonction de transfert ξ(z)G(z)H w (z)
est minimisée au sens H2 par rapport aux paramètres libres K̂ et L̂ ssi

K̂ = (ÂP Ĉ T + F̂ ĜT )(ĈP Ĉ T + ĜĜT )−1 (2.51)

L̂ = N̂α+ (CP Ĉ + GĜT )(ĈP Ĉ T + ĜĜT )−1 (2.52)

où P solution de

P = ÂP ÂT + Ĥ Ĥ T − (ÂP Ĉ T + Ĥ ĜT )(ĈP Ĉ T + ĜĜT )−1 (ÂP Ĉ T + Ĥ ĜT )T (2.53)

est garantie d’être une solution stabilisante sous les conditions de rang (2.2) et (2.3). On a
° °2
ˆ
°ξ(z)G(z)H °
w (z) 2 = tr(J) avec

J = N̂α+ [CP C T + GGT − (CP Ĉ T + GĜT )(ĈP Ĉ T + ĜĜT )−1 (ĈP C T + ĜGT )](N̂α+ )T
(2.54)
40 Chapitre 2 : Filtre de détection basé sur l’inversion du système

° °2
ˆ
°ξ(z)G(z)H °
d (z) 2
Le rapport signal sur bruit λ = ° °2 est maximisé par rapport à K̂ et L̂ car
ˆ
°ξ(z)G(z)H °
w (z) 2
1
λ= .
tr(J)

Démonstration 4 On a
Z π
° °2 1 © ª
ˆ
°ξ(z)G(z)H °
w (z) 2 =
ˆ jθ )G(ejθ )Hw (ejθ )] [ξ(e
tr [ξ(e ˆ jθ )G(ejθ )Hw (ejθ )]∗ (2.55)
2π −π
Z π
1 © jθ ∗ jθ ª ° °
= ˆ )ξˆ (e )[G(ejθ )Hw (ejθ )] [G(ejθ )Hw (ejθ )]∗ = °G(z)Hw (z)°2
tr ξ(e (2.56)
2π −π 2

° °2
ˆ
La minimisation de °ξ(z)G(z)H °
w (z) 2 par rapport K̂ et L̂ est donc équivalente à la mini-
° °2
misation de °G(z)Hw (z)°2 par rapport à K̄ et L̄ étudiée au théorème 2. La substitution
de K = F̂α N̂α + K̂ Σ̂ et L = N̂α + L̂Σ̂ dans (2.31) et (2.32) donne (2.51), (2.52) et (2.53)
° °2 ° °2 ° −α °2
ˆ
avec °ξ(z)G(z)H ° 1 °ˆ
w (z) 2 = tr(J). On a λ = tr(J) car ξ(z)G(z)Hw (z) 2 =
° °Iz ° = 1.
2
Pour montrer que la solution P de (2.53) est une solution stabilisante (poles de  − K̂ Ĉ
à l’intérieur du cercle unité), on peut écrire (2.53) sous la forme d’une équation de Riccati
standard

b
e Ab be b
eT + Q b
e Ĉ T (ĈP Ĉ T + ĜĜT )ĈPA
eT
P = AP − AP (2.57)

b be
e = Â − Ĥ ĜT (ĜĜT )−1 Ĉ et Q
où A " = Ĥ#Ĥ T − Ĥ Ĝ"T (ĜĜ)−1 ĜĤ T . De
# l’équation (2.57) et l’aide
−Iz + A F̂α −Iz + A F
de la condition rang = rang démontrée au lemme 2, on
C N̂α C N
be Ĉ) est équivalente à (2.2). De la même façon, on
montre que la détectabilité de la paire (A,
b
eQ b 1/2
e
montre que la non existence de modes non commandables de la paire (A, ) sur le cercle
unité est équivalente à (2.3).
Due aux effets additifs de l’erreur d’estimation initiale e0 = x0 − ẑ0 et du défaut dk , on a
α
X X α
∗ + k
E(rk ) = Wj dk−j + (N̂α C + L̂Ĉ)(Â − K̂ Ĉ) e0 pour k ≥ α où Wj∗ z −i = ξ ∗ (z). Sous la
j=0 j=0
X α
condition (2.2) et (2.3), Â − K̂ Ĉ est stable et la relation E(rk ) = Wj∗ dk−j sera atteinte à
j=0
la convergence du filtre. A la convergence, on aura E(r̂k ) = dk−α où la ieme composante de r̂k
est sensible à l’occurence de la ieme composante de dk et complètement découplée des autres.
L’entier α représente le temps de retard structurel pour l’isolation multi-défauts qu’on ne
doit pas confondre avec le temps de retard de détection du ieme défaut. Cette remarque
ˆ pour concevoir correctement un test statistique
justifie a posteriori l’utilisation du filtre ξ(z)
sur chaque composante de r̂k , la principale nouveauté de notre approche par rapport aux
filtres détecteurs de défauts disponibles dans la littérature.
 2.1 Filtre de détection sans entrée inconnue 41

[Link] Analyse structurelle du filtre

Dans cette section, nous étudions les propriétés structurelles du filtre détecteur. On mon-
trera que le reconstructeur de défauts coı̈ncide avec l’observateur d’état réduit à entrée in-
connue de Kobayashi et Nakamizo (1982), le seul observateur à entrées inconnues conçu par
l’inversion du système existant dans la littérature.

Lemme La solution du problème géométrique

h (A − KC)Ω ⊆ Ω et (Fi − KN ) ⊆ Ω est
+
donnée par K = F̂α N̂α + K̂ Σ̂ où Ω = Im F̂ . . . Âj F̂ . . . Ân−1 F̂ est le plus petit
sous-espace (A,C)-invariant. Le sous-espace complémentaire de Ω dans ℜn décrit donc le
plus grand sous-espace d’état prédictable coı̈ncidant avec celui de Kobayashi et Nakamizo
(1982).

Preuve En transposant les résultats de Emre et Silverman (1976), on en déduit que le

système

Γ(F̂α N̂α ) = (A − F̂α N̂α+ C,F − F̂α N̂α+ N,C,N ) = (Â,F̂ ,C,N ) (2.58)

est minimalement commandable. Par conséquent, le sous-espace

h Ω correspond au sous-espace
i
de commandabilité de la paire (Â,F̂ ) donné par Θ = Im F̂ . . . Âj F̂ . . . Ân−1 F̂ . Par
le biais de l’injection de sortie suivante K = F̂α N̂α + K̂ Σ̂ le système défini par Γ(F̂α N̂α+ +
K̂ Σ̂) = (Â − K̂ Ĉ,F̂ ,C,N ) car Σ̂N = 0 doit aussi être minimalement commandable par les
défauts car le lemme de Erme et Silverman (1976) serait alors pris en défaut. Ce résultat
s’exprime de manière géométrique par (Â − K̂ Ĉ)Ω ⊆ Ω, F̂ ⊆ Ω ∀K̂.

Théorème 5 La dimension de Ω est égale à l’ordre de la matrice d’interaction ξ(z) donnée

q
X
par µ = ρi où ρi représente les degrés colonnes de ξ(z). L’espace de détection Ω est de
j=1
dimension minimale et possède une structure à valeurs propres nulles.

Démonstration 5 Rappelons que

à " # " # !
Nα+ C + L̂Ĉ N̂α+ N
Γ(K̂) = Â − K̂ Ĉ, F̂ , , (2.59)
Ĉ 0

représente les équations sans bruit du filtre données par

ek+1 = (Â − K̂ Ĉ)ek + F̂ dk (2.60)

rk = (Nα+ + L̂Ĉ)ek + N̂α+ N dk (2.61)
γk = Ĉek . (2.62)
42 Chapitre 2 : Filtre de détection basé sur l’inversion du système

h i
j n−1
Soit µ = rank(Θ) avec Θ = Im F̂ . . . Â F̂ . . . Â F̂ . Les n − µ lignes de Q
satisfaisant l’équation QΘ = 0 décrivent le sous-espace prédictable maximum et les µ lignes
de X définies par XQT = 0 engendrent le sous-espace
" # de détection Ω de dimension µ. Soit
Q
la matrice de transformation suivante T = telle que
X
" # " #
max
A 0 0
T ÂT −1 = , T F̂ = (2.63)
× Amin F min
h i
ĈT −1 = C max
0 (2.64)

où la paire (Amin ,F min ) est complètement

" commandable
# et où l’équation (2.64) est le résultat
max
K
de Ω ⊆ kerĈ (Wonham, 1985). Avec = T K̂, le système (2.59) est décomposé
×
comme suit
à " # " # " # " # !
Amax − K max C max 0 0 × C min N min
Γ(T K̂) = , , ,
× Amin F min C max 0 0
(2.65)
h i
avec N min = Nα+ N et × C min = (N̂α + L̂Σ̂)CT −1 où C min ne dépend pas de L̂ car
h i
L̂Σ̂CT −1 = L̂ĈT −1 = × 0 . La fonction de transfert Fdmin (z) = C min (Iz−Amin )−1 F min +
N min de Γmin doit satisfaire la contrainte

Fdmin (z) = ξ ∗ (z) (2.66)

Dans une base polynomiale minimale décrite par les q lignes de ξ ∗ (z), il existe deux matrices
unimodulaires φ(z) et ω(z) telles que

h i
φ(z)ξ ∗ (z)ω(z) = diag z −ρ1 . . . z −ρi . . . z −ρq (2.67)

avec ρ1 ≤ ρ2 ≤ . . . ≤ ρq où ρi sont les degrés des lignes de ξ ∗ (z) (Kailath, 1980) et où (2.67)
est la forme de Smith-MacMillan de (2.66). La plus petite réalisation d’état de Fdmin (z)
q
X
est égale à µ = ρi , la dimension de Ω. Pour une réalisation minimale, les degrés des
j=1
lignes de ξ ∗ (z) (les degrés des colonnes de ξ(z))) sont les indices d’observabilité et α =
max{ρi } est " l’indice# d’observabilité. Il existe alors toujours une transformation d’état de
Q
type T̄ = −1
où S est calculé telle que la réalisation de Fdmin (z) soit donnée par
S X
(Āmin , F̄ min , C̄ min , N min ) avec Āmin = S −1 Amin S, F̄ min = S −1 F min et C̄ min = C min S
représentant une forme observable (O’reilly, 1983). F̄dmin (z) = Fdmin (z) et (2.67) implique
que Āmin soit une matrice nilpotente d’indice α = maxρi , c’est-à-dire telle que (Āmin )α = 0.
Sous (Āmin )α = 0, on conclut que Amin possède µ valeurs propres nulles.
 2.1 Filtre de détection sans entrée inconnue 43

Théorème 6 Les valeurs propres fixes du sous-espace prédictable sont les zéros invariants
du système Γ = (A,F,C,N ). Les µ modes à zéro de l’espace de détection sont les images
miroirs des zéros infinis de Γ = (A,F,C,N ). Le reconstructeur de défauts possède donc toutes
les propriétés structurelles d’un filtre linéaire optimal (Kwakernaak, 1976).

Démonstration 6 Pour des systèmes MIMO, le nombre des zéros infinis du système cor-
q
X
respond à l’ordre µ = ρi de ξ(z) (Wolovich et Falb, 1976). Les modes inobservables de la
j=1
" # " #
A max
0 h i Q
paire (Â,Ĉ) (ou de la paire ( min
, C max 0 ) sous T = ) sont les zéros
× A X
invariants de Γ incluant les µ modes nuls et inobservables de Amin (image miroir des zéros
infinis de Γ) situés dans l’espace de détection Ω et les modes stables inobservables de Amax
(les zéros invariants stables du système dans le cas d’un système à minimum de phase) sont
situés dans le sous-espace prédictable rejoignant ainsi les travaux de Kobayashi et Nakamizo
(1982).
max
Théorème 7 La portion dynamique du reconstructeur de défauts décrite par ẑk+1 = Qx̂k+1
max T max
et P = QP Q est une prédiction optimale de zk+1 = Qxk+1 . Le filtre d’ordre n − µ décrit
par
ẑk+1 = Amax ẑkmax + K max γk (2.68)
γk = Σ̂yk − C max ẑkmax (2.69)
où
K max = (Amax P max C maxT + H max ĜT )(C max P max C maxT + ĜĜT )−1
P = Amax P max (Amax )T + H max (H max )T − (Amax P max C maxT + H max ĜT ) (2.70)
(C max P max C maxT + ĜĜT )(Amax P max C maxT + H max ĜT )T
représente une extension stochastique de l’observateur réduit de Kobayashi et Nakamizo
(1982).

Démonstration 7 L’erreur de prédiction de l’état réduite emax max

k+1 = Qxk+1 − ẑk+1 = Qek+1
satisfait E(emax max
k+1 ) = 0 car ek+1 ∈ / Ω, autrement dit emax
k+1 est "
découplé# des défauts dk . Posons
max
ẑk+1
P max = E(emax
k emaxT
k ) lié au reconstructeur de défauts via min
= T ẑk+1 par T P T T =
ẑk+1
" # " # " #
max max
P P12 Q F
T
. En accord avec T = et = T F̂ , les relations (2.51) et (2.53)
P12 P22 X F min
peuvent s’écrire
T K̂ = (T ÂT −1 T P T T T −T Ĉ T + T F̂ ĜT )(ĈT −1 T P T T T −T Ĉ T + ĜĜT )−1
T P T T = T ÂT −1 T P T T T −T ÂT T T + T F̂ F̂ T T T
(2.71)
−(T ÂT −1 T P T T T −T Ĉ T + T F̂ ĜT )
(ĈT −1 T P T T T −T Ĉ T + ĜĜT )−1 (T ÂT −1 T P T T T −T Ĉ T + T F̂ ĜT )T
44 Chapitre 2 : Filtre de détection basé sur l’inversion du système

conduisant aux relations (2.71). K max minimise tr(P max ) indépendamment de P12 et P22 . Le
filtre optimal d’ordre n − µ est donc dérivé de T ẑk+1 = T ÂT −1 ẑk + T (F̂α N̂α+ + K̂ Σ̂)(yk −
CT −1 ẑk ) avec QF̂α = 0. Par rapport à l’observateur d’ordre réduit de Kobayashi et Nakamizo
(1982) où tous les états sont estimés avec α = 0 ou α = 1, le filtre réduit (2.68) et (2.69)
donne la prédiction optimale de l’état entier ssi α = 0. Avec α = 0 l’espace de détection Ω
n’existe pas (µ = 0) et le filtre (2.68) et (2.69) correspond alors au reconstructeur parfait de
la section précédante.

Remarque1 Supposons que l’algorithme d’inversion de Silverman appliqué sur Γ =

(A,F,C,0) donne les résulats suivants Γ = (A,F̂α ,C,N̂α ), N̂α = [CAρ̄1 −1 f1 . . . CAρ̄q −1 fq ]
avec ρ̄i = min{t : CAt−1 fi 6= 0, t = 1,2..} à l’étape finale α = max{ρ̄i }. La condition
rang N̂α = q est la condition d’isolation des défauts ”output separability” considérée sou-
vent comme la condition d’existence du filtre détecteur de défauts (Chung et Speyer, 1998;
Keller, 1999). Dans ce cas, on peut vérifier que le sous-espace Ω̄i = [fi Afi . . . Aρ̄i −1 fi ]
associé à la ieme composante de dk est solution de (Â − K̂ Ĉ)Ω̄i ⊆ Ω̄i avec fi ⊆ Ω̄i et que
TP
C Ω̄i ( j6=i C Ω̄j ) = Ø est clairement satisfaite. Nous sommes ici en présence d’une matrice
¯ = diag[z ρ̄1 . . . z ρ̄q ] pour le transfert de Γ = (A,F,C). Cette condi-
d’interaction diagonale ξ(z)
tion de séparabilité des sorties est donc trop restrictive par rapport à la condition d’existence
d’une matrice d’interaction quelconque liée à l’inversibilité du système.

Remarque2 Dans le cas continu, Chen et al. (2003) ont proposé une structure du filtre
détecteur de défauts optimal lorsque γ → 0. Dans ce cas, les µ modes fixés du filtre, cor-
respondant aux images miroirs des µ zéros infinis, tendent vers zéro. Autour de cette limite,
le filtre continu est alors toujours mal conditionné pour son implémentation numérique car
contenant alors deux echelles de temps. Conçue directement dans le cas discret, l’imple-
mentation du reconstructeur de défauts évite les problèmes numériques que l’on rencontre
lorsque l’on discrètise des systèmes à modes extrémement rapides.

