FR 
EN Équipe de Recherche
Responsable du projet
Bouzrara Kais
Grade : Professeur
Enseignants-chercheurs impliqués
Mbarek Abdelkader
Grade : Maître de conférences
Krifa Abdelkader
Grade : Maître de conférences
Maraoui Saber
Grade : Maître Assistant
Maraoui Safa
Grade : Maître Assistant
Ben Mabrouk Walid
Grade : Maître Assistant
Doctorants à mobiliser dans le cadre du projet
Kerkeni Rochdi
Ben Gharat Ibtissem
Oussaifi Mejdi
El Wavi Sidi Abdallah
Résumé et Objectifs
Résumé
Le thème étudié concerne principalement l'exploitation des méthodes d'intelligence artificielle pour deux axes de recherche principaux :
- Modélisation et identification des systèmes complexes.
- Détection et diagnostic des défauts des systèmes industriels.
L'intelligence artificielle (IA) est devenue un domaine incontournable dans le développement de solutions innovantes pour diverses disciplines scientifiques et techniques. Dans le cadre de l'automatique et du contrôle des systèmes, la modélisation et le diagnostic des systèmes dynamiques sont des étapes cruciales pour comprendre et contrôler des processus complexes. Traditionnellement, ces processus ont été abordés à l'aide de modèles mathématiques classiques tels que les modèles linéaires et non linéaires, lesquels ont montré leurs limites lorsqu'ils doivent décrire des systèmes de plus en plus complexes et non prévisibles.
Concernant la modélisation des systèmes complexes, l'utilisation des algorithmes d'intelligence artificielle ouvre de nouvelles perspectives en combinant l'expressivité de modèles de type NARX-Laguerre ou en générale des modèles exploitant les bases orthogonales avec la capacité d'apprentissage des algorithmes d'IA (comme les réseaux de neurones, l'optimisation par des algorithmes évolutionnaires, ou l'apprentissage par renforcement). De tels algorithmes pourraient permettre de mieux comprendre et modéliser des systèmes complexes, où les approches classiques échouent souvent. Il faut signaler que les modèles basés sur des bases orthogonales présentent un potentiel intéressant pour représenter une large classe de systèmes dynamiques, qu'ils soient linéaires ou non linéaires. Ces bases orthogonales permettent de décrire des comportements complexes, tout en conservant des propriétés algébriques intéressantes pour l'identification des paramètres du système.
La détection et le diagnostic des défauts jouent un rôle essentiel dans le maintien de la qualité et la sécurité des produits, ainsi que dans l'amélioration de l'efficacité globale des processus industriels. Ces techniques permettent d'identifier rapidement les anomalies ou les écarts par rapport aux conditions normales de fonctionnement, permettant ainsi de prendre rapidement des mesures correctives pour prévenir ou atténuer les défauts potentiels. Un défaut est tout écart non autorisé d'au moins un paramètre ou d'une variable de procédé dans l'installation. Ainsi, il est nécessaire d'utiliser des méthodes de surveillance de processus pour détecter les défauts et pour réserver les processus dans un état sécurisé et fiable. La détection des défauts, le diagnostic et le pronostic sont les principales phases de la surveillance des processus. L'étape de détection vise à déterminer l'existence d'un défaut dans le système, l'étape de diagnostic vise à déterminer quel défaut s'est produit et le pronostic de défaut vise à prédire le comportement futur de l'anomalie du processus. La détection et le diagnostic des défauts sont deux domaines de recherche importants qui ont attiré une grande attention dans les domaines académique et industriel. En planifiant de manière proactive les activités de maintenance en fonction de la détection des défauts, les temps d'arrêt et les arrêts imprévus coûteux peuvent être minimisés. La détection et le diagnostic des défauts peuvent être classés en approches basées sur des modèles, basées sur les connaissances et basées sur les données. Les approches basées sur des modèles reposent sur la comparaison du comportement du processus observé, tel que détecté par les capteurs, avec le comportement attendu prédit par un modèle de processus mathématique. Ce modèle découle généralement d'une compréhension globale du processus dans des conditions normales et sans défaut, souvent basée sur des principes physiques et chimiques. La comparaison entre les mesures réelles du processus et les prédictions du modèle produit un résidu qui indique si le processus fonctionne normalement ou s'il rencontre des défauts. Cependant, l'efficacité des méthodes basées sur des modèles dépend de la précision du modèle mathématique, qui peut s'avérer difficile à développer en raison de la complexité des processus industriels et des nombreux paramètres impliqués. Les approches basées sur les connaissances font référence à des systèmes ou des méthodes qui s'appuient sur l'expertise humaine, la connaissance du domaine ou des principes établis pour prendre des décisions ou résoudre des problèmes. Les systèmes basés sur la connaissance utilisent souvent des règles, des heuristiques ou des bases de connaissances pour guider leurs processus de raisonnement et de prise de décision. D'autre part, les techniques basées sur les données utilisent les données historiques collectées au cours d'opérations de traitement sans erreur. Ces méthodes exploitent les données de formation pour construire un modèle empirique, qui est ensuite utilisé pour détecter les défauts en analysant les futures données de mesure.
