Partenaires

Ampère

Nos tutelles

CNRS Ecole Centrale de Lyon Université de Lyon Université Lyon 1 INSA de Lyon

Nos partenaires

Ingénierie@Lyon



Rechercher


Accueil > Thèses et HDR > Thèses en 2020

17/09/2020 - Kévin COLIN

par Laurent Krähenbühl - publié le , mis à jour le

Kévin Colin soutient sa thèse le 17/09/2020 à 14:00.
Lieu : Ecole Centrale de Lyon, Bâtiment W1. En raison de la situation sanitaire, le public ne pourra assister que par visio-conférence.

Titre : Informativité des données pour l’identification par erreur de prédiction des systèmes MIMO. Identification d’un gyroscope MEMS

Jury :
Rapporteurs :
- M. Johan Schoukens, Professeur, Vrije Universiteit Brussels
- M. Guillaume Mercère, Maître de Conférence (HdR), Université de Poitiers (LIAS)
Autres membres :
- Mme Marion Gilson, Professeure, Université de Lorraine (CRAN)
- M. Hakan Hjalmarsson, Professeur, KTH Royal Institute of Technology
- M. Xavier Bombois, Directeur de Recherche CNRS, Ecole Centrale de Lyon (Ampère)
- M. Laurent Bako, Maître de Conférence (HdR), Ecole Centrale de Lyon (Ampère)

Résumé :
Les modèles mathématiques sont à l’essence même de chaque domaine de l’ingénierie que ce soit pour le contrôle, la prédiction et le diagnostic. Dans cette thèse, nous abordons l’identification des systèmes, c’est-à-dire la modélisation d’un système dynamique avec des données expérimentales. Plus particulièrement, nous considérons l’identification par erreur de prédiction (Prediction Error). Afin d’obtenir un modèle identifié précis, les données doivent satisfaire une propriété fondamentale : l’informativité. Dans la littérature, l’informativité des données a été largement étudiée pour l’identification des systèmes linéaires une-entrée une-sortie. Peu de résultats sont néanmoins présents pour le cas des systèmes linéaires plusieurs-entrées plusieurs-sorties (multiple-inputs multiple-outputs en anglais ou MIMO) à l’heure où les systèmes deviennent de plus en plus complexe. Ainsi, nous nous focalisons en premier à développer des conditions pour vérifier que l’informativité est garantie pour l’identification des systèmes MIMO linéaires en boucle ouverte et en boucle fermée.
Cependant, la plupart des systèmes réels ont des comportements non-linéaires. Heureusement, l’identification par Prediction Error peut s’avérer être un outil efficace pour identifier certaines classes de systèmes non-linéaires. C’est le cas, par exemple, de la classe des systèmes dits Hammerstein, i.e., des systèmes dont la non-linéarité se trouve à l’entrée du système. Dans cette thèse, nous étudions l’informativité des données pour l’identification d’une classe particulière de systèmes Hammerstein. Cette étude se motive par un système réel étudié dans cette thèse : le gyroscope MEMS.
Un gyroscope MEMS est un micro-capteur inertiel mesurant des vitesses de rotation. Ils se distinguent des gyroscopes optiques par ses multiples avantages tels que sa petite taille, son faible coût et sa faible consommation d’énergie. Cependant, il reste moins précis que les gyroscopes optiques. Le gyroscope MEMS est alors placé en boucle fermée afin d’augmenter sa précision. Afin de faire la synthèse d’un correcteur optimal, il nous faut déterminer un modèle précis des dynamiques du gyroscope MEMS. Dans la littérature, les modèles des dynamiques du gyroscope MEMS sont souvent incomplet. Une méthode de modélisation basée sur l’identification des systèmes est alors proposée pour obtenir un modèle plus complet et précis. Nous observons alors que l’étude de l’informativité des données faite précédemment s’applique dans ce cas pratique.

Mots-clés :
identification par erreur de prédiction ; analyse de consistance ; informativité des données ; identification des systèmes Hammerstein ; gyroscope MEMS