[Link] Exemple illustratif

Cet exemple décrit les différentes étapes de la synthèse du reconstructeur de défauts dans
le contexte de la remarque 1. On considère le système discret Γ = (A,F,C) décrit par

   
λ1 0 0 0   1 1
1 0 0 0 " #
 1 λ2 0 0  h i  0 1  d1k
     
A=  , C =  0 0 1 0  , F = f1 f2 =   et dk =
 0 1 λ3 0   0 0  d2k
0 0 0 1
0 0 1 λ4 0 0
(2.72)
 2.1 Filtre de détection sans entrée inconnue 45

où la condition de séparabilité des sorties rang[CAρ̄1 −1 f1 CAρ̄2 −1 f2 ] = 2 avec

ρ̄i = min{t : CAt−1 fi 6= 0, t = 1,2..} = 1 pour i = 1, 2 n’est pas satisfaite car
rang[CAρ̄1 −1 f1 CAρ̄2 −1 f2 ] = rangCF = 1 < 2. Appliqué sur Γ = (A,F,C), l’algorithme
d’inversion de Silverman donne les résulats suivants:  
λ1 λ1
 1 1+λ 
 2 
Première itération. ξ0 (z) = Iz où Γ1 = (A,F1 ,C,N1 ) avec F1 = AF =   et
 0 1 
0 0
 
λ1 λ1
 1 1 
 
N1 = CF =  .
 0 0 
0 0
On a q1 = rangN1 =1<2  
" √ # 1
0.5 − 23 h i
 
Deuxième itération. S1 = √
3
, N 1 S1 = Ñ1 0 , Ñ1 =  0 , F1 S1 =
0 2
0
 
λ1 0 " #
h i  √ 
 1 + 0.5λ2 λ2 3  1 0
F̃1 F̄2 =  √ 2 . De ξ1 (z) = S1
3  , on obtient Γ2 = (A,F̂2 ,C,N̂2 )
 0.5 2  0 z
0 0
   
λ1 0 λ1 λ1
i   i  
√
h  1 + 0.5λ2 3 2
λ  h  1 0 
avec F̂2 = F̃1 AF̄2 =  
√ 2 2  et N̂2 = Ñ1 C F̄2 =  √ 
 0.5 2
3
(λ2 + λ3 ) 

 0

3 
2 
√
3
0 2
0 0
où rang N̂2 = 2 met fin à l’algorithme.
Sur Γ2 (A,F̂2 ,C,N̂2 ), le reconstructeur de défauts ẑk+1 = Âẑk + F̂2 N̂2+ yk + K̂γk , γk =
Σ̂yk − Ĉ ẑk et rk = (N̂2+ + L̂Σ̂)(yk − C ẑk ), synthétisant l’ensemble des inverses du système
Γ = (A,F,C) à partir des degrés de liberté "K̂ ∈ ℜ4,1 et#L̂ ∈ ℜ2,1 , est obtenu par le calcul de
1 0 0
l’inverse à gauche de N̂2 donné par N̂2 = √
3
conduisant à Σ̂ = β̂(I − N̂2 N̂2+ ) =
0 2 0
h i h i
0 0 η avec β̂ = 0 0 η où η est un scalaire libre choisi tel que rang Σ̂ = 1 et où
 
0 0 0 0
 −0.5λ2 λ2 −λ22 0  h i
 
 = A − F̂2 N̂2+ C =  et Ĉ = Σ̂C = 0 0 0 η . (2.73)
 −0.5 1 −λ2 0 
0 0 0 λ4
" √ #
0.5z − 23 z 2
La matrice d’interaction est donnée par ξ(z) = ξ0 (z)ξ1 (z) = et son degré
√
3 2
0.5z 2
z
ˆ
α = 2 est le retard de Γ = (A,F,C). Le filtre FIR ξ(z) = z −2 ξ(z) est implementé comme
46 Chapitre 2 : Filtre de détection basé sur l’inversion du système

" # 2
" √ # " #
dˆ1k X 0 − 23 0.5 0
= Wj rk−j avec W0 = √ et W1 = .
dˆ2k j=0
0 2
3
0.5 0
Après l’optimisation du filtre via le calcul de K̂ et L̂ qui ne dépend pas du choix de η car la
paire (Amax ,C max ) = (λ4 ,η) est observable ∀η 6= 0 assurant la condition rank Σ̂ = 1 (λ4 n’est
pas un "zéro invariant fini), ˆ
# " la sortie
# "de ξ(z) #donnera une estimation à variance minimale du
d1k r̂k1 d1k−2
défaut tel que E( ) = est atteinte après la convergence du filtre.
d2k r̂k2 d2k−2
" #
X
Cet exemple donne la matrice de transformation d’état suivante T = avec X =
Q
 
1 0 0 0 h i
 
 0 1 0 0  et Q = 0 0 0 1 tel que XQT = 0. Alors, la paire (Amin ,F min ) =
0 0 1 0
   
0 0 0 0 0
   
 −0.5λ2 λ2 −λ22  ,  0 1  est de dimension µ = 3. Cela permet de montrer la
−0.5 1 −λ2 0 0
relation µ = ρ1 + ρ2 où ρ1 = 1 et ρ2 = 2 sont respectivement " les degrés
# de la première
1 0 0
et de la deuxième colonne de ξ(z). Avec C min = N̂2+ C = √ , on peut écrire
0 0 32
le système
 Γmin =(Amin ,F min ,C min ) d’une manière équivalente en introduisant la matrice
1 0 0
 
S =  0.5 1 λ2  telle que
0 0 1
    
0 0 0 1 1 " #
    1 0 0 
Γmin = (S −1 Amin S,S −1 F min ,C min S) =  0 0 0  ,  0 1  , √  où la
0 0 32
0 1 0 0 0
Ã" # " #!
N1 0 1 0 0
paire (S −1 Amin S,C min S) = , √ a une forme observable avec
0 N2 0 0 32
" #
0 0
N1 = [0] et N2 = deux matrices nilpotentes d’ indices de nilpoticité ρ1 = 1 et
1 0
 2
0 0 0
 
ρ2 = 2. Avec α = max{ρ1 ,ρ2 } = 2, on a  −0.5λ2 λ2 −λ22  = 0 illustrant la propriété
−0.5 1 −λ2
deadbeat de l’espace de détection Ω.

2.1.4 Interprétation physique de la paramétrisation du filtre

Dans le cas d’une matrice d’intéraction diagonale, l’indice de détectabilité ρi correspond
au temps de retard entre l’instant d’apparition du défaut di et son premier effet sur les me-
sures. Dans le cas d’une matrice d’intéraction quelconque, la généralisation du raisonnement
 2.2 Filtre de détection à entrées inconnues 47

précédent ne peut être effectuée que sur le terme α correspondant alors au degré de la ma-
trice polynomiale ξ(z) représentant le temps de retard pour que tous les défauts (supposés
apparaı̂tre au même instant) aient une première répercussion différente sur les mesures (le
temps de retard pour l’isolation est plus important que pour la détection d’un défaut par-
ticulier sauf dans le cas d’une matrice diagonale satisfaisant ρi = ρj , ∀(i,j)). Dans le cas
stochastique, l’application du test de GLR nécessite la supposition d’un seul instant d’ap-
parition pour l’ensemble de tous les défauts hypothétiques (afin de rechercher l’hypothèse
la plus vraisemblable parmi l’ensemble de toutes les hypothèses). L’application d’un test de
détection globale nécessite donc de retarder globalement l’ensemble des défauts d’un retard
ˆ
α (c’est le rôle du post filtre ξ(z)), même s’il existe un ou plusieurs défauts qui ont une
répercussion plus rapide que α. La section du chapitre 1 portant sur la prise en compte du
retard sur le test du GLR dans le cas d’une matrice d’intéraction diagonale permet effective-
ment de ne pas retarder systématiquement la détection de tous les défauts de α = max(ρi )
grâce à l’utilisation d’un changement de variable sur l’instant hypothétique d’apparition de
chaque défaut. Il semble qu’avec le recul, cette technique ne soit pas la bonne car les me-
sures prises en compte pour la recherche de l’hypothèse la plus vraisemblable ne sont pas les
mêmes (fenêtres glissantes de dimensions différentes pour chaque défaut si ρi 6= ρj , ∀(i,j)).

2.1.5 Conclusion
Nous avons présenté une approche complètement différente de celles qui existent dans la
littérature pour la conception d’un filtre de détection robuste dans le contexte H2 . Basés sur
la paramétrisation de toutes les inverses à gauche du système, les degrés de liberté restant
disponibles sont alors utilisés pour minimiser la norme H2 du transfert entre les défauts et
leurs estimations produites par la sortie du filtre. La remise en forme du signal de sortie du
filtre est effectuée à l’aide d’un filtre à réponse impulsionnelle finie construit par rapport à la
structure des zéros infinis du système. L’étude de la structure géométrique du filtre détecteur
a permis de montrer qu’il génère une estimation d’état réduite de dimension maximum.
Cette partie réduite maximale de l’état que l’on peut prédire d’une manière optimale ainsi
que l’estimation temps minimal des défauts produits par le filtre seront d’une importance
capitale pour la conception des lois de commande tolérantes aux défauts étudiées au chapitre
3.

2.2 Filtre de détection à entrées inconnues

Il existe deux approches pour générer un résidu découplé des entrées inconnues dans les
cas des systèmes déterministes : la première est basée sur un placement de valeurs propres
([Patton et Chen 1992], [Hsu et Shen 1995]) et la seconde basée sur la conception des obser-
vateurs à entrées inconnues (Wunenberg et Frank 1987). Nikoukhah (1994) a été le premier
48 Chapitre 2 : Filtre de détection basé sur l’inversion du système

à développer une méthode de diagnostic robuste dans le cas stochastique où le résidu généré
est découplé des entrées inconnues mais où le problème de l’estimation des défauts n’est pas
étudié. Récemment, Chen et Speyer (2002) ont proposé un filtre détecteur robuste permet-
tant un découplage parfait des résidus par rapport aux entrées inconnues mais ne permettant
que le traitement mono-défaut. Sur la base des travaux de Keller (1999), Parlangeli et Valcher
(2002) ont proposé un filtre permettant l’estimation des défauts en présence de perturba-
tions stochastiques et déterministes. Cependant, comme dans Keller (1999), l’estimation des
défauts produite par leur filtre, découplée des entrées inconnues, n’est pas à minimum de
variance. Cette section va résoudre ce problème par la prise en compte d’un degré de liberté
supplémentaire sur le gain de sortie du filtre. Cette partie sera organisée comme suit: Le pre-
mier paragraphe formalise le problème et le deuxième propose la solution avant de conclure
sur un exemple numérique illustratif.

2.2.1 Formulation du problème

Afin de faciliter la formulation du problème, nous supposons la condition d’existence
d’une matrice d’interaction diagonale. Le filtre détecteur proposé dans cette section permet-
tra l’estimation optimale et temps minimal des défauts de manière découplée par rapport aux
entrées inconnues. Un exemple numérique sera présenté pour illustrer les résultats produits
par le filtre. Considérons le système discret suivant
xk+1 = Axk + Buk + F dk + M nk + wk (2.74)
yk = Cxk + vk (2.75)
où xk ∈ ℜn est leh vecteur d’état, yk ∈ iℜm le vecteur de mesures, uk ∈ ℜp le vecteur de
commande. F = f1 . . . fi . . . fq est la matrice de distribution des défauts, M =
h i
m1 . . . mi . . . ms la matrice de distribution des perturbations. dk ∈ ℜq et nk ∈ ℜs
représentent respectivement le vecteur des défauts et le vecteur des entrées inconnues. Les
bruits de mesure wk et d’état vk sont non correlés de moyennes nulles tels que

Ã" # ! " #
wk h i W 0
E wjT vjT = δkj (2.76)
vk 0 I
où W ≥ 0 et V ≥ 0. L’état initial x0 est une variable aléatoire telle que E{x0 } = x̄0 et
E{(x0 − x̄0 )(x0 − x̄0 )T } = P̄0 est décorélé avec wk et vk . h i
−1
On suppose que la fonction de transfert du système Hdn = C (Iz − A) F M possède
une matrice d’intéraction ξdn (z) diagonale.

Considérons le filtre suivant

x̂k+1 = Ax̂k + Buk + K(yk − C x̂k ) (2.77)
dˆk = L(yk − C x̂k ) (2.78)
 2.2 Filtre de détection à entrées inconnues 49

où x̂k est l’état du filtre, dˆk la sortie du filtre et où L ∈ ℜq,m et K ∈ ℜn,m sont les deux gains
du filtre.
L’erreur d’estimation ek = xk − x̂k et la sortie du filtre dˆk sont données

ek+1 = (A − KC)ek + F dk + M nk + wk − Kvk (2.79)

dˆk = L(Cek + vk ) (2.80)

Définitions Les indices de détectabilité ([Liu et Si, 1997], .[Keller, 1999]) caractérisant le
retard ρi des défauts et le retard µi des entrées inconnues sont définis par

ρi = min{ν : CAν−1 fi 6= 0, ν = 1,2, . . . } (2.81)

ν−1
µi = min{ν : CA mi 6= 0, ν = 1,2, . . . } (2.82)

Les matrices de détectabilité associées aux défauts et aux perturbations sont respectivement
données par
h i
Ψf = CDf avec Df = Aρ1 −1 f1 . . . Aρi −1 fi . . . Aρq −1 fq
h i (2.83)
Ψm = CDm avec Dm = A µ −1 µ −1 µ −1
1
m1 . . . A i
mi . . . A s
ms

Sous la condition d’existence

³h i´
rang Ψf Ψm =q+s (2.84)

L’objectif est la synthèse des gains K et L tels que

W (z) = LC(zI − (A − KC))−1 F (2.85)

d→dˆ
= diag(z −ρ1 , z −ρ2 , . . . , z −ρq ) (2.86)

W (z) = LC(zI − (A − KC))−1 M = 0 (2.87)

n→dˆ

Après avoir donné toutes les solutions de (2.86) et (2.87), la synthèse des degrés de liberté
restant disponibles consistera à minimiser la trace de la matrice de covariance Pkd de l’erreur
d’estimation des défauts donnée par
¡
Pkd = E (dˆk − E(dˆk ))(dˆk − E(dˆk ))T ) (2.88)
h iT
où E(dˆk ) = d1k−ρ1 . . . dik−ρi . . . dqk−ρq est satisfaite à la convergence du filtre sous
les conditions (2.86) et (2.87).
50 Chapitre 2 : Filtre de détection basé sur l’inversion du système

2.2.2 Conception du filtre

Théorème 8 Paramétrisation du filtre
Sous (2.84), les solutions de (2.86) et (2.87) sont données par

K = ωΠ + K̄k Σ (2.89)
L = ̟Π + K̄k Σ (2.90)
h i h i
+
avec Σ = β(I − ΨΠ), Π = (Π) , ω = AD, Ψ = CD, D = Df Dm , ̟ = I 0 où
β une matrice arbitraire choisie telle que rang(Σ) = m − (q + s) et où K̄k ∈ ℜn,m−(q+s) et
L̄k ∈ ℜq,m−(q+s) sont les paramètres libres éventuellement temps variant.

Démonstration 8 On a

W (z) = LC(zI − (A − KC))−1 F (2.91)

d→dˆ
X
= LC(A − KC)k F z −k−1 (2.92)
k≥0
X h i
−k−1 k
= z ... LC(A − KC) fi . . . (2.93)
k≥0

où
X
z −k−1 LC(A − KC)k fi = z −1 LCfi + z −2 LC(A − KC)fi + . . . (2.94)
k≥0
X
= LCAρi −1 fi z −ρi + LC(A − KC)k+1 Aρi −1 fi z −k−1−ρi (2.95)
k≥0

En substituant (2.95) dans (2.93), on obtient

· P ¸
k+1 ρi −1 −k−1−ρi
W (z) = . . . LC(A − KC) A fi z . . . (2.96)
k≥0
d→dˆ

Si le gain K satisfait l’assignation spectrale suivante

h i
(A − KC) . . . Aρi −1 fi . . . = 0 (2.97)

alors (2.96) devient

h i
W (z) = ρi −1 −ρi (2.98)
... LCA fi z ...
d→dˆ
= LΨf diag(z −ρ1 , . . . , z −ρi , . . . , z −ρq ) (2.99)

et (2.86) est satisfaite sous la contrainte algébrique

LΨf = I (2.100)
 2.2 Filtre de détection à entrées inconnues 51

De la même manière, sous l’assignation spectrale suivante

h i
(A − KC) . . . A µ −1
i
mi . . . = 0 (2.101)

on obtient

W (z) = LΨm diag(z −µ1 , . . . , z −µi , . . . , z −µs ) (2.102)

n→dˆ

et (2.87) est satisfaite sous la contrainte algébrique

LΨm = 0 (2.103)

Les équations (2.97), (2.101), (2.100) et (2.103) peuvent être écrites sous la forme matricielle
suivante

(A − KC)D = 0 (2.104)
LΨ = ̟ (2.105)

Avec (2.84), l’assignation spectrale (2.104) et la contrainte algébrique (2.105) peuvent être
paramètrées par

K = ωΠ + K̄k Σ (2.106)
L = ̟Π + L̄k Σ (2.107)

Il reste donc à calculer les paramètres libres K̄k et L̄k tels que la trace de la matrice de
covariance Pkd de l’erreur d’estimation des défauts soit minimale.

