Méthodes d'identification pour des systèmes non linéaires avec paramètres variant dans le temps (application aux machines tournantes à induction)

L'objectif de cette thèse est le développement des méthodes d'identification simples à implémenter en temps réel pour des systèmes non linéaires avec paramètres variant dans le temps. Les algorithmes développés sont destinés à l'identification des paramètres afin de permettre leurs mises à jour "en-ligne" dans un schéma de commande. Deux types d'approche sont développés: La première approche est basée sur les observateurs à structure variable (CSV). Dans cette approche, deux types de schéma d'identification des paramètres électriques et du flux rotorique d'un moteur asynchrone (MAS) sont proposés. Le premier et le deuxième schéma sont basés respectivement sur une loi dynamique et une loi d'estimation algébrique convergeant en temps fini. Les résultats en simulation et i1 en implémentation en temps réel ont été comparés à ceux obtenus par la méthode des moindres carrés récursifs (MCR). L'algorithme d'estimation basé sur l'OSV est plus robuste par rapport aux incertitudes paramétriques, aux bruits de mesure et est plus facile à implémenter en temps réel que la méthode MCR. La deuxième approche est basée sur un prédicteur neuronal à base radiale. Nous avons proposé une méthode basée sur ce type de prédicteur pour une classe de systèmes non linéaires plus large. Une application combinant cette méthode avec un observateur à haut gain sur l'identification des paramètres électriques et la vitesse rotorique d'un MAS triphasé a été également étudiée. Les simulations de défaut réalisées permettent l'extension de la méthode aux diagnostics et détection des pannes ainsi qu'à la commande du MAS sans utiliser les capteurs de vitesse. Les résultats expérimentaux obtenus par les deux approches montrent bien la convergence assez rapide des estimés vers leurs vraies valeurs et leurs robustesses par rapport aux variations des paramètres dans le temps, aux bruits de mesure, aux incertitudes paramétriques et du modèle ainsi qu'aux effets d'échantillonnages.This dissertation deals with on-line identification of nonlinear systems with time-varying parameters. The algorithms developed here are potentially useful for the design of the drives that can adjust controller parameters automatically. Another possible application is for the detection of failure. Two approaches have been designed. The first approach is based on the sliding mode observer (SMO). Two identification schemes using this approach have been investigated for electrical parameters and rotor flux estimation of an induction motor. The first and the second scheme are based respectively on the dynamical law and algebraic law which converge in finite time. The simulation and expenmental results have been compared to the results obtained using the recursive least square methods (RLSM). The methods based on the SMO are more robust with respect to parameters uncertainties, measures noises and are more easily implementable than the RLSM method. The second approach is based on the radial basis function neuronal predictor. We proposed parameters estimation scheme using this predictor for a large class of nonlinear systems with time-varying parameters. This method has been combined with high-gain observer to estimate electrical parameters and rotor speed of a three phase induction motor. The method can also be applied to the design of the mot or drives in sensorless control. Real-time implementation results obtained using both approaches show the fast convergence of the estimates to their true values and the robustness of both approaches with respect to time-varying parameters, measures noises, parameters and model uncertainties and sampling effects.ORSAY-PARIS 11-BU Sciences (914712101) / SudocSudocFranceF