Model learning for health management of hybrid systems under uncertainty

Cette thèse concerne la modélisation et la gestion de santé de systèmes hybrides sous incertitude.La modélisation consiste à représenter un système dans un formalisme mathématique. Cette thèse propose un formalisme, les réseaux de Petri Hétérogènes (HtPN), permettant de modéliser et surveiller des systèmes hybrides sous incertitudes. Ce formalisme est une extension des réseaux de Petri classiques et permet de représenter tous les types de systèmes. Il permet donc de représenter des systèmes purement discrets, des systèmes continus ou des systèmes hybrides, dont une définition est proposée, ainsi qu’une communication entre ces systèmes. De plus, il permet de prendre en compte des incertitudes, que ce soit au niveau du modèle ou des observations, afin de représenter au mieux le comportement du système. Le vieillissement et l’usure des systèmes peuvent être estimés et inclus dans le modèle du système sous forme de lois de dégradation.Pour ces systèmes, les modèles issus de connaissances physiques seules sont difficiles à obtenir. L’intelligence artificielle est donc utilisée pour apprendre des modèles à partir de données. Cet apprentissage de modèle est découpé en deux parties : l’apprentissage de la structure à événements discrets du modèle, basé sur un algorithme de clustering, et l’apprentissage des dynamiques d’évolutions à temps continu du système, basé sur deux algorithmes de régression, dont le choix est laissé à l’utilisateur.Par gestion de santé, on entend généralement du diagnostic, qui est de savoir identifier et isoler un problème, appelé une faute, et du pronostic, qui consiste en une estimation de la durée de vie résiduelle du système. Une méthode de diagnostic avancée, basée sur le formalisme des HtPN, est présentée et mise à l’épreuve sur trois systèmes : un système à événements discrets, un système continu et un système hybride. Ce dernier consiste en des réservoirs d’eau connectés entre eux. Une faute peut par exemple correspondre à l’apparition d’une fuite dans un des réservoirs. La méthode de diagnostic se déroule en deux étapes : une étape de prédiction, calculant les différentes hypothèses sur l’état futur du système ; et une étape de correction, dans laquelle les différentes hypothèses sont validées ou réfutées en fonction des observations reçues. Les résultats de diagnostic obtenus permettent de prendre en compte les incertitudes sur la modélisation et sur les observations et de donner des hypothèses de diagnostic pondérées. L’évaluation de la dégradation du système peut également être obtenue, menant à des informations pour le pronostic.Enfin, un cas d’étude réel, composé de deux panneaux photovoltaïques et de diverses charges est présenté. Les deux panneaux ont d'abord été modélisés avec le formalisme des HtPN. Ensuite, un modèle global a été obtenu par apprentissage. Enfin, la méthode de diagnostic avancée est appliquée sur divers cas d'utilisation, montrant la pertinence de la méthode.The main topics of this thesis are modeling and monitoring the health of hybrid systems under uncertainties.Modeling a system is representing the system through a mathematical formalism. A new formalism, the Heteregeneous Petri Nets is introduced in this thesis. This formalism, an extension of the Petri Nets, allows to model and monitor hybrid systems under undertainties. With this formalism, it is possible to represent discrete systems, continuous systems or hybrid systems, for which a new definition is proposed. Contrary to most formalisms, the HtPN formalism allows for a communication between different types of system. Uncertainties, on the model or the observations, can be taken into account to better represent the behavior of the system. Finally, dynamics representing the aging and the wear of the system can be estimated and implemented on the model.For hybrid systems, models based on physical knowledge are often hard to obtain.Artificial intelligence is thus used to learn model from data. This learning is comprised of two steps. The first one is based on a clustering algorithm and outputs the discrete events structure of the model. The second one is based on two different regressions algorithms, support vector and random forest, and learns the continuous dynamics of the system. The choice of which regression algorithm to choose is left to the user, according to his needs.Health monitoring is usually associated to diagnosis, identifying and isolating a problem, usually referred to as a fault, or prognosis, estimating the remaining useful life of a system. An advanced diagnosis methodology, based on the HtPN formalism, is introduced and applied on three different systems. The first system considered is a discrete system. The second one is continuous and the third one is a hybrid system. The hybrid system is a system composed of connected water tanks. In this system, a fault example could be a leakage in one of the tanks. The diagnosis method is done in two steps. The first step is the prediction, which will give hypotheses on the future state of the model. The second step is the correction, in which the different hypotheses given by the first step will either be kept or forgotten, according to the observations received. The diagnosis results obtained are able to take into account uncertainties on the modeling or the observation and gives a belief on different health state hypotheses. Evaluating the degradation of the system can also be done and could be used to apply prognosis methods.Finally, a real case study is introduced. It consists in two communicating photovoltaic panels with some loads: two lamps and a motor. The two panels are modeled using the HtPN formalism. A global model is obtained using the learning method with some collected datasets. Finally, the diagnosis method is applied on data obtained by simulation of the two panels model