Théorème 9 Optimisation du filtre isolateur

Sous les conditions de stabilité et de convergence données par
" #
zI − A Df Dm
rang = n + q + s, ∀z ∈ C, |z| ≥ 1 (2.108)
C 0

et
h i
rang −ejw I + A Df Dm W 1/2 = n, ∀w ∈ [0,2π] (2.109)

le filtre isolateur de défauts à entrées inconnues est décrit par les équations suivantes

x̂k+1 = Ax̂k + Buk + (ωΠ + K̄k Σ)(yk − C x̂k ) (2.110)

P̄k+1 = (Ā − K̄k C̄)P̄k (Ā − K̄k C̄)T + W̄ + K̄k V̄ K̄kT (2.111)
dˆk = (̟Π + L̄k Σ)(yk − C x̂k ) (2.112)
Pkd = (̟Π + L̄k Σ)Hk (̟Π + L̄k Σ)T (2.113)
52 Chapitre 2 : Filtre de détection basé sur l’inversion du système

avec

K̄k = ĀP̄k C̄ T (C̄ P̄k C̄ + V̄ )−1 (2.114)

L̄k = −̟ΠHk ΣT (ΣHk ΣT )−1 (2.115)
Hk = C P̄k C T + I (2.116)

où Ā = A − ωΠC, C̄ = ΣC, V̄ = ΣΣT , W = W + ωΠΠT ω T

Démonstration 9 La sortie du filtre peut s’exprimer

dˆk = LCek (2.117)

h iT
= L(C ēk + vk ) + d1k−ρ1 . . . dik−ρi . . . dqk−ρq (2.118)

en fonction de l’évolution des erreurs de prédiction d’état sans défaut satisfaisant

ēk+1 = (A − KC)ēk + wk − Kvk (2.119)

Soit edk = dˆk − E(dˆk ). En substituant (2.106) et (2.107) dans (2.118) et (2.119), on obtient

ēk+1 = (A − (ωΠ + K̄k Σ)C)ēk + wk − (ωΠ + K̄k Σ)vk (2.120)

edk = (̟Π + L̄k Σ)(C ēk + vk ) (2.121)

Les matrices de covariance de l’erreur de prédiction d’état P̄k = E(ēk ēTk ) et Pkd = E(edk edT
k )
satisfont

P̄k+1 = (A − (ωΠ + K̄k Σ)C)P̄k (A − (ωΠ + K̄k Σ)C)T (2.122)

+W + (ωΠ + K̄k Σ)(ωΠ + K̄k Σ)T (2.123)
Pkd = (̟Π + L̄k Σ)(C P̄k C T + I)(̟Π + L̄k Σ)T (2.124)

Les traces de P̄k+1 et Pkd sont minimisées par rapport K̄k et L̄k ssi

−(A − (ωΠ + K̄k Σ)C)P̄k C T ΣT + (ωΠ + K̄k Σ)ΣT = 0 (2.125)

(ωΠ + L̄k Σ)Hk ΣT = 0 (2.126)

Les solutions de (2.125) et (2.126) sont données par

K̄k = (AP̄k C T − ωΠHk )ΣT (ΣHk ΣT )−1 (2.127)

L̄k = −̟ΠHk ΣT (ΣHk ΣT )−1 (2.128)

Avec ΠΣT = 0, (2.127) donne (2.114). Les conditions de stabilité et de convergence du

filtre sont déduites directement des résultats donnés par Keller (1999).
 2.2 Filtre de détection à entrées inconnues 53

2.2.3 Exemple illustratif

On considère un système discret décrit par
   
0.2 1 0 0.2 0.3 0 1  
    1 0 0 0 0
 0 0.5 1 0.4 1   0 0   
    0 1 0 0 0
A= 0 0.8 1 0.2  , B =  , C =  
 (2.129)
 0   0 0  
 0 0 1 0 0 
   
 0 0 0 0.3 1   0 −1 
0 0 0 1 0
0 0 0 0 0.5 1 1
 
0.1 0 0 0 0  
  1 0 0 0
 0 0.2 0 0 0   
  0 1 0 0
W = 0 0 0.8 0 0 , V = 


 (2.130)
   0 0 1 0 
 
 0 0 0 0.3 0 
0 0 0 1
0 0 0 0 0.5
Le système est affecté par deux défauts actionneurs (de type biais dans cette exemple) définis
par
h i
f1 = 0 0 0 0 1 , d1k = 2, ρ1 = 2 (2.131)
h i
f2 = 1 0 0 −1 1 , d2k = 3, ρ2 = 1 (2.132)
apparaissant à l’instant 50 et par une perturbation de type entrée inconnue toujours présente
caractérisée par
h i
m1 = 1 0 1 0 0 , n1k = 1.2 ∗ sin(0.1k), µ1 = 1. (2.133)
Les résultats obtenus par notre filtre sont comparés aux résultats du filtre de détection de
Keller (1999). La figure 2.1 montre que les estimations des défauts du filtre de Keller (1999)
sont sensibles à l’entrée inconnue.

En revanche, notre estimateur est insensible à la présence de la perturbation comme le

montre la figure 2.2.
L’application d’un test statistique sur l’estimation des défauts produite par le filtre de
détection à entrées inconnues permettra d’éviter les fausses alarmes dues à la présence de
l’entrée inconnue et à l’utilisation d’un estimateur de défauts qui ne serait pas à minimum
de variance.
54 Chapitre 2 : Filtre de détection basé sur l’inversion du système

(a) Estimation du premier (b) Estimation du

défaut, dˆ1
k deuxième défaut, dˆ2k

Fig. 2.1 – Filtre de détection, Keller (1999)

(a) Estimation du pre- (b) Estimation du

mier défaut, dˆ1
k deuxième défaut, dˆ2k

Fig. 2.2 – Filtre de détection à entrée inconnue

2.2.4 Conclusion
Nous avons présenté un filtre détecteur de défauts pour les systèmes linéaires stochas-
tiques affectés par des entrées inconnues. La sortie du filtre est une estimation temps mi-
nimal des défauts à minimum de variance découplée des perturbations sous des conditions
d’existence, de converge et de stabilité explicitement obtenues. Dans le cas où la condition
d’existence d’une matrice d’interaction diagonale n’est pas satisfaite, il est tout à fait pos-
sible d’étendre les résultats par une analyse plus fine de la structure des zéros infinis de la
matrice de transfert du système.

2.3 Application à la perte d’efficacité d’actionneurs

2.3.1 Introduction
Les défauts d’actionneurs sont souvent la cause majeure de la détérioration des perfor-
mances d’un système de contrôle/commande. Dans le but de maintenir les performances
 2.3 Application à la perte d’efficacité d’actionneurs 55

du système de contrôle/commande en présence d’une perte d’efficacité d’un ou de plusieurs

actionneurs, Wu et al (1998) ont developpé un filtre de Kalman adaptatif, basé sur le filtre
de Kalman à deux étages de Keller et Darouach (1997), permettant l’estimation adaptative
de la perte d’efficacité. En raison de la forme particulière du filtre de Kalman à deux étages,
l’adaptativité du filtre liée au facteur d’oubli du filtre est réglée par la variance arbitraire af-
fectée sur l’équation du biais modélisant la perte d’efficacité. Dans le cas d’une perte abrupte
d’efficacité, l’adaptativité du filtre de Wu (1998) risque de ne pas être suffisante et de ne
pas permettre au système de contrôle/commande de corriger suffisamment tôt le défaut.
Cette partie est organisée comme suit: dans le premier paragraphe on montre comment le
filtre détecteur développé au chapitre précédent peut être appliqué pour l’estimation temps
minimal de la perte d’efficacité. Dans le deuxième, nous comparerons de manière numérique
les résultats obtenus avec ceux de Wu et al. (1998). Cette comparaison permettra de mettre
en valeur les résultats obtenus dans ce chapitre et d’expliquer clairement la notion de temps
minimal liée à l’adaptativité maximum du filtre.

2.3.2 Filtre détecteur pour l’estimation adaptative de la perte

d’efficacité
Soit un système dynamique stochastique discret en présence d’une perte d’efficacité de
la commande (défaut interne) décrit sous forme d’état
 
u1k
 . 
 . 
h i . 
 
xk+1 = Axk + Buk + b1 n1k . . . bi nik . . . bp npk  uik  + wk (2.134)
 . 
 . 
 . 
upk
yk = Cxk + vk (2.135)

où xk ∈ ℜn est le vecteur d’état, yk ∈ ℜm le vecteur de mesures et où uk ∈ ℜp sont les entrées
h iT
du système. nk = n1k . . . nik . . . npk ∈ ℜp est le vecteur des p facteurs d’efficacité
h i
i
satisfaisant −1 ≤ nk ≤ 0, i = 1,...,p., et B = b1 . . . bi . . . bp . Les bruits gaussiens
wk et vk de moyennes nulles sont non correlés avec
Ã" # ! " #
wk h i W 0
E wjT vjT = δkj (2.136)
vk 0 V

où W ≥ 0 et V ≥ 0. Les équations du modèle d’état précédent peuvent être réécrites comme
suit

xk+1 = Axk + Buk + F(k,u) nk + wk (2.137)

yk = Cxk + vk (2.138)
56 Chapitre 2 : Filtre de détection basé sur l’inversion du système

h i h iT
où F(k,u) = b1 u1k . . . bi uik . . . bp upk et nk = n1k . . . nik . . . npk .
L’application temps variant du filtre de détection (sans entrées inconnues ici) est alors pos-
sible si F(k,u) conserve son rang égal à q tout au long du traitement, c’est-à-dire ssi la
commande uk ∈ ℜp appliquée au système n’est pas nulle, une condition non restrictive en
pratique sous la condition de ne pas perdre totalement le contrôle d’un actionneur.

2.3.3 Exemple illustratif

Considérons l’équation d’état d’un avion (Wu, 1998) où la perte d’efficacité d’un action-
neur est un problème majeur:
   
1.0037 0.0026 −0.0004 −0.0461 0.0447 0.0167
 0.0045 0.9037 −0.0188 −0.3834   0.3407 −0.7249 
   
A= , B =   (2.139)
 0.0098 0.00339 0.9383 0.1302   −0.5278 0.4214 
0.0005 0.0017 0.0968 1.0067 −0.0268 0.0215

   
1 0 0 0 0.2 0 0 0 " #
 0 1 0 0   0 0.9 0 0  0.7 0
  x  
C= , W =  , Wn = et V = I. (2.140)
 0 0 1 0   0 0 0.5 0  0 1
1 1 1 0 0 0 0 0.1

h iT
b1 = 0.0447 0.3407 −0.5278 −0.0268 , n1 = −0.9, ρ1 = 1 (2.141)

h iT
b2 = 0.0167 −0.7249 0.4214 0.0215 , n2 = −0.5, ρ2 = 1 (2.142)

La figure (2.3) représente l’estimation adaptative de la perte d’efficacité apparaissant à l’ins-

tant 30 sur les deux actionneurs produite par le filtre de Wu et al. (1998) avec un facteur
d’oubli relativement grand. La figure (2.4) représente l’estimation temps minimal de la perte
d’efficacité donnée par le filtre de détection. Ces résultats numériques permettent d’apprécier
l’adaptativité maximale de nos estimations par rapport au filtre de Kalman adaptatif de Wu
et al. (1998).
 2.3 Application à la perte d’efficacité d’actionneurs 57

(a) Estimation de la (b) Estimation de la

perte d’efficacité du perte d’efficacité du
premier actionneur, deuxième actionneur,
n̂1k n̂2k

Fig. 2.3 – Filtre de Kalman adaptatif de Wu et al. (1998)

(a) Estimation de la (b) Estimation de la

perte d’efficacité du perte d’efficacité du
premier actionneur, deuxième actionneur,
n̂1k n̂2k

Fig. 2.4 – Filtre de détection

2.3.4 Conclusion
Nous avons présenté une application particulière de nos résultats dédiée à l’estimation
de la perte d’efficacité de la commande où l’amélioration de l’adaptativité est un résultat
très important dans le contexte de la commande tolérante aux défauts afin de générer une
commande reconfiguratrice très réactive à l’occurrence d’un problème de ce type.
58 Chapitre 2 : Filtre de détection basé sur l’inversion du système

2.4 Conclusion
Le chapitre 2 a présenté une nouvelle approche permettant le traitement multi-défauts
dans les systèmes dynamiques stochastiques discrets. Cette approche est basée sur le calcul
optimal de l’inverse à gauche du système permettant de remonter à la source du problème
en fonction des mesures disponibles à l’autre bout du système. En ce sens, cette nouvelle
approche est tout à fait naturelle mais sort du cadre de résolution du diagnostic multi-
défauts généralement résolu trop simplement par une approche basée observateur d’état.
On ne cherche pas ici à observer l’état du système qui résume seulement les conséquences
de la présence d’un ou de plusieurs défauts mais on a reconstruit ici directement la cause,
c’est-à-dire leurs amplitudes hypothétiques.
 59

Chapitre 3

Commande tolérante aux défauts

3.1 Introduction
La commande tolérante aux défauts a pour but de s’accommoder automatiquement de
l’effet des défauts tout en étant capable de maintenir la stabilité et au mieux les perfor-
mances nominales du système. La conséquence est d’éviter l’arrêt immédiat du système et
de permettre son fonctionnement en mode dégradé. Le problème majeur rencontré pour la
conception de telles lois de commandes est que la plupart des techniques de diagnostic sont
développées comme un outil de surveillance et non pas comme une partie intégrante de la
commande. Le problème général qui se pose est donc de savoir comment intégrer les tech-
niques de diagnostic existantes au profit de la commande tolérante aux défauts. Au chapitre
2, nous avons développé un filtre détecteur et réalisé son étude géométrique. Cette étude a
permis de montrer que le filtre de détection génère un espace de détection deadbeat. L’ob-
jectif de ce chapitre est de montrer comment utiliser notre filtre de détection afin de générer
une loi de commande à réactivité maximum permettant d’annuler très rapidement les effets
néfastes liés à l’apparition d’un ou de plusieurs défauts sur le système. Avant de donner
notre solution, un état de l’art de la commande tolérante aux défauts est réalisé.

3.2 État de l’art de la commande tolérante aux défauts

Les techniques de commande tolérante aux défauts peuvent être classifiées en trois grands
ensembles : l’accommodation passive, l’accommodation active et l’accommodation adapta-
tive.

∗ Accommodations passives. Elles sont basées sur l’idée simple que les défauts représen-

tent des perturbations que la loi de commande doit prendre en compte dès sa concep-
tion initiale engendrant une structure de contrôle fixe à paramètres fixes. Elles utilisent
les techniques de commande robuste par rapport aux incertitudes structurées que sont
60 Chapitre 3 : Commande tolérante aux défauts

les défauts (commande H∞ , commande à rejet de perturbation,...). Ce type d’approche

n’a besoin ni d’un module de diagnostic pour détecter la présence des défauts ni d’un
bloc de reconfiguration de la structure et/ou des paramètres du système de contrôle.

∗ Accommodations actives, Au contraire des méthodes passives, les méthodes actives

réagissent à l’apparition d’un ou de plusieurs défauts par la restructuration du système
de contrôle. Leur objectif principal est de compenser au mieux l’effet des défauts sur
le système afin que la stabilité et les performances du système soient maintenues en
jouant sur la robustesse de la commande qui doit être améliorée à chaque détection
d’un défaut. Elles sont composées essentiellement de trois éléments fondamentaux :
1) Une commande reconfigurable,

2) Un module de diagnostic permettant la détection, l’isolation et l’estimation de

l’amplitude des défauts,

3) Un mécanisme de reconfiguration.

Le problème critique dans cette approche est la limitation du temps disponible pour
le recalcul de la loi de commande à chaque instant de détection d’un défaut. Dans le
cas stochastique, ce type d’approche engendre aussi un autre problème très peu étudié
dans le contexte déterministe. Lors d’une fausse alarme ou d’une non détection, que
se passe-t-il sur la robustesse et les performances du système?. Cette thèse ne rentre
pas dans le cadre de ce type de commande très difficile à aborder dans le contexte
stochastique où la prise de décisions est toujours affectée d’un risque d’erreur.

∗ Accommodation adaptative. La commande tolérante aux défauts de type adap-

tative est une approche à accommodation active mais où seuls les paramètres de la
commande sont modifiés suite à l’occurrence d’un défaut. Elle posséde donc une struc-
ture fixe. Dans le cas des systèmes linéaires à défauts additifs externes, elle consiste
à générer un signal résidu reflétant le défaut à compenser. Ce résidu est alors utilisé
pour générer la correction à apporter à la commande nominale du système ([Noura et
al. 2000]). Dans le cas où la correction n’est effectuée que lorsque le défaut est déclaré
significatif par un test satistique appliqué sur les résidus, alors la commande adapta-
tive résultante peut être classée dans la catégorie des méthodes actives car dépendante
d’une prise de décision.