Parmi les applications étudiées dans ce projet, il est important de mentionner les systèmes photovoltaïques, les systèmes éoliens et les réseaux électriques. Ces derniers ont été construits pour fournir l'électricité de la production centralisée aux clients fixes et aux charges attendues. Avec l'intégration des sources de production distribuée des technologies de micro-réseau et de stockage d'énergie, les systèmes de distribution deviennent de nature plus décentralisée et bilatérale pour atteindre la reconfiguration du système et la capacité d'auto-guérison du réseau électrique intelligent. De nombreux litiges accompagnent cette nouvelle structure et impliquent de réguler le flux d'énergie bidirectionnel, la tension et l'amortissement des oscillations de manière équilibrée dans le réseau. Dans ces situations, de nombreux types de défauts peuvent survenir dans le réseau, tels que des défauts côté source et charge, des défauts de convertisseur (onduleur et convertisseur), des défauts de câble, des défauts de communication de données, la cybersécurité, une défaillance du protocole Internet des objets (IoT), une fuite de données, données insuffisantes, pannes de compteurs intelligents, etc., difficiles à gérer, à détecter et à contrôler. L'augmentation des défauts dans divers éléments des réseaux intelligents est un problème majeur qui comprend les éléments du cadre de production et de distribution d'énergie. De plus, les défauts peuvent se manifester via différents modes de défaillance dans le même élément.
Objectifs du projet
Les objectifs de ce projet sont multiples :
Développement d'algorithmes d'IA pour la modélisation
Développer des algorithmes d'intelligence artificielle pour la modélisation et l'identification de systèmes linéaires et non linéaires, en utilisant les bases orthogonales, tout en garantissant la précision, la robustesse et la généralisation des modèles identifiés.
Méthodologies avancées de détection et diagnostic des défauts
Développer des méthodologies avancées de détection et de diagnostic des défauts (FDD) basées sur les données dans les systèmes industriels afin d'améliorer leurs performances opérationnelles. Pour ce faire, différentes solutions peuvent être étudiées :
- Premièrement, une détection améliorée des défauts utilisant des approches basées sur l'analyse en composantes principales (ACP) à noyau réduit peut être appliquée pour détecter les défauts dans les applications industrielles. Les modèles basés sur l'ACP à noyau réduit ne prennent en compte que les caractéristiques spécifiques qui montrent une corrélation plus forte tout en préservant les principales caractéristiques statistiques de l'ensemble de données d'origine.
- Deuxièmement, développer des techniques améliorées basées sur le diagnostic des défauts pour distinguer les modes de fonctionnement dans des systèmes certains et incertains. Les méthodologies peuvent améliorer les performances de diagnostic à trois niveaux : prétraitement des données, extraction et sélection de caractéristiques et prise de décision.
- Troisièmement, valider les méthodologies développées à l'aide d'ensembles de données simulés.
Application sur des systèmes complexes reconnus
Appliquer les techniques développées pour la modélisation et le diagnostic sur des systèmes complexes reconnus tels que :
- Le processus Tennessee Eastman (TEP)
- Les véhicules volants autonomes à deux degrés de liberté
- Le réseau électrique IEEE 9-bus
Programme et Méthodologie de Recherche
Approche Méthodologique
L'équipe travaillant sur ce thème de modélisation et de diagnostic des systèmes complexes utilisant les algorithmes d'intelligence développe en première étape les algorithmes d'optimisation et de régression afin de modéliser des systèmes complexes. Dans une deuxième étape ces algorithmes seront exploités pour la détection des défauts. La dernière étape est dédiée au développement des algorithmes de classification pour identifier le type de défaut.
