Détection et isolation hybrides robustes des défauts par l’intégration du Bond Graph et de l’intelligence artificielle : application à la production d’hydrogène vert

Abstract

Cette thèse aborde le besoin critique d'une détection et d'une isolation des fautes (FDI) efficaces dans la production d'hydrogène vert (GH2), un acteur clé dans l'atténuation de l'effet de serre. Pour relever ce défi, cette thèse introduit une stratégie hybride pour la détection et l'isolation des défauts. Des études approfondies des algorithmes FDI révèlent une lacune dans la littérature existante, mettant l'accent sur la précision mais négligeant le besoin de données étiquetées. En outre, l'interprétabilité de l'FDI hybride est souvent négligée. L'approche hybride proposée vise à être efficace dans l'utilisation des données et interprétable, en s'appuyant sur des modèles basés sur la physique et l'intelligence artificielle (IA). Un nouveau formalisme est proposé "Bond Graph-Convolutional Neural Network (BG-CNN). BG-CNN est une nouvelle méthode de diagnostic hybride qui répond aux défis de la formation de modèles IA pour le diagnostic des défauts. Le BG-CNN combine la génération de résidus BG et la classification des défauts basée sur le CNN, démontrant une performance supérieure en temps réel, en particulier dans les scénarios avec des données étiquetées limitées. En outre, une méthode d'apprentissage auto-supervisé (SSL) améliore l'FDI dans de telles situations. L'étude traite également de Bond Graph-eXplainable AI (BG-XAI); cette méthode est basée sur l'occlusion, soulignant l'importance d'explications significatives pour les prédictions de défauts, en montrant son efficacité à l'aide de visualisations. La méthode BG-CNN avec SSL, appliquée pour l'FDI de l'électrolyseur Proton Exchange Membrane (PEM) pour la production de l'hydrogène vert mais aussi à un système mécatronique contact-rail-roue des voies ferrées a montré son efficacité par rapport aux performances de détectabilité des méthodes traditionnelles. L'analyse comparative a démontré les performances supérieures de la méthode proposée, en particulier dans les scénarios avec des données étiquetées limitées, surpassant les méthodes SSL de pointe. La méthode BG-XAI a été utilisée pour expliquer les prédictions conformément à l'analyse structurelle.