Avant de présenter notre technique de commande tolérante aux défauts de type adap-
tative sans test de détection, nous rappelons quelques méthodes de reconfiguration basées
sur la pseudo-inverse, la commande adaptative pour des défauts de type interne, la com-
mande multi-modèles et la commande prédictive. Nous insisterons plus particulièrement sur
la stratégie de commande adaptative de type LQG proposée par Wu et al. (2000) obtenue
dans le cadre du traitement de défauts de type perte d’efficacité d’actionneurs.
3.2 État de l’art de la commande tolérante aux défauts 61

∗ Méthode de la pseudo-inverse : Considérons le système nominal en boucle fermée

suivant forme d’état suivante:

ẋ = Ax + Bu (3.1)
y = Cx (3.2)
u = −Kx (3.3)

L’apparition d’un défaut conduit à une modification du modèle décrit maintenant par

ẋf = Af xf + Bf uf (3.4)
yf = Cf xf (3.5)

où l’indice f indique la situation en défaut du système. Cette méthode consiste à

calculer une nouvelle matrice de gain Kf de telle sorte que la dynamique du système
défaillant en boucle fermée soit approximativement égale à celle du système nominal.

uf = −Kf xf (3.6)
A − BK = Af − Bf Kf (3.7)

Une approximation au sens des moindres carrés est donnée par:

Kf = Bf+ (Af − A + BK) (3.8)

où Bf+ est la matrice pseudo-inverse de Bf . L’avantage de cette méthode est la simplicité
du calcul mais la solution n’est pas toujours satisfaisante car elle ne garanti pas la
stabilité en mode défaillant. La méthode de la pseudo-inverse modifiée (MPIM) a été
proposée par Gao et Antsaklis (1991) pour garantir cette stabilité. Un compromis doit
alors être trouvé entre la stabilité et les performances du système reconfiguré.

∗ Commande adaptative: Cette approche est naturelle pour résoudre le problème d’ac-
commodation aux défauts de type interne. En effet, lorsqu’un défaut interne apparaı̂t
sur le système, il entraı̂ne alors une modification de ses paramètres. L’identification
en ligne de ces paramètres permet alors la modification des paramètres du correcteur
à structure fixe. Ces méthodes ont souvent été testées en simulation dans le domaine
de l’aéronautique ([Dittmar, 1988], [Huang et Stengel, 1990], [Rausch, 1995]). Morse
et Ossman (1990) ont étudié un régulateur multivariable adaptatif défini par Sobel
et al. (1982) ajustant directement les gains du régulateur en temps réel. Cependant,
les auteurs soulignent la difficulté à déterminer les matrices de pondération nécessaires
au compromis stabilité/performance. Les différentes situations étudiées ne font souvent
intervenir que des défauts peu sévères et la présence de bruit n’est pas prise en compte.

∗ Commande multi-modèles: Cette démarche attire l’attention de nombreux cher-

cheurs pour résoudre le problème de l’accommodation pour des systèmes non-linéaires.
62 Chapitre 3 : Commande tolérante aux défauts

En effet, ces techniques permettent de commander un système non-linéaire sur une

large zone de fonctionnement décomposée en plusieurs zones linéarisées autour de
différents points de fonctionnement (c’est d’ailleurs cette technique de linéarisation
qui sera adoptée pour l’application pratique de nos résultats au chapitre 4). Les tech-
niques linéaires restent alors utilisables en nonlinéaire. Une méthode d’accommodation
aux défauts basée sur une commande adaptative multi-modèles a été synthétisée par
Maybeck et al. (1991). La loi de commande globale est déterminée à partir de n lois
de commandes calculées pour toutes les situations possibles du système sont décrites
par un ensemble de n modèles. Le premier modèle correspond au fonctionnement no-
minal du système. Les autres situations prennent en compte l’apparition d’un défaut
particulier entraı̂nant le système en dehors de sa zone de fonctionnement nominal. Les
matrices de gain Ki de la commande sont calculées à l’avance pour chacun des modes
de fonctionnement. La commande locale ui est déterminée par la relation:

ui = Ki X̂i (3.9)

où X̂i est l’estimation de l’état du système fournie par le ieme filtre. Une unité de
calcul des probabilités de Bayes permet de calculer les probabilités P (Hi /ri ) associées
à chaque modèle possible par
P (Hi )P (ri/Hi )
P (Hi /ri ) = Pn (3.10)
i=1 [P (Hi )P (ri /Hi )]

où P (ri /Hi ) désigne la probabilité conditionnelle de l’innovation ri issue du ieme filtre
et où P (Hi ) est la probabilité a priori du modèle Hi . La loi de commande globale
appliquée au système est alors déterminée par:
m
X
U = ui P (Hi /ri ) (3.11)
i=1

Cette méthode requiert le calcul a priori des gains des régulateurs correspondant à
chaque situation du système. Une méthode fondée sur le principe d’interaction a été
développée pour des défauts de type capteur et actionneur ([Ragot et al., 1998], [Zhang
et Jiang, 1999], [Yang et al., 2000]). Cette technique est basée sur une estimation d’état
reconfigurée permettant d’éviter la modification du gain de la commande par retour
d’état pour n’importe quelle situation du système.

∗ Commande prédictive: Tout le potentiel de la commande prédictive à résoudre le

problème de l’accommodation aux défauts a été montré par Maciejowki (1997). Elle
permet de réadapter le correcteur en présence de défauts de manière à garantir la sta-
bilité du système et à maintenir des performances très proches de celles du système
nominal ([Rowe et Maciejowski, 2000], [Gopinathan et al., 1999]). Cependant, la plu-
part de ces méthodes sont valables sous certaines hypothèses: le modèle des défauts (et
3.2 État de l’art de la commande tolérante aux défauts 63

leurs effets sur le système) doit être parfaitement connu, les défauts considérés doivent
être de faible amplitude de telle sorte que les objectifs à atteindre par le système
puissent rester inchangés après l’apparition des défauts [Maciejowski, 2000].

∗ Commande LQG adaptative, Wu et al. (2000)

Soit un système dynamique linéaire en défaut décrit par le modèle d’état augmenté
suivant

xk+1 = Axk + Buk + F nk + wkx (3.12)

nk+1 = nk + wkn (3.13)
yk+1 = Cxk+1 + vk+1 (3.14)

où les défauts nk sont modélisés par une équation de type biais aléatoire. Les bruits
wkx ,wkn et vk sont supposés de moyennes nulles non corrélés tels que

    
wkx h i Qx
0 0
    
E  wkn  wj wjn vj  =  0 Qn 0  δkj (3.15)
vk 0 0 R

avec Qx > 0, Qn > 0 et R > 0. Les conditions initiales x0 et n0 sont supposées non
corrélées avec wkx , wkn et vk .

Pour des défauts de type perte d’efficacité

  d’actionneurs alors F = BUk avec Uk =
n1k
³ ´  2 
 nk 
diag uk uk . . . uk et nk = 
1 2 q
 .. .

 . 
nqk

Introduisant des facteurs d’oubli sur le filtre de Kalman à deux étages développé par
Keller et Darouach (1997), Wu et al. (2000) ont permis l’adaptation du filtre par
rapport à des changements sur la valeur du biais nk en modifiant l’estimateur du biais.
On rappelle le filtre obtenu :
Estimateur du biais

n̂k+1/k = n̂k/k (3.16)

q
X 1 i i i T
n
Pk+1/k = α e (e ) + Qnk
i k/k k k
(3.17)
i=1 k
λ
n
n̂k+1/k+1 = n̂k+1/k + Kk+1 (r̃k+1 − Hk+1/k n̂k/k ) (3.18)
n n T n T
Kk+1 = Pk+1/k Hk+1/k (Hk+1/k Pk+1/k Hk+1/k + S̃k+1 )−1 (3.19)
n n n
Pk+1/k+1 = (I − Kk+1 Hk+1/k )Pk+1/k (3.20)
64 Chapitre 3 : Commande tolérante aux défauts

où

r̃k+1 = yk+1 − C x̃k+1/k (3.21)

x
S̃k+1 = C P̃k+1/k C T + Rk+1 (3.22)
(3.23)

avec
q
X
n i
Pk/k = αk/k eik (eik )T (3.24)
i=1

(
i
1 αk/k > αmax
λik = i αmax −αmin i
(3.25)
αk/k [αmin + αmax
αk/k ]−1 , i
αk/k ≤ αmax

et λik les facteurs d’oubli liés à la covariance du biais.

Estimateur d’état sans biais

x̃k+1/k = Ax̃k/k + Buk (3.26)

x̃k+1/k = x̃k+1/k + Wk n̂k/k − Vk+1/k n̂k/k (3.27)
x x
P̃k+1/k = AP̃k/k AT + Qxk (3.28)
x x n
P̃k+1/k = P̃k+1/k + Wk Pk/k WkT − Vk+1/k Pk+1/k
n T
Vk+1/k (3.29)
x
x̃k+1/k+1 = x̃k+1/k + K̃k+1 (yk+1 − C x̃k+1/k ) (3.30)
K̃kx = P̃k+1/k
x
C T (C P̃k+1
x
C T + Rk+1 )−1 (3.31)
x x x
P̃k+1/k+1 = (I − K̃k+1 C)P̃k+1/k (3.32)

Equations de couplage

Wk = AVk/k + Fk (3.33)
n n
Vk+1/k = Wk Pk/k (Pk+1/k )−1 (3.34)
Hk+1/k = CVk+1/k (3.35)
x
Vk+1/k+1 = Vk+1/k − K̃k+1 Hk+1/k (3.36)

Reconfiguration (estimation de l’état réel du système)

x̂k+1/k+1 = x̃k+1/k+1 + Vk+1/k+1 n̂k+1/k+1 (3.37)

x n T
Pk+1/k+1 = P̃k+1/k+1 + Vk+1/k+1 Pk+1/k+1 Vk+1/k+1 (3.38)

Par le principe de séparation, la loi de commande obtenue par Wu et al. (2000) est
donnée par
 3.3 Commande tolérante à réactivité maximum 65

uk = −Lxk x̂k/k (3.39)

(3.40)

où Lx est solution du critère LQG suivant

N
1X T
J = lim (xk Qc xk + uTk Rc uk ) (3.41)
N →∞ 2
k=0

sous la contrainte

xk+1 = Axk + B(I + Γ̂)uk + wkx (3.42)

yk = Cxk + vk (3.43)

avec Qc et Rc deux³matrices de pondération

´ bien connues dans le cadre de la commande
1 j
LQG et Γ̂ = diag n̂k . . . n̂k . La solution dépendante de Γ̂ est donnée par

Lx = Rc−1 (I + Γ̂)B T Pc (3.44)

T
0 = A Pc + Pc A − Pc B(I + Γ̂)Rc−1 (I T
+ Γ̂)B Pc + Qc (3.45)

Le recalcul de la loi de commande est effectué à chaque changement significatif sur Γ̂

détecté à l’aide d’un test statistique non décrit ici. On note que l’équation de Riccati
(3.45) est non linéaire en raison de la présence de Γ̂. Ceci peut entraı̂ner des problèmes
de convergence.

La section suivante proposera d’éviter l’utilisation d’un test statistique par l’utilisa-
tion d’un filtre de Kalman augmenté à adaptativité maximum. Le retour d’état sera
calculé sur le même modèle que le filtre sur la base d’un rejet asymptotique des modes
non contrôlables. Cette loi de commande permettra le rejet des perturbations sans
connaissance a priori sur leurs modèles d’évolution et seront donc considérées comme
des entrées inconnues.

3.3 Commande tolérante à réactivité maximum

Notre objectif est d’utiliser le filtre de détection du chapitre 2 pour concevoir une structure
de contrôle tolérante aux défauts à réactivité maximum. L’idée directrice est analogue à celle
de Wu et al. (1998) qui s’appuie sur l’estimation adaptative du vecteur d’état du système
et du vecteur défaut pour produire une loi de commande par retour d’état fonction de ces
deux quantités. Rappelons que Wu et al. (2000) considèrent un modèle d’évolution de type
biais aléatoire

νk+1 = νk + wk (3.46)
66 Chapitre 3 : Commande tolérante aux défauts

où wk représente le bruit gaussien fictif de covariance fixant l’adaptativité du filtre de Kal-
man. Notre loi de commande tolérante aux défauts sera de la même façon conçue sur le
modèle du système à état augmenté mais l’estimation de ces deux quantités sera obtenue
par l’application du filtre de détection à état augmenté conçu sous le modèle d’évolution
suivant
f
X
νk+1 = νk + ∆νj δk,kj (3.47)
j=1

où kj est l’instant du changement impulsionnel sur le biais, ∆νj l’amplitude du j eme saut
impulsionnel, δk,kj l’opérateur de Kronecker.
νk

∆ν f

∆ν 2
∆ν1

k
k1 k2 kf

Fig. 3.1 – Biais à saut successif

f
X
En présence des défauts impulsionnels dk = ∆νj δk,kj l’estimation de l’état augmenté
j=1
Ẑk donnée par le filtre détecteur retrouvera son caractère non biaisé E(Ẑr+α+1 ) = Xr+α+1
après un temps minimal donné par α + 1. Ẑk sera donc une estimation d’état reconfigurée
en temps minimal ou à adaptativité maximale. C’est cette propriété qui est utilisée ici pour
le développement d’une loi de commande tolérante à des perturbations constantes par mor-
ceaux. Le gain du retour d’état de la loi de commande sera calculé sur la base d’une technique
de rejet des modes non contrôlables νk . Pour simplifier la présentation, on ne considère que
des défauts de type actionneur ou système. Soit le système suivant

xk+1 = Axk + Buk + F νk + Hwk (3.48)

νk+1 = νk + dk (3.49)
yk = Cxk + Gwk (3.50)

où xk ∈ ℜn est le vecteur d’état, yk ∈ ℜm est le vecteur de mesures, uk ∈ ℜp les entrées

du système, F ∈ ℜ(n,q) est la matrice de distribution des défauts avec E{wk wjT } = Iδkj ,
 3.3 Commande tolérante à réactivité maximum 67

f
X
rangF = q, rangG = m, q ≤ m où dk = ∆νj δk,kj représente un signal fictif de type
j=1
impulsionnel. Sans perte de généralité, on suppose ici que p = m, c’est à dire que le nombre
de commande est" égal
# au nombre de sortie à réguler.
xk
Avec Xk = , le système (3.48; 3.49; 3.50) s’écrit
νk

Xk+1 = ĀXk + B̄uk + F̄ νk + H̄wk (3.51)

yk = C̄Xk + Gwk (3.52)
" # " # " # " #
A F B h i 0 H
où Ā = , B̄ = , C̄ = C 0 , F̄ = , H̄ = .
0 I 0 I 0
Les conditions de convergence et de stabilité du filtre détecteur du chapitre 2 conçu sur
le système à état augmenté (3.51; 3.52) sont données par

" #
−Iz + Ā F̄
rang = n + 2q, ∀z ∈ C, | z |≥ 1 (3.53)
C̄ 0
et (3.54)
" #
−ejw I + Ā F̄ H̄
rang = n + q + m, ∀w ∈ [0,2π] (3.55)
C̄ 0 G

Le filtre de détection à état augmenté est décrit par par

b̄ Ẑ + B̄u + F
Ẑk+1 = A b̄ +
b̄ N b̄
k k α α yk + K γ̄k (3.56)
b̄ − C
γ̄ = Σy b̄ Ẑ (3.57)
k k k
T T T T
b̄ = (AP
K b̄ C ˆG
b̄ + H̄ b̄ )(CP
b̄ C
b̄ + G
b̄ G
b̄ )−1 (3.58)
" #
P x Pkxν
où P̄ = est solution de
P νx P ν

b̄ T + F
b̄ P̄ A
P̄ = A b̄ T − (A
b̄ F b̄ T + F
b̄ P̄ C b̄ T )(C
b̄ G b̄ T + G
b̄ P̄ C b̄ T )−1 (A
b̄ G b̄ T + F
b̄ P̄ C b̄ T )T (3.59)
b̄ G

avec
b̄ = Ā − F b̄ +
b̄ N b̄ b̄ b̄ b̄ b̄ + b̄ b̄
A α α C̄, C = ΣC̄, H = H̄ − F α N α G et G = ΣG.
Rappelons que l’espace de détection est deadbeat. Donc, suite à l’apparition de l’impul-
f
X
sion dk = ∆νj δk,kj à l’instant r modélisant un saut d’amplitude ∆νk sur νk , l’erreur
j=1
d’estimation du filtre atteignable par ∆νk va décroı̂tre à zéro en un temp minimal. C’est
cette propriété qui est utilisée ici pour la conception d’une loi de commande à réactivité
maximum par rapport aux changements abrupts induits par l’entrée impulsionnelle fictive
68 Chapitre 3 : Commande tolérante aux défauts

f
X
dk = ∆νj δk,kj . Notons que la structure particulière du système à état augmenté engendre
j=1
un espace de détection incluant forcément l’état νk . L’estimation de νk sera donc garantie
d’être à adaptativité maximum.
Nous proposons le calcul de la commande par retour d’état
" #
h i x̂
k
uk = −LẐk (ou uk = − Lx Lν ) (3.60)
ν̂k

ou par le principe de séparation le calcul de la loi de commande uk = −LXk pour le système

Xk+1 = ĀXk + B̄uk (3.61)

yk = C̄Xk (3.62)

