Les laboratoires et organismes internationaux partenaires
| Centre de Recherche en Automatique de Nancy (CRAN) | José Ragot |
| Laboratoire des Technologies Innovantes (LTI) | Larbi Chrifi |
| Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA) | Tayeb Lemlouma |
| Laboratoire Images, Signaux et Systèmes Intelligents (LISSI), Paris | Patrick Siarry |
| Institut Pascal, Clermont-Ferrand | Lounis Adouane |
| Université Le Havre – Laboratoire GREAH | Dimitri Lefebvre |
| Texas A&M University at Qatar, Doha | Mejdi Mansouri |
| Laboratoire d’Analyse et d’Architecture des Systèmes (LAAS), Université Paul Sabatier, Toulouse | Germain Garcia |
| Laboratoire des Systèmes et Matériaux Avancés (LASMA), Annaba, Algérie | Faouzi Haraket |
| Laboratoire G-SCOP, Grenoble, France | Mme Simeu Abazi Zineb |
| Laboratoire ESTAS, Université Gustave Eiffel, Lille | Simon Collart Dutilleul |
Grade : Professeur
Grade : Maître de conférences
Grade : Maître de conférences
Grade : Maître Assistant
Grade : Maître Assistant
Grade : Maître Assistant
Le thème étudié concerne principalement l'exploitation des méthodes d'intelligence artificielle pour deux axes de recherche principaux :
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.
Les objectifs de ce projet sont multiples :
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.
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 :
Appliquer les techniques développées pour la modélisation et le diagnostic sur des systèmes complexes reconnus tels que :
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.
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'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.
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).
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.
Recherche bibliographique sur :
Les résultats attendus incluent :
Les retombées socio-économiques du projet incluent :
Grade : Professeur
Grade : Professeur
Grade : Professeur
Grade : Professeur
Grade : Professeur
Grade : Maître de conférences
Grade : Maître de conférences
Grade : Maître de conférences
Grade : Maître Assistant
Grade : Maître Assistant
Le développement rapide des technologies et la concurrence acharnée entre les industriels pour gagner le maximum de parts des marchés nationaux et internationaux ouvre la route pour les chercheurs afin qu'ils puissent développer de nouvelles approches et/ou techniques permettant de mieux maîtriser les procédés industriels afin de satisfaire les performances suggérées par le client. Ces objectifs requièrent une connaissance parfaite de ces procédés ainsi que l'adaptation des approches existantes et la synthèse de nouvelles pour le pilotage de tels procédés qui peuvent être de différentes natures à noter les procédés continus qui peuvent être linéaires, non linéaires, singuliers, à retard, ... et les procédés discrets ou plus précisément à évènement discret.
Les approches proposées intéressent l'identification, le diagnostic et la commande de ces systèmes en mettant l'accent sur l'insertion de l'intelligence artificielle dans l'opération de conception. Les procédés réels adressés dans ce projet sont les robots et les véhicules autonomes, les véhicules électriques, les moteurs thermiques, les systèmes mécatroniques, les systèmes ferroviaires, les réseaux électriques et les systèmes de transport.
Pour l'identification on est amené à concevoir des techniques qui permettent d'estimer le modèle qui reproduit le mieux le comportement du système pour tout jeu de mesures prélevées sur ce dernier. Dans cette thématique on opte pour les méthodes utilisant l'apprentissage statistique et on traite toutes les formes des procédés considérés (linéaires, non linéaires, stationnaire ou non, avec ou sans retard, ...
Pour la commande on s'intéresse à deux types de systèmes, les systèmes continus et les systèmes à évènements discrets. Vue la multitude des résultats proposés dans la littérature en termes d'algorithmes de commande, on focalisera essentiellement sur la conception de nouvelles approches pour des systèmes avec des spécifications particulières et on mettra plus l'accent sur les applications. Dans ce contexte on s'intéresse aux approches faisant appel à des concepts relevant de l'intelligence artificielle telles que les méta-heuristiques, les réseaux de neurones artificiels et plus précisément celle ayant recours à l'apprentissage profond pour la commande neuronale des systèmes à retard variable et surtout les systèmes singuliers.
Comme applications on s'intéresse au taux des gaz polluants d'un moteur thermique, les véhicules électriques, les robots et les véhicules autonomes, les réseaux d'énergie électrique,
Pour les observateurs où l'on s'intéresse à des cas particuliers qui concernent la synthèse d'observateurs pour les systèmes singuliers retardés à entrées inconnus et surtout en présence d'incertitudes sur les paramètres du système. On propose également la synthèse de filtres pour ces systèmes munis de retard sur l'état et sur l'entrée et excités par des perturbations à énergie finie.
Lorsque le système singulier est non linéaire et est affecté par des entrées inconnues on propose une méthode d'estimation d'état et des entrées inconnues en utilisant une approche multi-modèle. On propose également la synthèse de filtre dans le domaine fréquentiel et appliquer ainsi des approches de commande.
De même lorsque le système singulier est bilinéaire on propose de synthétiser des correcteurs et des observateurs pour ce type de systèmes lorsqu'ils sont munis de retards et soumis à des entrées inconnues présents au niveau de l'équation d'état et l'équation de sortie.
Enfin le cas des systèmes linéaires incertains fera l'objet des mêmes études.
Les équipes qui contribuent dans le projet sont au nombre de quatre qui interfèrent et qui traitent plusieurs thématiques en même temps. Il est à noter que toutes les contributions seront validées soit sur les processus propres aux laboratoires soit des processus au sein d'autres laboratoires à l'étranger avec qui notre laboratoire maintient des liens de collaboration.
Les résultats attendus incluent :
Gouvernance: Constitution du comité de direction
Chef du Laboratoire Hassani Messaoud
| 5 Corps A | 2 Corps B | Doctorant | |||||||||
|
M. Khadhraoui
I.Jaffel
|
S. Mellouli
|
Page 2 sur 8
FR 
EN 
