Détection et diagnostic de défauts capteur/actionneur pour un système robotisé

Abstract

Les travaux présentés dans cette thèse portent sur la détection et le diagnostic de défaut capteur/actionneur dans un bras manipulateur de type (SCARA) qui a été modélisé, sur la base du formalisme d'Euler-Lagrange, en particulier : (i) Une commande tolérante (SMTDC) sera présentée pour la détection et la compensation de défauts actionneur au bras manipulateur. Afin d'obtenir une trajectoire de poursuite rapide lorsque des défauts affectent les actionneurs. Les actionneurs sont utilisés pour délivrer les entrées de commande afin que le bras manipulateur suive la trajectoire désirée. La stabilité au sens de Lyapunov est utilisée pour synthétiser la loi de commande pour la compensation de défauts actionneur. A cet égard, une commande à mode glissant est développée pour assurer un comportement robuste du bras manipulateur vis-à-vis des défauts actionneurs. Les résultats des simulations ont donné de bons résultats, que ce soit en précision ou bien en robustesse. (ii) Une autre approche a été présentée qui est un schéma de commande à retard temporel (TDC) basée sur les résultats d'apprentissage des réseaux de neurones artificiels (RNA), appliqué au bras manipulateur soumis à des défauts affectant cette fois-ci les capteurs. Dans ce schéma, un RNA de type perceptron multicouche (MLP) est présenté pour reproduire le même comportement du bras manipulateur dans le cas d'absence de défaut. Pour compenser les effets des défauts capteurs/actionneur sur le bras manipulateur, une procédure de commande TDC est présentée. Celle-ci est divisée en deux lois de commande: la première est appliquée sur le bras manipulateur dans le cas d'absence de défaut en appliquant un gain faible, tandis que la seconde est appliquée au bras manipulateur dans le cas de présence de défauts en exécutant un grand gain. Les résultats de simulations démontrent l'efficacité et la robustesse de la commande établie. (iii) Quant à la troisième démarche de ce manuscrit, deux méthodes d'apprentissage automatique ont été présentées pour le diagnostic automatique des défauts, à savoir des machines à vecteurs supports (SVM) ainsi que le plus proche voisin (KNN). Une étude comparative des deux classificateurs, en termes de détection et d'isolement de défauts capteurs est effectuée. Une importante base de données a été utilisée pour les phases d'apprentissage et de test. Les résultats ont montré que la précision du diagnostic avec la méthode SVM-PSO est meilleure.