Posons

uk = unk − G1 νk (3.63)

où unk = −L̄x̄k est la loi de contrôle stabilisante nominale supposée avoir été calculée par
une technique quelconque sur le système sans défaut

x̄k+1 = Ax̄k + Buk (3.64)

yk = C x̄k (3.65)

Soit la transformationn d’état suivante

" # " #" #
x̄k I T xk
= (3.66)
νk 0 I νk

Sous la transformation (3.66), le système (3.61; 3.62) controlé par (3.63) est donné par

" # " #" # " #

x̄k+1 A (I − A)T + F x̄k B
= + (unk − G1 νk ) (3.67)
νk+1 0 I νk 0
" #
h i x̄
k
yk = C −CT (3.68)
νk

L’influence de νk sur yk est annulée ssi les inconnues T et G1 sont solutions de

(I − A)T + F = −BG1 (3.69)

CT = 0 (3.70)
 3.3 Commande tolérante à réactivité maximum 69

Sous la condition d’existence d’une solution donnée par

" # " #
A − I B −F I −A B
rang = rang (3.71)
C 0 0 C 0

et si I − A est inversible, on a

G1 = [C(I − A)−1 B]−1 C(I − A)−1 F (3.72)

et

T = (I − A)−1 (BG1 − F ) (3.73)

Avec ces quantités, le système (3.67; 3.68) devient

x̄k+1 = (A − B L̄)x̄k (3.74)

yk = C x̄k (3.75)

où A − B L̄ est stable. La loi de contrôle

" #
h i x̄k
uk = L̄ G1 (3.76)
νk

est donc une loi de contrôle stabilisante à rejet des modes νk non contrôlables. On a donc
" #" #" #
h i I T I −T x̄k
uk = − L̄ G1 (3.77)
0 I 0 I νk
" #
h i x
k
= − L̄ L̄T + G1 (3.78)
νk

Par le principe de séparation,

" #
h i x̂k
uk = − Lx Lν avec Lx = L̄ et Lν = L̄T + G1 (3.79)
ν̂k

est une loi de contrôle stabilisante à rejet temp minimal de l’effet du signal impulsionnel dk =
∆νδk,r . Il est bien évident que les performances et la robustesse de notre loi de commande
dépendent de celles définies par unk = −L̄x̄ ˆ k sur le système nominal. Si l’on suppose que
ˆ k est une commande de type LQG (Moore, 1981), alors (3.79) sera une commande
unk = −L̄x̄
de type LTR (Tay, 1991). Comme dans le cadre de ce type de commande, le cas où p > m
n’est pas présenté ici mais est donné à traiter en guise de perspective.
70 Chapitre 3 : Commande tolérante aux défauts

3.3.1 Simulation
Notre loi de commande tolérante aux défauts est illustrée sur un processus d’enroule-
ment de bande. Il se compose d’un enrouleur et d’un dérouleur situés aux extrémités et d’un
rouleau tracteur central. Le rôle du rouleau tracteur est d’imposer la vitesse de défilement
de la bande. Les tensions de déroulement T1 et d’enroulement T3 sont maı̂trisées en agissant
sur les vitesses angulaires Ω1 et Ω3 ou sur les couples des bobines correspondantes. Trois
moteurs à courant continu associés à trois réducteurs de vitesse sont couplés aux bobines.
Une régulation des courants I1 et I3 est réalisée sur les moteurs de l’enrouleur et du dérouleur
respectivement tandis que la vitesse de rotation Ω2 est régulée sur le moteur du rouleau trac-
teur. Des variateurs de type Rectivar assurent ces régulations. Des dynamos tachymétriques
permettent de mesurer les vitesses angulaires de trois moteurs. Les tensions de déroulement
T1 et d’enroulement T3 sont obtenues à l’aide des jauges de contrainte.
Les consignes sur I1∗ , Ω∗2 et I3∗ sont calculées de deux manières différentes: Soit au niveau
d’un automate programmable, soit à partir d’une plate-forme temps-réel constituée d’une
carte dSPACE et d’un ordinateur de type PC.

M1 T

M2 T

U M3

U
Ω2
U

Fig. 3.2 – Enrouleur de bande

Les entrées de commande de ce système sont u1 ,u2 et u3 . u1 et u3 correspondent aux

consignes de courant I1∗ et I3∗ des régulateurs locaux. u2 est la tension de commande du
moteur M2 . Le principal objectif consiste à contrôler les tensions T1 et T3 de la bande ainsi que
la vitesse de déroulement Ω2 . Ce système est linéairisé autour d’un point de fonctionnement.
Le modèle obtenu autour du point de fonctionnement nominal suivant

h iT h iT
U0 = −0.15 0.6 0.15 Y0 = 0.6 0.5 0.4 Te = 0.1s (3.80)
est décrit par la représentation d’état
xk+1 = Axk + Buk + Hwk (3.81)
yk = Cxk + Gwk (3.82)
 3.3 Commande tolérante à réactivité maximum 71

avec
h iT h iT
x = T1 Ω2 T3 u= u1 u2 u3 (3.83)

   
0.4126 0 −0.0196 −1.7734 0.0696 0.0734
   
A =  0.0333 0.5207 −0.0413  B =  0.0928 0.4658 0.1051  (3.84)
−0.0101 0 0.2571 −0.0424 −0.093 2.0752

C = I3 , H = diag{0.01, 0.01, 0.01}, G = diag{0.03, 0.03, 0.03} (3.85)

Le calcul du gain L̄ est obtenu par la minimisation du critère LQ

N
1X T
J = lim (xk Qxk + uTk Ruk ) (3.86)
N →∞ 2
k=0

où R = diag{0.1, 0.1, 0.1} et Q = diag{0.5, 0.5, 0.5}.

Un défaut d’amplitude 0.5 affecte le deuxième actionneur à l’instant 40. Les résultats donnés

(a) T1 (b) Ω2

(c) T3

Fig. 3.3 – Sorties régulées, commande PI

72 Chapitre 3 : Commande tolérante aux défauts

(a) u1 (b) u2 (c) u3

Fig. 3.4 – Entrées de commande, commande PI

(a) T1 (b) Ω2

(c) T3

Fig. 3.5 – Sorties régulées, commande à réactivité maximum

par une commande de type PI (Fig 3.3) non explicitée ici et par la commande tolérante aux
défauts à réactivité maximale (Fig 3.5) montrent clairement la différence quant à la réactivité
de notre loi de commande.
 3.4 Commande tolérante additive 73

(a) u1 (b) u2 (c) u3

Fig. 3.6 – Entrées de commande, commande à réactivité maximum

3.3.2 Conclusion
La commande à réactivité maximale présentée dans ce chapitre permet d’annuler les
effets des ruptures sur le modèle du biais en un temps théorique égal à α (dépendant donc
du retard structurel du système, sur l’exemple α = 2). En automatique, il existe toujours
un compromis à faire entre robustesse et performance. Si le critère de performance est défini
par la variance des sorties régulées par rapport à leurs consignes, alors on peut montrer que
cette loi de commande augmente beaucoup cette variance dans le cas de systèmes rapides
(à bandes passantes très larges). Ce n’est pas le cas sur les résultats obtenus sur le système
à enroulement de bande possèdant une bande passante relativement faible. Ceci peut être
un problème dans le cas d’une perte d’efficacité d’un actionneur sur un moteur d’avion par
exemple. On pourrait montrer que cette approche débouche sur une commande de type LTR
(Loop Transfer Recovery) obtenue par le calcul explicite de l’inverse à gauche du système à
état augmenté. Elle diffère donc de celles existantes dans la littérature lorsque la commande
de type LTR est obtenue via la commande LQG dans le cas limite où la puissance des bruits
sur l’équation du biais tend vers l’infini. Notre commande limitée dans sa formulation au cas
de défauts actionneurs peut aussi traiter simultanément des défauts capteurs pour n’importe
quel type d’évolution temporelle, de type rampe par exemple.

3.4 Commande tolérante additive

Soit le système discret linéaire décrit par :

xk+1 = Axk + Buk + F dk + wk

(3.87)
yk = Cxk + vk

avec x ∈ Rn le vecteur d’état, y ∈ Rm le vecteur de mesures, u ∈ Rp le vecteur de commande,

F ∈ Rn×q la matrice de distribution des défauts et d ∈ Rq l’amplitude de défauts actionneurs.
74 Chapitre 3 : Commande tolérante aux défauts

Le nombre de sorties à réguler est supposé inférieur ou égal aux nombres d’entrées de com-
mande. On suppose que rang(C) = n, donc la condition (3.72) devient rang[BF ] = rank[B].
Pour la régulation des sorties, la commande
" # nominale est supposée être de type PI définie
h i x
k
par uk = −Kxk = − K1 K2 avec zk+1 = zk + Te (ykr − yk ) et Te la période
zk
d’échantillonnage et ykr la référence. Les gains K1 et K2 sont calculés par la minimisation du
critère quadratique
N
X
J = 1/2 (XkT QXk + uTk Ruk ) (3.88)
k=0
" #
xk
où Xk = . La présence de l’action intégrale permet d’avoir ykr − yk = 0 en régime
zk
statique. Le filtre de détection conçu sur (3.88) est donné par

x̂k+1 = Ax̂k + Buk + (ωΠ + K̄k Σ)(yk − C x̂k ) (3.89)

P̄k+1 = (Ā − K̄k C̄)P̄k (Ā − K̄k C̄)T + W̄ + K̄k V̄ K̄kT (3.90)
dˆk = (ωΠ + L̄k Σ)(yk − C x̂k ) (3.91)
Pkd = (ωΠ + L̄k Σ)Hk (ωΠ + L̄k Σ) T
(3.92)
γk = Σ(yk − C x̂k ) (3.93)

avec

K̄k = ĀP̄k C̄ T (C̄ P̄k C̄ + V̄ )−1 (3.94)

L̄k = −ωΠHk ΣT (ΣHk ΣT )−1 (3.95)
Hk = C P̄k C T + I (3.96)
Σ = β(I − ΨΠ) (3.97)

Dans le cas où la matrice C est de rang plein en ligne, on peut reconstruire une estimation
de tout l’état du système (à partir des équations (3.92) et (3.94)) comme suit
" #−1 " #
ΣC ΣC x̂k
xrec
k = (3.98)
(ωΠ + L̄k Σ)C ˆ
dk + (ωΠ + L̄k Σ)x̂k )

A ce stade, on ne doit pas confondre la prédiction ẑk+1 structurellement étudiée au chapitre 2

et l’estimation reconfigurée xrec rec
k . L’estimation reconfigurée xk peut alors être utilisée pour
reconfigurer intuitivement ([Noura et al. 2000], [Sauter et al. 2003]) la loi de commande
nominale comme suit:

" #
h i xrec
k
uk = − K1 K2 + uad
k (3.99)
zk
 3.5 Conclusion 75

avec

+ ˆ
uad
k = −B F dk (3.100)

et B + la pseudo-inverse de B. Cette commande est cependant limitée au cas où α = 1:

si α = 1 alors l’estimation reconfigurée xrk est l’estimation non biaisée de tout l’état du
système xk (Kobayashi et Nakamizo, 1982) obtenue par la prise en compte des mesures
jusqu’à l’instant k afin d’annuler l’espace de détection Ω (défini au chapitre 2 sur l’erreur
de prédiction de xk et donc sans la prise en compte de yk ). Le principal intérêt de cette
commande est de permettre la correction directe de la loi de commande nominale, de type
PI dans notre cas. C’est pour cette raison qu’elle fera l’objet au chapitre 4 d’une application
sur un procédé Benchmark dans le cadre du projet européen IFATIS où la loi de contrôle
nominale du procédé existe déjà et où l’objectif est l’amélioration de cette loi de contrôle en
présence de défauts.

3.5 Conclusion
Nous avons présenté dans ce chapitre deux stratégies différentes pour la conception d’une
loi de commande tolérante aux défauts à réactivité maximum. La première débouche sur une
commande de type LTR par rejet des modes non contrôlables. La deuxième est basée sur
une commande additive permettant la reconfiguration de la commande nominale dans le cas
particulier où tous les états du système sont mesurés directement. La validation pratique
des résultats de cette deuxième approche sera l’objet du chapitre suivant. Il est clair que
l’estimation des défauts à variance minimale produite par le filtre de détection permet de
limiter l’augmentation de la variance des sorties régulées par rapport à leurs consignes.
Elle permet aussi de s’appuyer sur l’existence d’une structure de commande fonctionnant
correctement sous l’hypothèse que les défauts ne sont pas présents. C’est donc cette structure
de commande qui est plus intéressante pour l’intégration d’un test de détection afin de
reconfigurer la loi de commande nominale en présence de défauts significatifs et donc de
limiter l’augmentation de la variance due à la présence du terme additif uad k .
76 Chapitre 3 : Commande tolérante aux défauts
 77

Chapitre 4

Commande tolérante additive:

Application

4.1 Présentation du système

Le procédé hydraulique/thermique constitué de trois réservoirs de section S est schématisé

par la figure ci-dessous. L’objectif en termes de régulation est de pouvoir disposer d’un vo-
lume constant de fluide à une température désirée dans la cuve 3.

4.1.1 Schéma

4.1.2 Hypothèses

⋆ Les trois cuves ont une même section S.

⋆ Les électrovannes EV1 et EV2 sont ouvertes.
⋆ Les températures d’arrivée des fluides (T1i et T2i ) sont constantes.
⋆ Les réservoirs sont supposés parfaitement calorifugés et leurs capacités thermiques sont
négligeables.

4.2 Modélisation: équations de bilan

Le modèle de connaissance de ce système s’obtient en effectuant les bilans volumique et

calorimétrique.
78 Chapitre 4 : Commande tolérante additive: Application

P ump 1 P ump 2

q1 q2

T ank 1 T ank 2

S
S

h1 h2
p1 p2

t1 t2

q13 q23

S
T ank 3

h3

t3

q3

Fig. 4.1 – Montage de trois cuves.

4.2.1 Bilan volumique

Écrivons que la différence entre les débits entrant et sortant fait évoluer le niveau à
l’intérieur de chacun des réservoirs.

dH1 p
S = Q1 − Q13 avec Q13 = α1 H1 (4.1)
dt
dH2 p
S = Q2 − Q23 avec Q23 = α2 H2 (4.2)
dt
dH3 p
S = Q13 + Q23 − Q3 avec Q3 = α3 H3 (4.3)
dt

Nous obtenons trois équations différentielles non linéaires à cause des racines carrées sur
 4.2 Modélisation: équations de bilan 79

les hauteurs H1 , H2 et H3 .
µ p ¶
1
Ḣ1 = Q1 − α1 H1 = f (Q1 ,H1 ) (4.4)
S
µ p ¶
1
Ḣ2 = Q2 − α2 H2 = f (Q2 ,H2 ) (4.5)
S
µ p p p ¶
1
Ḣ3 = α1 H1 + α2 H2 − α3 H3 = f (H1 ,H2 ,H3 ) (4.6)
S

4.2.2 Bilan calorimétrique

Le bilan calorimétrique revient à écrire que l’énergie calorifique apportée par chaque
résistance chauffante est utilisée d’une part à l’élévation de la température du fluide qui
entre dans le réservoir et d’autre part à la modification de la température contenue dans les
réservoirs 1 et 2.

Trois quantités d’énergie sont à considérer:

• Les énergies électrique dW1 apportées au système;

dW11 = P1 dt (4.7)

dW12 = P2 dt (4.8)

dW13 = 0 (4.9)

• Les énergies dW2 qui élèvent la température des fluides qui entrent pendant le temps
dt des valeurs Tentree aux valeurs Tsortie ;

dW21 = µ c Q1 (T1 − T1i ) dt (4.10)

dW22 = µ c Q2 (T2 − T2i ) dt (4.11)

h i
dW23 = µ c (T3 − T1 )Q13 + (T3 − T2 )Q23 dt (4.12)

Avec c la chaleur spécifique du fluide et µ sa masse volumique.