Développement d'algorithmes d'optimisation
Développer des algorithmes d'optimisation des paramètres des bases orthogonales en faisant intervenir les outils d'intelligence artificielle. L'optimisation de ces paramètres joue un rôle primordial dans la réduction de la complexité du modèle.
Application des algorithmes d'IA
Application des algorithmes d'intelligence artificielle notamment l'apprentissage automatique et celui profond pour la régression des résultats de flux de charge sur le réseau IEEE 9-bus. Parmi ces méthodes, on cite MLP, RBFN, SVM, et CNN.
Techniques FDD améliorées
Pour la phase de détection et de diagnostic des pannes (FDD), des techniques améliorées d'apprentissage automatique basées sur les données sont développées. Ces techniques FDD se composent de deux étapes principales : l'extraction et la sélection de caractéristiques (FES) et la classification des défauts (FC). Dans l'étape FES, l'objectif est d'extraire les fonctionnalités les plus pertinentes et les plus efficaces des données. Différentes stratégies basées sur l'extraction de caractéristiques en utilisant des méthodes RKPCA sont développées. Une fois les caractéristiques extraites, seules les caractéristiques les plus pertinentes doivent être sélectionnées. A ce propos, des méthodes statistiques multivariées et des mesures statistiques sont utilisées. Pendant la phase FC, les entités sélectionnées sont transmises à un classificateur « Random Forest » (RF).
Approches FDD exploitant l'IA
Des approches FDD exploitant des méthodes d'intelligence artificielle, notamment le machine learning et le deep learning, sont développées pour gérer les grandeurs électriques dans les systèmes électriques. Ces techniques s'appuient sur l'analyse des données de load flow, permettant une détection plus robuste des anomalies et un diagnostic plus précis des défauts. La faisabilité et l'efficacité des modèles IA proposés sont évaluées à la fois en conditions normales et en présence de défaillances. Grâce à des simulations et des validations expérimentales, les approches basées sur l'IA démontrent une performance optimisée, tant en termes de rapidité de calcul que de précision des métriques de diagnostic, offrant ainsi des solutions adaptatives pour la supervision des réseaux électriques.
Échéancier de Mise en Œuvre du Projet
Recherche Bibliographique
Recherche bibliographique sur :
- La modélisation sur les bases orthogonales des systèmes complexes
- Développement de lois de commande pour les systèmes complexes
- Les méthodes d'intelligence artificielle dédiées à la régression et à la classification
- Les techniques de détection de défauts des techniques basées sur les données
- Les réseaux électriques
Développement des Algorithmes
- Propositions des algorithmes de commande prédictive robuste des systèmes complexes
- Formulation mathématique des problèmes d'optimisation
- Proposition des méthodes de régression pour la modélisation des systèmes complexes
- Proposition des nouvelles méthodes de détection de défauts des techniques basées sur les données
Optimisation et Validation
- Proposition des algorithmes d'optimisation de la commande prédictive des systèmes larges et complexes
- Analyse de la stabilité et des performances des systèmes
- Proposition des nouvelles méthodes de modélisation de processus basées sur les data-driven
- Proposition des méthodes de diagnostic à bas des données et exploitant les outils d'intelligence artificielle
Validation et Finalisation
- Validation des méthodes proposées sur des processus réels, sur des benchmarks afin de prouver la robustesse de ces méthodes vis-à-vis aux données réelles
- Ceci peut être effectué en collaboration avec le milieu industriel tunisien ou même le milieu industriel international
Coopération et Partenariat
Partenaires
- Sultan Qaboos University, Muscat, Oman
Résultats Attendus (publications, brevets, thèses, habilitations, ...)
Productions scientifiques
Les résultats attendus incluent :
- Publications scientifiques dans des revues internationales
- Communications dans des conférences internationales
- Thèses de doctorat
- Possibilité de dépôt de brevets pour les innovations développées
Retombées Socio-économiques du Projet
Bénéfices pour l'industrie
Les retombées socio-économiques du projet incluent :
- Mise à la disposition de l'industrie concernée d'un savoir-faire sur la modélisation des systèmes industriels
- Mise à la disposition de l'industrie concernée d'un savoir-faire sur la surveillance des systèmes larges et complexes
- Mise à la disposition de l'industrie concernée d'un savoir-faire sur l'implémentation des algorithmes d'intelligence artificielle surveillances sur des systèmes embarqués