• Les énergies dW3 qui font évoluer la température des fluides à l’intérieur des bacs de
la valeur dTsortie .

dW31 = S H1 µ c dT1 (4.13)

dW32 = S H2 µ c dT2 (4.14)

dW33 = S H3 µ c dT3 (4.15)

80 Chapitre 4 : Commande tolérante additive: Application

La relation dW1 = dW2 + dW3 conduit aux expressions:

P1 dt = µ c Q1 (T1 − T1i ) dt + S H1 µ c dT1 (4.16)

P2 dt = µ c Q2 (T2 − T2i ) dt + S H2 µ c dT2 (4.17)

h i
0 = µ c (T3 − T1 )Q13 + (T3 − T2 )Q23 dt + S H3 µ c dT3 (4.18)

Ce qui conduit au système de trois équations non linéaire:

µ ¶
1 P1 ¡ ¢
T˙1 = − T1 − T1i Q1 = g(P1 ,T1 ,Q1 ,H1 ) (4.19)
S H1 µ c
µ ¶
1 P2 ¡ ¢
˙
T2 = − T2 − T2i Q2 = g(P2 ,T2 ,Q2 ,H2 ) (4.20)
S H2 µ c

˙ 1 h i
T3 = − Q13 (T3 − T1 ) + Q23 (T3 − T2 ) = g(T1 ,T2 ,T3 ,H1 ,H2 ,H3 ) (4.21)
S H3

4.3 Linéarisation
Pour linéariser les équation ?? et ??, nous allons considérer des petites variations autour
du régime nominal.
H1 = H10 + h1 H2 = H20 + h2
Q1 = Q10 + q1 Q2 = Q20 + q2
P1 = P10 + p1 P2 = P20 + p2
T1 = T10 + θ1 T2 = T20 + θ2

4.3.1 Développement de Taylor au premier ordre de l’équation 4.4

En effectuant un développement de Taylor limité au premier ordre de l’équation 4.4, nous
obtenons:
· ¸ · ¸ · ¸
dH1 dH1 ∂f ∂f
≈ + dH1 + dQ1 (4.22)
dt dt 0 ∂H1 0 ∂Q1 0
Soit, en remarquant qu’au régime nominal dH1 /dt = 0,
· ¸ · ¸
dh1 ∂f ∂f
= h1 + q1
dt ∂H1 0 ∂Q1 0
−α1 1
= p h1 + q1 (4.23)
2 S H10 S
Au régime nominal, l’équation statique nous permet de calculer la valeur de α1 , qui replacée
dans ?? donne l’équation linéarisée de l’évolution du niveau.
1³ p ´ Q1
0= Q10 − α1 H10 ⇒ α1 = p 0 (4.24)
S H10
 4.3 Linéarisation 81

−Q10 1
h˙1 = h1 + q1 (4.25)
2 S H10 S

4.3.2 Développement de Taylor au premier ordre de l’équation 4.5

En effectuant un développement de Taylor limité au premier ordre de l’équation 4.5, nous
obtenons:
· ¸ · ¸ · ¸
dH2 dH2 ∂f ∂f
≈ + dH2 + dQ2 (4.26)
dt dt 0 ∂H2 0 ∂Q2 0
Soit, en remarquant qu’au régime nominal dH2 /dt = 0,
· ¸ · ¸
dh2 ∂f ∂f
= h2 + q2
dt ∂H2 0 ∂Q2 0
−α2 1
= p h2 + q2 (4.27)
2 S H20 S
Au régime nominal, l’équation statique nous permet de calculer la valeur de α2 , qui replacée
dans ?? donne l’équation linéarisée de l’évolution du niveau.
1³ p ´ Q2
0= Q20 − α2 H20 ⇒ α2 = p 0 (4.28)
S H20

−Q20 1
h˙2 = h1 + q2 (4.29)
2 S H20 S

4.3.3 Développement de Taylor au premier ordre de l’équation 4.6

En effectuant un développement de Taylor limité au premier ordre de l’équation 4.6, nous
obtenons:
· ¸ · ¸ · ¸ · ¸
dH3 dH3 ∂f ∂f ∂f
≈ + dH1 + dH2 + dH3 (4.30)
dt dt 0 ∂H1 0 ∂H2 0 ∂H3 0
Soit, en remarquant qu’au régime nominal dH3 /dt = 0,
· ¸ · ¸ · ¸
dh3 ∂f ∂f ∂f
= h1 + h2 + + h3
dt ∂H1 0 ∂H2 0 ∂H3 0
α1 α2 α3
= p h1 + p h2 − p h3 (4.31)
2 S H10 2 S H20 2 S H30
Au régime nominal, l’équation statique nous permet de calculer la valeur de α3 , qui replacée
dans ?? donne l’équation linéarisée de l’évolution du niveau.
1³ p p p ´ Q10 + Q20
0= α1 H10 + α2 H20 − α3 H30 ⇒ α3 = p (4.32)
S H30

Q10 Q20 Q1 + Q20

h˙3 = h1 + h2 − 0 h3 (4.33)
2 S H10 2 S H20 2 S H30
82 Chapitre 4 : Commande tolérante additive: Application

4.3.4 Développement de Taylor au premier ordre de l’équation

4.19
En effectuant un développement de Taylor limité au premier ordre de l’équation 4.19,
nous obtenons:
· ¸ · ¸ · ¸ · ¸ · ¸
dT1 dT1 ∂g ∂g ∂g ∂g
≈ + dP1 + dT1 + dQ1 + dH1 (4.34)
dt dt 0 ∂P1 0 ∂T1 0 ∂Q1 0 ∂H1 0
En remplaçant les différentielles par des petites variations,
· ¸ · ¸ · ¸ · ¸
dθ1 dT1 ∂g ∂g ∂g ∂g
= = p1 + θ1 + q1 + h1 (4.35)
dt dt ∂P1 0 ∂T1 0 ∂Q1 0 ∂H1 0

· ¸
∂g 1
=
∂P1 0 S H10 µ c
· ¸
∂g Q10
= −
∂T1 0 S H10
· ¸
∂g T10 − T1i
= −
∂Q1 0 S H10
· ¸ µ ¶
∂g 1 P10 ¡ ¢
= − − T10 − T1i Q10
∂H1 0 S H120 µ c
Au point de fonctionnement, écrivons que la température T1 reste constante, soit
· ¸ µ ¶
dT1 1 P10 ¡ ¢
=0= − T10 − T1i Q10 (4.36)
dt 0 S H10 µ c
· ¸
∂g
⇒ = 0.
∂P1 0
De plus, il est nécessaire de connaı̂tre µ et c. Le régime permanent permet d’écrire
1 Q10 ¡ ¢
= T10 − T1i (4.37)
µc P10
Avec cette nouvelle donnée,
Q10 ¡ ¢ Q10 1 ¡ ¢
θ˙1 = T10 − T1i p1 − θ1 − T10 − T1i q1 (4.38)
S H10 P10 S H10 S H10

4.3.5 Développement de Taylor au premier ordre de l’équation

4.20
En effectuant un développement de Taylor limité au premier ordre de l’équation 4.20,
nous obtenons:
· ¸ · ¸ · ¸ · ¸ · ¸
dT2 dT2 ∂g ∂g ∂g ∂g
≈ + dP2 + dT2 + dQ2 + dH2 (4.39)
dt dt 0 ∂P2 0 ∂T2 0 ∂Q2 0 ∂H2 0
 4.3 Linéarisation 83

En remplaçant les différentielles par des petites variations,

· ¸ · ¸ · ¸ · ¸
dθ2 dT2 ∂g ∂g ∂g ∂g
= = p2 + θ2 + q2 + h2 (4.40)
dt dt ∂P2 0 ∂T2 0 ∂Q2 0 ∂H2 0
· ¸
∂g 1
=
∂P2 0 S H20 µ c
· ¸
∂g Q20
= −
∂T2 0 S H20
· ¸
∂g T20 − T2i
= −
∂Q2 0 S H20
· ¸ µ ¶
∂g 1 P20 ¡ ¢
= − − T20 − T2i Q20
∂H2 0 S H220 µ c
Au point de fonctionnement, écrivons que la température T2 reste constante, soit
· ¸ µ ¶
dT2 1 P20 ¡ ¢
=0= − T20 − T2i Q20 (4.41)
dt 0 S H20 µ c
· ¸
∂g
⇒ = 0.
∂P2 0
De plus, il est nécessaire de connaı̂tre µ et c. Le régime permanent permet d’écrire
1 Q20 ¡ ¢
= T20 − T2i (4.42)
µc P20
Avec cette nouvelle donnée,
Q20 ¡ ¢ Q20 1 ¡ ¢
θ˙2 = T20 − T2i p2 − θ2 − T20 − T2i q2 (4.43)
S H20 P20 S H20 S H20

4.3.6 Développement de Taylor au premier ordre de l’équation

4.21
En effectuant un développement de Taylor limité au premier ordre de l’équation 4.21,
nous obtenons:
· ¸ · ¸ · ¸ · ¸
dT3 dT3 ∂g ∂g ∂g
≈ + dH1 + dH2 + dH3
dt dt 0 ∂H1 0 ∂H2 0 ∂H3 0
· ¸ · ¸ · ¸
∂g ∂g ∂g
+ dT1 + dT2 + dT3 (4.44)
∂T1 0 ∂T2 0 ∂T3 0
En remplaçant les différentielles par des petites variations,
· ¸ · ¸ · ¸
dθ3 dT3 ∂g ∂g ∂g
= = h1 + h2 + h3
dt dt ∂H1 0 ∂H2 0 ∂H3 0
· ¸ · ¸ · ¸
∂g ∂g ∂g
+ θ1 + θ2 + θ3 (4.45)
∂T1 0 ∂T2 0 ∂T3 0
84 Chapitre 4 : Commande tolérante additive: Application

· ¸
∂g Q10 ¡ ¢
= − T30 − T20
∂H1 0 2 S H30 H10
· ¸
∂g Q20 ¡ ¢
= − T30 − T20
∂H2 0 2 S H30 H20
· ¸
∂g 1 h¡ ¢ ¡ ¢ i
= T30 − T10 Q10 + T30 − T20 Q20
∂H3 0 S H320
· ¸
∂g Q10
=
∂T1 0 S H30
· ¸
∂g Q20
=
∂T2 0 S H30
· ¸
∂g 1 ¡ ¢
= − Q10 + Q20
∂T3 0 S H30

Au point de fonctionnement, écrivons que la température T3 reste constante, soit

· ¸
dT3 1 h¡ ¢ ¡ ¢ i
=0= T30 − T10 Q10 + T30 − T20 Q20 (4.46)
dt 0 S H30

· ¸
∂g
⇒ = 0.
∂H3 0

Avec cette nouvelle donnée,

¡ ¢ Q10 ¡ ¢ Q20
θ˙3 = − T30 − T10 h1 − T30 − T20 h2
2 H10 H30 2 H20 H30
Q10 Q20 1 ¡ ¢
+ θ1 + θ2 − Q10 + Q20 θ3 (4.47)
S H30 S H30 S H30

4.4 Obtention du modèle d’état discret du système

Nous cherchons à donner une représentation d’état de la forme:

(
Ẋ = A X + B U
(4.48)
Y = C X +D U

En adoptant les hauteur h ainsi que les températures θ comme composantes du vecteur
d’état, les équations ??, ??, ??, ??, ?? et ?? conduisent à la représentation d’état suivante:
 4.4 Obtention du modèle d’état discret du système 85

h iT h iT
X = h1 h2 h3 θ1 θ2 θ3 , U = q1 q2 p 1 p 2 , Y = X

 
Q10
− 0 0 0 0 0
 2SH10 
 
 Q20 
 0 − 0 0 0 0 
 2SH20 
 Q10 Q20 Q10 + Q20 
 
 − 0 0 0 
 2SH10 2SH20 2SH30 
A =  Q10 
 0 0 0 − 0 0 
 
 SH10 
 Q20 
 0 0 0 0 − 0 
 SH20 
 
 (T30 − T10 )Q10 (T30 − T20 )Q20 Q10 Q20 Q10 + Q20 
− − 0 −
2H10 H30 2H20 H30 SH30 SH30 2SH30

 1 
0 0 0
 S 
 1 
 0 0 0 
 S 
 
 0 0 0 0 
 
B =  T10 − T1i (T10 − T1i )Q10 
 − 0 0 
 SH10 SH10 P10 
 
 T20 − T2i (T20 − T2i )Q20 
 0 − 0 
 SH20 SH20 P20 
0 0 0 0

Le vecteur de sortie étant identique au vecteur d’état, la matrice d’observation C est la

matrice identité de dimensions 6 × 6.

Les valeurs nominales sont les suivantes:

86 Chapitre 4 : Commande tolérante additive: Application

Q10 Débit d’entrée de la cuve 1 Valeur nominale 0.8 l/mn

Q20 Débit d’entrée de la cuve 2 Valeur nominale 1 l/mn

H10 Hauteur du fluide dans la cuve 1 Valeur nominale 400 mm

H20 Hauteur du fluide dans la cuve 2 Valeur nominale 300 mm
H30 Hauteur du fluide dans la cuve 3 Valeur nominale 200 mm

T10 Température de sortie du fluide contenu dans la cuve 1 Valeur nominale 15 o C

T20 Température de sortie du fluide contenu dans la cuve 2 Valeur nominale 20 o C
T30 Température de sortie du fluide contenu dans la cuve 3 Valeur nominale 18 o C

P10 Puissance de chauffe de la résistance 1 Valeur nominale 5 kW

P20 Puissance de chauffe de la résistance 2 Valeur nominale 7 kW

Q130 Débit de sortie de la cuve 1 Valeur nominale 0.8 l/mn

Q230 Débit de sortie de la cuve 2 Valeur nominale 0.8 l/mn

T1i Température du fluide entrant dans la cuve 1 Constante 17 o C

T2i Température du fluide entrant dans la cuve 2 Constante 22 o C

S Section des cuves 1, 2 et 3 Constante 0.0154 m2

R Rayon des cuves 1, 2 et 3 Constante 7cm

Le système est d’ordre 6. La période d’échantillonnage Te est choisie égale au cinquième de

la constante de temps la plus faible. Par la méthode de discrétisation d’Euler, nous obtenons
le modèle d’état discret suivant
 4.5 Résultats de la commande tolérante additive 87

 
0.9780 0 0 0 0 0
 
 0 0.9636 0 0 0 0 
 
 0.0209 0.0346 0.9048 0 0 0 
A = 


 (4.49)
 0 0 0 0.9565 0 0 
 
 0 0 0 0 0.9286 0 
−0.2765 0.3659 0 0.0787 0.0969 0.8187

 
1.3186 0 0 0
 
 0 1.3089 0 0 
 
 0.0142 0.0236 0 0 
B = 1.0e + 003 ∗ 

 , C = I6
 (4.50)
 −6.5207 0 0.0000003 0 
 
 0 −8.5677 0 0.000001 
−0.4646 −0.1974 0.00000001 0.00000005

4.5 Résultats de la commande tolérante additive

Les défauts simulés sur le benchmark sont de types actionneurs et capteurs : - Une
perte d’efficacité d’actionneur de 50/100 sur l’entrée P1 à l’instant 5000 s est simulée avec
h iT
Bf = B(I + diag(α)) et α = α1 .. αi .. αq où α1 = −0.5 et αi = 0 pour i 6= 1:
88 Chapitre 4 : Commande tolérante additive: Application

Fig. 4.2 – Commande nominal de type PI

Fig. 4.3 – Estimation du défaut donnée par le filtre de détection (W)

 4.5 Résultats de la commande tolérante additive 89

Fig. 4.4 – Commande tolérante additive

La présence de l’action intégrale dans la loi de commande permet d’annuler l’erreur sta-
tique sur T3 . Sur la figure (Fig 4.2), suite à l’apparition du défaut à l’instant 5000, on constate
que son effet est visible sur la sortie régulée T3 mais surtout sur T1 et T2 . Sur la (Fig 4.4),
cette effet est négligeable grace à notre commande tolérante additive.
90 Chapitre 4 : Commande tolérante additive: Application

- une perte d’efficacité sur l’entrée P1 de 90 pour cent apparaissant à l’instant 5000s:

Fig. 4.5 – Commande nominale de type PI

Fig. 4.6 – Estimation du défaut donnée par le filtre de détection (W)

 4.5 Résultats de la commande tolérante additive 91

Fig. 4.7 – Commande tolérante additive

La figure 4.7 montre la réactivité de notre loi de commande tolérante à ce défaut sévère.
Sur le procédé réel, la saturation des actionneurs peut diminuer la réactivité de cette loi de
commande et l’empêcher de retrouver ses performances nominales. Une solution consistera
alors à redéfinir les objectifs à atteindre en marche dégradée.
92 Chapitre 4 : Commande tolérante additive: Application

- une rampe sur Q1 de pente 4.10−9 , apparaissant à l’instant 5000 s:

Fig. 4.8 – Commande nominale de type PI

Fig. 4.9 – Estimation du défaut donnée par le filtre de détection (m3 /s)
 4.5 Résultats de la commande tolérante additive 93

Fig. 4.10 – Commande tolérante additive

Ce type défaut est très courant en pratique car du au vieillissement naturel du matériel.
La présence d’une action intégrale ne suffit pas pour s’accommoder de ce type de défauts. La
figure 4.10 montre les performances de la commande tolérante additive et l’impuissance de
la commande PI à s’accommoder de ce type de défaut. Sur le procédé réel, la compensation
de défaut de ce type dépend des limites physiques du système.
94 Chapitre 4 : Commande tolérante additive: Application

- Un bais d’amplitude 0.07m sur le capteur H3 apparaissant à l’instant 5000s:

Fig. 4.11 – Commande nominal de type PI

Fig. 4.12 – Estimation du défaut donnée par le filtre de détection

 4.5 Résultats de la commande tolérante additive 95

Fig. 4.13 – Commande tolérante additive

Sur la figure 4.11, la mesure de H3 rejoint la consigne grace à la commande PI mais la sortie
réelle du système est différente de sa valeur de référence en raison du défaut.
Basée sur l’estimation du défaut H3 (figure 4.12), la commande tolérante additive des figures
(4.13) permet d’éviter ce problème et de retrouver la valeur de référence sur H3.
96 Chapitre 4 : Commande tolérante additive: Application

- Un biais sur le capteur H1 d’amplitude 0.1m apparaissant à l’instant 5000:

Fig. 4.14 – Commande nominale de type PI

Fig. 4.15 – Estimation du défaut donnée par le filtre de détection

 4.5 Résultats de la commande tolérante additive 97

Fig. 4.16 – Commande tolérante additive

Ce défaut n’agit pas sur la commande car cette sortie H1 n’est pas régulée mais toutes
les propriétés de réactivité sont conservées.

La commande additive n’a pas été implémentée pour prendre en compte les informations
du bloc FDI. Il serait intéressant d’implémenter plusieurs tests de détection sur l’amplitude
des défauts donnée par le filtre de détection afin de reconfigurer la loi de commande nominale
en présence de défauts significatifs et donc de limiter l’augmentation de la variance due à
la présence du terme additif uad k . La structure de ce type de commande reconfiguratrice est
donnée par la figure suivante
98 Chapitre 4 : Commande tolérante additive: Application

FDI

Fault

consigne
Régulateur Système Reconfiguration

Fig. 4.17 – Structure de la commande tolérante aux défauts

Pour atteindre cet objectif, il sera alors nécessaire d’étudier la variance de xrec
k − xk inter-
venant dans la loi de commande additive afin de déterminer l’augmentation de la variance
entre les sorties régulées et leurs consignes (et donc de définir un critère de performance non
étudié dans cette thèse).

4.5.1 Conclusion
Ces résultats permettent de montrer la réactivité de notre loi de commande suite à l’ap-
parition de défauts de types pertes d’efficacité d’actionneur, biais sur capteur et rampe sur
actionneur. Toutes les propriétés de la loi de commande nominale PI, en terme de robustesse
et de performance sont donc retrouvées en temps minimal. Ce temps minimal correspond
au temps structurel du système étudié au chapitre 2. Notre objectif d’intégration d’un outil
de diagnostic dans une loi de commande basée observateur est atteint. Un test de détection
appliqué sur l’estimation des défauts donnée par le filtre de détection permettrait de ren-
seigner la partie supervision du système de contrôle commande et éventuellement d’agir en
conséquence sur la loi de commande.
 Conclusion 99

Conclusion

Le travail présenté dans ce mémoire a porté sur le diagnostic des systèmes linéaires
stochastiques avec pour objectif terminal la conception de lois de commande tolérantes aux
défauts. La première phase du travail a porté sur la conception d’un filtre de détection
robuste afin que son résidu directionnel soit insensible aux incertitudes déterministes et le
plus possible insensible aux incertitudes stochastiques. Ce travail a donné lieu à la conception
d’un filtre de détection basé sur l’inversion du système, une approche complétement différente
de celles existantes dans la littérature. Après la paramétrisation de toutes les inverses à
gauche du système obtenue par l’étude de la structure des zéros infinis du système, les degrés
de liberté restant disponibles ont été déterminés afin de permettre l’atténuation optimale des
perturbations stochastiques sur le résidu généré. Cette approche a permis de définir le filtrage
d’état optimal d’une partie réduite du vecteur d’état du système de dimension maximale.
En d’autres mots, la conséquence des défauts sur l’erreur d’estimation d’état du filtre a été
réduite à son maximum tout en conservant suffisamment d’information pour leur détection et
localisation dans l’espace de sortie. La structure deadbeat de l’espace de détection du filtre,
de dimension minimale, est à la base de la conception de deux lois de commande tolérantes
aux défauts à réactivité maximum. La première est basée sur le filtre de détection à état
augmenté et sur le principe de séparation bien connu dans le cadre LQG. La loi de commande
a été obtenue par un rejet des modes non contrôlables. Cette approche a débouché sur une
commande de type LTR obtenue ici par le calcul explicite de l’inverse à gauche du système.
Elle diffère donc de celles existantes dans la littérature lorsque la commande de type LTR
est obtenue via la commande LQG dans le cas limite où la puissance des bruits sur le filtre
de Kalman tend vers l’infini. Les résultats théoriques sont donc validés par l’existence de
ce lien. La dernière phase du travail a permis la validation pratique de la loi de commande
additive à réactivité maximale sur un système Benchmark dans le cadre du projet IFATIS.
Cette loi de commande a été comparée avec une commande de type PI standard. Les résultats
pratiques ont montré les propriétés de réactivité quant à l’annulation des effets néfastes liés à
l’apparition brutale d’un ou de plusieurs défauts sur le système par rapport à une commande
de type PI standard toujours plus lente à réagir. Les résultats du bloc FDI ne renseignent
pour l’instant que la partie supervision du système de contrôle/commande. Les perspectives
de nos travaux portent bien évidemment sur le passage en boucle fermée du bloc FDI afin
d’adapter en temps réel la structure de la loi de contrôle. Dans le contexte stochastique
100 Conclusion

où les résultats du bloc FDI peuvent être erronés (fausses alarmes, non détections..), cette
approche boucle fermée reste encore actuellement très difficile à élaborer d’un point de vue
théorique. Il serait intéressant d’améliorer l’étude structurelle du filtre de détection dans un
contexte multi-filtres (Conditions duales des ordres essentiels définis pour la commande).
 101

Annexe A

Paramétrisation du filtre de détection

de Park et Rizzoni (1994)

Dans Park et Rizzoni (1994), le filtre de détection est obtenu à partir de l’assignation
spectrale suivante

(λj I − (A − KC))υj = 0, j = 1, 2, . . . , n (A.1)

ni
X
Avec fi = αji vji et ni ≤ n, le problème consiste alors à paramétrer les solutions de
j=1
" #" # " #
λij I − A K υji 0
= (A.2)
C 0 wi wi

avec wi , Cfi = Cυji et j = 1,2,...,n̄i ≥ ni où n̄i est le nombre de valeurs propres à assigner.
La solution est alors donnée par
ni
X
K = (Afi − αji λij vji )(Cfi )+ + Ki (I − (Cfi )(Cfi )+ ) (A.3)
j=1

L’equation (A.2) ne peut pas être une solution directe du gain K car le terme en somme est
inconnu. C’est la principale limitation de cette méthode. L’espace de détection et l’ordre de
detection sont définis comme suit

A − KC = (Ai − Ki Ci ) (A.4)

avec

Ci = (I − (Cfi )(Cfi )+ )C
Xni
(A.5)
Ai = A − (Afi − αji λij vji )(Cfi )+ C
j=1
102 Chapitre A : Paramétrisation du filtre de détection de Park et Rizzoni (1994)

La paire (Ai ,Ci ) n’est pas totalement observable. L’espace de détection est défini par les
vecteurs propres associés aux valeurs propres inobservables.
 
Ci
 
 Ci Ai 
D fi = N 
 .. 
 (A.6)
 . 
Ci An−1i

L’ordre de détection µi du défaut fi est défini par la dimension de l’espace de détection

 
Ci
 
 Ci Ai 
µi = rang(Dfi ) = n − rang   .. 
 (A.7)
 . 
Ci An−1
i
 103

Annexe B

Algorithme d’inversion de Silverman

(1969)

L’algorithme d’inversion recursive de Silverman consiste à calculer l’inverse à droite du

transfert HdT (z) = F T (Iz − AT )−1 C T + N T obtenu par la répétition de l’opération sur la
sortie du système ΓT = (AT ,C T ,F T ,N T ). La matrice d’interaction unitaire ξ T (z) d’ordre
minimal α telle que ξ T (z)HdT (z) = [F̂αT (Iz − AT )−1 C T + N̂αT"] avec N̂αT est#de rang plein en
Iqj 0
ligne et donnée par ξ T (z) = ξα−1T
(z)..ξ1T (z)ξ0T (z) avec ξjT (z) = SjT (satisfaisant
0 zIq−qj
T T ∗
[ξj (z)][ξj (z)] = Iq ). L’algorithme de Silverman est décrit par les étapes suivantes:
T T T T T
" Soit# q0 = rangN < q, il existe une matrice orthogonale S0 (S0 S0 = I) tel que S0 N =
Ñ0T
où Ñ0T est de rang q0 .
0
" # " #
˜0
d F̃ T
k 0
Avec S0T dk = et S0T F T = , le système ΓT peut s’écrire
¯
d1
F̄ T
k 1

x∗k+1 = AT x∗k + C T yk (B.1)

" # " # " #
d˜0k F̃0T Ñ T
0
= x∗k + yk (B.2)
¯
dk 1
F̄1T
0

ou d’une façon équivalente

" #" # " # " # " #
Iq 0 0 d˜0k d˜0k F̃0T Ñ0T
= = x∗k + yk (B.3)
0 zIq−q0 d¯1k d¯1k+1 F̄1T AT F̄1T C T

Le système ΓT1 est alors défini par

x∗k+1 = AT x∗k + C T yk (B.4)

" # " # " #
d˜0k F̃0T Ñ T
0
= x∗k + yk (B.5)
d¯1k+1 F1T N1T
104 Chapitre B : Algorithme d’inversion de Silverman (1969)

" #
Iq 0 0
où F1T = F̄1T AT et N1T = M̄1T C T avec ξ0T (z) = S0T la matrice de passage
0 zIq−q0
" #
T
Ñ 0
de ΓT vers ΓT1 . Soit q1 = rang . Si q1 < q, alors il existe une matrice orthogonale
N1T
" # " #
T T
Ñ 0 Ñ 1
S1T (S1T S1 = I) telle que S1T = où Ñ1T est de rang pleine ligne q1 . Avec
N1T 0
" # " # " # " #
d˜0 ˜1
d F̃ T
F̃ T
k k+1 0 1
S1T = et S1T = , le système Γ̃T1 peut s’écrire
¯
d1 ¯
d2
F T
F̄ T
k+1 k+1 1 2

x∗k+1 = AT x∗k + C T yk (B.6)

" # " # " #
d˜1k+1 F̃1T Ñ T
1
= x∗k + yk (B.7)
d¯2k+1 F̄2T 0

Avec
" #" # " # " # " #
Iq 1 0 d˜1k+1 d˜1k+1 F̃1T Ñ1T
= = x∗k + yk (B.8)
0 zIq−q1 d¯2k+1 d¯2k+2 F̄2T AT F̄2T C T

la séquence Γ2 est alors définie par

x∗k+1 = AT x∗k + C T yk (B.9)

" # " # " #
d˜1k+1 F̃1T Ñ T
1
= x∗k + yk (B.10)
d¯2k+1 F2T N2T
" #
Iq 1 0
où F2T = F̄2T AT et N2 = F̄2T C T avec ξ1T (z) = S1T la matrice de passage de ΓT1
0 zIq−q1
vers ΓT2 .
Si HdT (z) est inversible à droite, alors il existe un entier α tel que le système original ΓT se
transforme

x∗k+1 = AT x∗k + C T yk (B.11)

dαk = F̂αT x∗k + N̂αT yk (B.12)
" # " # " #
˜α−1
d F̃ T
Ñ T
k+α−1 α−1 α−1
avec dαk = , F̂αT = tel que N̂αT = soit de rang pleine ligne. Le
d¯αk+α FαT NαT
degré de la matrice d’interaction ξ T (z) = ξα−1 T
(z)..ξ1T (z)ξ0T (z) satisfaisant ξ T (z)[ξ T (z)]∗ = I
T
(car S0T S0 = I,S1T S1 = I,..,Sα−1 Sα−1 = I) est minimal et correspond au nombre d’iterations
α pour obtenir Γα à partir de ΓT .
T

Soit ΓT (K T ) = (AT − C T K T ,C T ,F T − N T K T ,N T ) définit la boucle fermée du système

ΓT = (AT ,C T ,F T ,N T ) obtenu par le retour d’état suivant yk = −K T x∗k . Le système ΓT (K T )
est inobservable au maximum avec K T = (N̂α )+ F̂αT (Erme et Silverman, 1976)
 BIBLIOGRAPHIE 105

Bibliographie

Adam-Medina, M., M. Rodrigues, D. Theilliol et H. Jamouli (2003). Fault diagnosis in non-

linear systems through and adaptive filter under a convex set representation. ECC
Cambridge, UK.
Ahmed-Zaid, F., K. Gousman P. Ioannou et R. Rooney (1991). Accommodation of failure
in the f-16 aircraft using adaptive control. IEEE Control Systems, pp. 73–78.
Anderson, B.D.O et J.B. Moore (1990). Optimal control : Linear quadratic methods. Engle-
wood Cliffs. Prentice Hall.
Balas, G. et [Link] (2002). Detection filter design for LPV systems. 15th IFAC World
Congress on Automatic Control,Barcelone.
Basseville, M. et A. Benveniste (1983). Design and comparative study of some sequential
jump detection algorithms for digital signal. IEEE transaction. Acous., speech, signal
processing, 31, 521–534.
Basseville, M. et I. Nikiforov (1994). Detection of abrupt changes theory and application.
Thomas Kailath. Prentice Hall.
Beard, R.V. (1971). Failure Accomodation In Linear Systems Through self-reorganization.
PhD thesis. Massachusetts Institute of Technology. Department of Aeronautics and
Astronautics, Cambridge , Massachusetts (USA).
Bennett, S.M., R.J. Patton et S. Daley (1999). Sensor fault tolerant control of rail traction
drive. Control Engineering Practice, 7(2), 217–225.
Blanke, M., R.J. Patton C. Frei, F. Kraus et M. Starosweicki (2000). What is fault-tolerant
control?. Proc. of the 4th IFAC Symp. on Fault Detection, supervision and safety for
Technical Process, Budapest, pp. 40–51.
Chen, R.H., D.L. Mingori et J.L. Speyer (2003). Optimal stochastic fault detection filter.
Automatica, 39, 377–390.
Chen, R.H. et J.L Speyer (2002). Robust multiple-fault detection filter. International Journal
of Robust and Nonlinear Control, 12, 675–696.
Choi, J.W, J.G. Lee, Y. Kim et T. Kang (1995). Design of an effective controller via distur-
bance accommodating left eigenstructure assignment. Automatica, 18(2), 347–354.
Choi, J.W., S.B Lee et al. (2000). A fault isolation filter design using left eignstructure
assignment scheme. KSME International Journal, 14(6), 583–589.
106 BIBLIOGRAPHIE

Chow, E.Y et A.S Willsky (1984). Analytical redundancy and the design of robust detection
systems. IEEE Transactions On Automatic Control, AC-29(7), 603–614.
Chung, W.H. et J.L. Speyer (1998). A game theoretic fault detection filter. IEEE Transaction
on Automatic Control, AC-43, 933–935.
Clark, R.N. (1979). The dedicated observer approach to instrument failure detection. 18th
IEEE Conf. on Decision and Control, Fort Lauderdale, pp. 237–241.
Commault, C. (1999). On the disturbed fault detection and isolation problem. Systems
Control Letters, 38, 73–78.
Commault, C., M. Dion, O. Sename et R. Motyeian (2002). Observer-based fault detec-
tion and isolation for structured systems. IEEE Transactions On Automatic Control,
47(12), 2074–2079.
Deckert, J.C., M.N. Desai, J.J. Deyst et A.S. Willsky (1977). F8-dfbw sensor failure identifi-
cation using analytical redundancy. IEEE Transaction On Automatic Control, 22, 795–
803.
DeSousa, C.E., M.R. Gevers et G.C. Goodwin (1986). Riccati equations in optimal filtering
of nonstabilizable systems having singular state transition matrices. IEEE Transaction
on Automatic Control, AC-31, 831–838.
Dittmar, C.J. (1988). A hyperstable model-following flight control system used for reconfi-
guration following aircraft impairement. American Control Conference, pp. 2219–2224.
Douglas, R.K. et J.L Speyer (1996). Robust fault detection filter design. AIAA Journal of
Guidance, Control and Dynamics, 19(1), 214–218.
Edelmayer, A., [Link] et al. (1997). Robust detection filter design in the presence of time-
varying system perturbations. Automatica, 33(3), 471–475.
Erme, E. et L.M. Silverman (1976). Minimal dynamic inverse for linear systems with arbi-
trary initial states. IEEE Transaction on Automatic Control, AC-21, 766–770.
Franck, P.M. (1990). Fault diagnosis in dynamic systems using analytical and knowledge-
based redundancy. Automatica, 26, 459–474.
Franck, P.M. et X. Ding (1994). Comparison of Observer-based Fault Detection Approaches.
Safeprocess 94, Helsinski (Finland), pp. 556–561.
Friedland, B. (1969). Treatment of bias in recursive filtering. IEEE Transaction On Auto-
matic Control, 14, 359–367.
Gao, Z. et P.J Antsaklis (1991). Stability of the pseudo-inverse method for reconfigurable
control systems. International Journal of Control, 53(3), 717–729.
Gertler, J. (1991). Analytical Redundancy Methods in Failure Detection and Isolation. Sa-
feprocess 91, Baden-Baden (Germany), pp. 9–21.
Gertler, J. (1998). Fault Detection and Diagnosis in Engineering Systems. Marcel Dekker,
Inc.
 BIBLIOGRAPHIE 107

Gertler, J. et D. Singer (1986). A New Structural Framework for Parity Equation Based
Failure Detection and Isolation. Automatica, 26, 381–388.
Gleason, D. et A. Andrisani (1990). Observer design for discrete systems with unknown
exogenous inputs. IEEE Transaction on Automatic Control, AC-35, 933–935.
Gopinathan, M., K.R. Mehra et C.J. Runkle (1999). Model predictive fault-tolerant tempe-
rature control scheme for hot isostatic pressing furnaces. American Control Conference,
pp. 637–641.
Groszkiewicz, J.E. et M. Bodson (1995). Flight control reconfiguration using adaptive me-
thods. Control conference on decision, pp. 1159–1164.
Gustafson, D.E., A.S. Willsky, M.C. Lancaster J.Y. Wang et J.H. Triebwasser (1978).
Ecg/vgc rhythm diagnosis using statistical signal analysis i; identification of persistent
rhythms. IEEE Transaction Biomed. Eng, 25, 344–352.
Gustafsson, F. (2002). Stochastic fault diagnosability in parity spaces. 15th Triennial World
Congress, Barelona.
Hou, M. et P.C Muller (1994). Fault detection and isolation observers. International Journal
Control, 60, 827–846.
Hou, M. et R.J. Patton (1998). Input observability and input reconstruction. Automatica,
34, 789–794.
Hsu, P.L. et L.C. Shen (1995). A robust diagnostic approach for uncertain system: an example
for the jet engine sensor systems. SPIE’s Conference on Sensing, Actuating, and Control,
2494, 48–59.
Huang, C.Y et R.F Stengel (1990). Restructurable control using proportional-integral impli-
cit model following. Journal of Guidance Control and dynamics, 13(2), 303–309.
Izadi-Zamanabadi, R. et M. Blanke (1999). A ship propultion system as bencjmark for fault
tolerant control. Control Engineering Practice, 7(2), 227–239.
Jamouli, H., J.Y. Keller et D. Sauter (2001). Estimation of loss control effectiveness. 16th
IAR Annual meeting and Associated Workshops, Strasbourg.
Jamouli, H., J.Y. Keller et D. Sauter (2003). Fault isolation filter with unknown inputs in
stochastic systems. Safeprocess, Washington.
Jiang, J. (1994). Design of reconfigurable control systems using eigenstructure assignment.
Control Engineering Practice, 59(2), 195–410.
Join, C., J-C. Ponsart, D. Sauter et H. Jamouli (2003). Fault decoupling via generalized
output injection. ECC Cambridge, UK.
Jones, H.L. (1973). Failure detection in linear systems. PhD thesis. Massachusetts Institute
of Technology. Department of Aeronautics and Astronautics, Cambridge.
Kailath, T. (1980). Linear systems. Prentice-Hall.
Keller, J.Y. (1999). Fault isolation filter design for linear stochastic systems. Automatica,
35, 1701–1706.
108 BIBLIOGRAPHIE

Keller, J.Y et M. Darouach (1997). Optimal two-stage Kalman filter in the presence of
random bias. Automatica, 33(9), 1745–1748.
Keller, J.Y. et M. Darouach (1998). Reduced-order Kalman filter with unknown inputs.
Automatica, 34(11), 1463–1468.
Keller, J.Y., H. Jamouli, C. Aubrun et D. Sauter (2002). Minimum time fault isolation filter
in discrete time stochastic systems. Conference on Decision and Control, Las Vegas.
Kim, Y. et J. Park (1999). An analysis of detection spaces using invariant zeros. Proceedings
of the American Control Conference, San Diego, California, pp. 3810–3814.
Kitanidis, P.K. (1987). Unbiased minimum variance linear state estimation. Automatica,
23(6), 775–778.
Kobayashi, N. et T. Nakamizo (1982). An observer design for systems with unknown inputs.
International Journal of Control), 35, 605–619.
Konstantopoulos, I.K et P.J Antsaklis (1999). An optimization approach to control reconfi-
guration. Dynamics and Control, 9(3), 255–270.
Kullback, S. (1959). Information theory and statistics. Jhon-Wiley and Son. Prentice Hall.
New York.
Kwakernaak, H. (1976). Asymptotic root loci of multivariable linear regulators and linear
optimal filters. IEEE Transaction on Automatic Control, AC-17, 79–86.
Liu, B. et J. Si (1994). Fault detection and isolation for linear time invariant systems. 33rd
Conference on Decision and Control, Lake Buena Vista, pp. 3048–3053.
Liu, B. et J. Si (1997). Fault isolation filter design for linear time invariant systems. IEEE
Transaction on Automatic Control, 42(5), 704–707.
Looze, D.P, J.S Eterno J.L. Weiss et N.M Barett (1985). An automatic redesign approach
for restructurable control systems. IEEE Control systems magazine, pp. 16–22.
Maciejowski, J.M. (1997). Reconfigurable control using constrained optimization. European
control conference, Belgium, pp. 107–130.
Maciejowski, J.M. (2000). Fault-tolerant aspects of mpc. IN Proc. of the IEE Seminar on
Practical Experiences with Predictive Control.
Mahmoud, M., J. Jiang et Y.M. Zhang (2001). Stochastic stability analysis for fault tole-
rant control systems in the presence of noise. IEEE Transaction on Automatic Control,
46(11), 1810–1815.
Mahmoud, M., J. Jiang et Y.M. Zhang (2003). Active Fault Tolerant Control systems : Sto-
chastic Analysis and Synthesis. Vol. 287. Lectures Notes in Control and Information
Sciences. Berlin, Germany.
Massoumnia, M. (1986). A geometric approach to the synthesis of failure detection filters.
IEEE Transaction on Automatic Control, 31(9), 839–846.
 BIBLIOGRAPHIE 109

Massoumnia, M. et W.E. Vander Velde (1987). Generating Parity Relations for Detecting
and Identifying Control System Component Failures. Journal of Guidance, Control and
Dynamics, 11(1), 60–65.
Massoumnia, M., G.C. Verghese et A.S. Willsky (1989). Failure detection and identification.
IEEE Transaction on Automatic Control, 34(3), 316–321.
Maybeck, P.S (1999). Multiple model adaptive algorithms for detecting and compensaing sen-
sor and actuator/surface failures in aircraft flight control systems. International Journal
of Robust and nonlinear control, 9(14), 1051–1070.
Maybeck, P.S et R.D Stevens (1991). Reconfigurable flight control via multiple model
adaptive control methods. IEEE Transactions on aerospace and electronic systems,
27(3), 470–480.
Mehra, R.K et J. Peschon (1971). An innovations approach to fault detection and diagnosis
in dynamic systems. Automatica, 7, 637–640.
Moore, J.B., D. Gangsaas et J. Blight (1981). Performance and robustness trades in lQG
regulator design. 20th CDC, San Diego, California, pp. 1191–1200.
Morse, W.D. et K.A. Ossman (1990). Model following reconfigurable flight control system
for the AFTI/F1-16. Journal Guidance, 13(6), 969–976.
Nett, C.N., J.A. Jacobson et A.T. Milier (1988). An integrated approach to control and
diagnostics: The four-parameter controller. IEEE American control conference. Atlanta,
pp. 824–835.
Nikoukhah, R. (1994). Innovations generation in the presence of unknown inputs : application
to robust failure detection. Automatica, 30(12), 1851–1867.
Noura, H. (2002). Méthodes d’accommodation aux défauts: Théorie et application. HDR.
Université Henri Poincaré Nancy1.
Noura, H. et F. Hamelin D. Sauter (1997). Evaluation of a fault-tolerant control design for
actuators faults. IEEE American control conference. San Diego.
Noura, H., F. Hamelin D. Sauter et D. Sauter (2000). Fault tolerant control in dynamic
systems : Application to a winding machine. IEEE Control system Magazine, 20(1), 33–
49.
Ochi, Y. et K. Kanai (1991). Design of restructurable flight control systems using feedback
linearization. Journal guidance, 14(5), 903–911.
O’Reilly, J. (1983). Observers for linear systems. Academic Press.
Owen, D.B. (1962). Handbook of statistical tables. Addison-Wesley. Reading, M.A.
Park, J. et G. Rizzoni (1994a). An eigenstructure assignment algorithm for the design of
fault detection filters. IEEE Transaction on Automatic Control, 39(7), 1521–1524.
Park, J. et G. Rizzoni (1994b). A new interpretation of the fault detection filter. International
Journal of Control, 60, 1339–1351.
110 BIBLIOGRAPHIE

Park, J. et G. Rizzoni (1994c). A new interpretation of the fault detection filters. Interna-
tional Journal of Control, 60, 767–787.
Park, J., G. Rizzoni et W.B. Ribbens (1994). On the representation of sensor faults in fault
detection filters. IEEE Transaction on Automatic Control, 30(11), 1793–1795.
Parlangeli, G. et M.E. Valcher (2002). Disturbed fault detection and isolation problems for
linear state models in a noisy environment. 15th IFAC World Congress on Automatic
Control,Barcelone.
Patel, R.V. (1982). Construction of stable inverses for linear systems. International Journal
Systems Science, 13, 499–515.
Patton, R.J. (1993). Robustness issues in fault tolerant control. IEE Colloquium on Fault
Diagnosis and Control System Reconfiguration, 9(1), 9–25.
Patton, R.J. (1997). Fault tolerant control : the 1997 situation. In the proceeding of IFAC
Symposium SAFEPROCESS’97,UK, pp. 1033–1055.
Patton, R.J. et J. Chen (1991a). A Re-examination of the Relationship between Parity Space
and Observer-based Approaches in Fault Diagnosis. Diagnostic et Sûreté de Fonction-
nement, 1, 183–200.
Patton, R.J. et J. Chen (1991b). A Review of Parity Space Approaches to Fault Diagnosis.
Safeprocess 91, Baden-Baden(Germany), 1, 65–81.
Patton, R.J. et J. Chen (1992). Robust fault detection of jet engine sensor systems using
eigenstructure assignment. Journal of Guidance, Control and Dynamics, 15(6), 1491–
1497.
Patton, R.J. et J. Chen (1997). Observer-based Fault Detection and Isolation: Robustness
and Applications. Control Engineering Practice, 5(5), 671–682.
Patton, R.J., P.M. Frank et R.N. Clark (1989). Fault Diagnosis in Dynamic Systems, Theory
and Application. Prentice Hall, New York. Control Engineering Series.
Peng, Y. et M. Kinnaert (1992). Explicit solution to the singular LG regulation problem.
IEEE Transaction on Automatic Control, AC-37, 633–636.
Rago, C., R. Prasanth, R.K. Mehra et R. Fortenbaugh (1998). Failure detection and identifi-
cation and fault tolerant control using the immf-kf with applications to eagle-eye uav. IN
Proc. of the IEEE Conference on Decision and Control, Tampa, Florida, pp. 4208–4213.
Rausch, H.E. (1995). Autonomous control reconfiguration. IEEE Control Systems Magazine,
15(6), 37–49.
Rowe, C. et J.M. Maciejowski (2000). Improving the feasibility of lmi-based robust constrai-
ned model predictive control: application to fault tolerant control. UKACC Internatio-
nal Conference on Control.
Sauter, D. et H. Noura F. Hamelin (1998). Fault tolerant control in dynamic systems using
convex optimization. Proc, IEEE ISIC/CIRA/ISAS, 2(5), 187–192.
 BIBLIOGRAPHIE 111

Sauter, D., H. Jamouli et J.Y. Keller (2003). Actuator fault compensation for a winding
machine. Symposium on automation mineral and metal processing, Chine.
Shen, Li. et Pau. Hsu (1998). Robust design of fault isolation observers. Automatica,
34(1), 1421–1429.
Silverman, L.M. (1969). Inversion of multivariable linear systems. IEEE Transaction on
Automatic Controlg, 14, 270–276.
Sobel, K., H. Kaufman et L. Mabius (1982). Implicit adaptive control for a class of mimo
systems. IEEE Transactions on Aerospace and electronic systems, 18(5), 576–590.
Staroswiecki, M. et A.L. Gehin (2001). From control to supervision. Annual Reviews in
Control, 25, 1–11.
Stein, G. et M. Athans (1987). The LQG/LTR procedure for multivariable feedback control
design. IEEE Transactions On Automatic Control, AC-32(2), 105–114.
Summerer, L., J.Y. Keller et M. Darouach (1997). Robust fault diagnosis with a two-stage
Kalman estimator. European Journal of Control, 3, 247–252.
Tao, G. et X. Ma S.M Joshi (2001). Adaptive state feedback and tracking control of systems
with actuator failures. IEEE Transaction on Automatic Control, 46(1), 78–95.
Tay, T.T. et J.B. Moore (1991). Adaptive LQG controller with loop transfer recovery. Inter-
national Journal of Adaptive Control and Signal Processing, 5, 135–149.
Theilliol, D. et D. Sauter H. Noura (1998). Fault tolerant control method for actuator and
component faults. IEEE conference decision and control, Tampa, FL.
Tortora, G. (2002). Fault-tolerant control and intelligent instrumentation. Computer and
Control Engineering Journal, 13(5), 259–269.
Veillette, R.J. (1995). Reliable linear-quadratic state-feedback control. Automatica,
31(1), 137–143.
White, J.E. et J.L. Speyer (1987). Detection filter design : Spectral theory and algorithms.
IEEE Transaction on Automatic Control, AC-32(7), 593–603.
Willsky, A.S. (1976). A survey of design methods for failure detection in dynamic systems.
Automatica, 12, 601–611.
Willsky, A.S. et H.L. Jones (1976). A generalized likelihood ratio approach to detection
and estimation of jumps in linear systems. IEEE Transaction On Automatic Control,
21, 108–112.
Willsky, A.S., E.Y. Chow, P.K. Houpt S.B. Gershwin, C.S. Greene et A.L. Kurkjian (1980).
Dynamic model-based techniques for the detection of incidents on freeways. IEEE Tran-
saction On Automatic Control, 25, 347–360.
Wolowich, W.A et P.L. Falb (1976). Invariants and canonical forms under dynamic compen-
sation. SIAM J. Control optim., 14, 996–1008.
Wonham, W.M. (1985). Linear multivariable control: a geometric approach. Vol. 10 de Ap-
plications of Mathematics. 2 ed.. Springer-Verlag.
112 BIBLIOGRAPHIE

Wu, E. et K. Zhou Y. Zhang (1998). Control effectiveness estimation using an adaptive

kalman estimator. Proc, IEEE ISIC/CIRA/ISAS, pp. 181–186.
Wu, N.E. (1997). Robust feedback design with optimized diagnostic performance. IEEE
Transaction on Automatic Control, 42(9), 1264–1268.
Wu, N.E. et T.J Chen (1996). Feedback design in control reconfigurable systems. Interna-
tional Journal of Robust and nonlinear control, 6(6), 561–570.
Wu, N.E., K. Zhou et G. Salomon (2000a). Reconfigurability in linear time-invariant systems.
Automatica, 36, 1767–1771.
Wu, N.E., Y.M. Zhang et K. Zhou (2000b). Detection, estimation, and accommodation of
loss control effectiveness. International journal of adaptive control and signal processing,
14(7), 775–795.
Wunnenberg, J. et P.M. Frank (1987). Sensor fault using detection via robust observers.
SIAM J. Control optim., 14, 996–1008.
Yang, Z., R. Izadi-Zamanabadi et M. Blanke (2000). On-line multiple-model based adaptive
control reconfiguration for a class of nonlinear control systems. IFAC Symposium on
fault detection, supervision and safety for technical Processes-Safe process, Budapest.
Zaid, F.A, K. Gousman P. lonnaou et R. Rooney (1991). Accommodation of failures in the
F16 aircraft using adaptive control. IEEE Control systems magazine, 11(1), 73–84.
Zhang, Y. et J. Jiang (1999). An interacting multiple-model based fault detection, diagnosis
and fault tolerant control approach. IEEE Conference on Decsion and Control, Phoenix,
pp. 3593–3598.
Zhang, Y.M et J. Jiang (2001a). An active fault tolerant control using IMM approach. IEEE
Transactions on aerospace and electronic systems, 37(4), 1221–1235.
Zhang, Y.M et J. Jiang (2001b). Fault tolerant control systems design with consideration of
performance degradation. American Control conference, Virginia, pp. 2694–2699.
Zhang, Y.M. et J. Jiang (2002). Active fault-tolerant control system against partial actuator
failures. IEE Proc.-Control Theory Appl., 149(1), 95–104.
Zhang, Y.M et J. Jiang (2002, spain). Design of restructurable active fault tolerant control
systems. IFAC World Congress b’02.
Zhao, Q. et J. Jiang (1998). Reliable state feedback control system design against actuator
failures. Automatica, 34(10), 1267–1272.
Zhou, D.H. et P.M. Frank (1998). Fault diagnosis and fault tolerant control. IEEE Transac-
tion. Aerospace and Electronic, 34(2), 420–427.