Le diagnostic des systèmes automatiques consiste à remonter des symptômes perçus vers les causes. Les méthodes de diagnostic à base de modèle utilisent un modèle mathématique explicite du processus. Les synthèses modernes de génération de résidus demandent une connaissance très fine du système à commander ou à diagnostiquer. L'écriture des modèles les plus précis demande une compréhension en détail des mécanismes et utilise les lois de la Physique. Les modèles obtenus de cette façon font intervenir des paramètres physiques qui, par définition, sont mesurables par des expériences non nécessairement en rapport avec la façon d'utiliser le système. Cependant, dans certains cas pratiques, ces paramètres ne peuvent pas être évalués a priori. Par ailleurs, la fiabilité donnée par les modèles de connaissance est en général accompagnée par l'inconvénient d'une trop grande complexité. Ce travail contribue à développer une nouvelle approche algébrique et déterministe de diagnostic qui ne suppose pas l'existence a priori d'un modèle explicite du système et qui présente un nouveau point de vue basé sur la théorie des distributions et l'analyse du pseudospectre de faisceaux de matrices. Notre démarche s'inspire de certains outils et développements de la théorie de l'estimation algébrique courants en automatique mais très peu usuels en traitement du signal. Le principal atout de cette approche est qu'il est possible, sous certaines hypothèses, de détecter, localiser et identifier les défauts à l'aide des seules mesures de la commande et de la sortie sans avoir à identifier les paramètres du modèle / The fault diagnosis in automatic systems is to trace perceived symptoms to causes. Most of model-based methods are based on the concept of analytical redundancy. The analytical redundancy relations are equations derived from an analytical model, which admits as input only the measured variables. Other classes of model-based methods are based directly on the parameter estimate. The modern syntheses of residuals generation require very detailed knowledge of system to control or to diagnose. Writing the most accurate models require a deep understanding of mechanisms and uses law of physics. The models obtained this way are called knowledge-based models. They involve physical parameters which, by definition, are measurable by experiments which are not necessarily related to how to use the system. However, in some practical cases, these parameters can be evaluated a priori. Moreover, the reliability provided by the knowledge-based models is usually accompanied by the disadvantage of excessive complexity. These models may not be used in practice and we must often reduce the complexity. This work contributes to develop a new algebraic and deterministic approach of fault diagnosis, which is not based on an a priori explicit model of the process and presents a new perspective based on the theory of distributions and the pseudospectra analysis of matrix pencils. Our approach is based on certain tools and developments in the theory of algebraic estimation usual in automatic community but very unconventional in signal processing

Ce travail contribue à développer une nouvelle approche algébrique et déterministe de diagnostic qui ne nécessite pas la connaissance a priori d'un modèle explicite du système. Il présente un nouveau point de vue basé sur la théorie des distributions et l'analyse du pseudospectre de faisceaux de matrices. Notre démarche s'inspire de certains outils et développements de la théorie de l'estimation algébrique courants en automatique et traitement du signal. Le principal atout de cette approche est qu'il est possible, sous certaines hypothèses, de détecter, localiser et identifier les défauts à l'aide des seules mesures de la commande et de la sortie sans avoir à estimer les paramètres du modèle. Nous considérons que les défauts actionneur et capteur sont modélisés par des signaux structurés. La méthode exploite le fait qu'un signal structuré satisfait une équation différentielle. La prise de décision est entièrement fondée sur l'évolution temporelle des estimations de certaines caractéristiques constantes des défauts. L'efficacité de l'approche présentée est illustrée au travers d'exemples académiques.

Actuellement, les machines Asynchrones à Double Alimentation (MADA) sont omniprésentes dans le secteur éolien, grâce à leur simplicité de construction, leur faible coût d’achat et leur robustesse mécanique ainsi que le nombre faible d’interventions pour la maintenance. Cependant, comme toute autre machine électrique, ces génératrices sont sujettes aux défauts de différent ordre (électrique, mécanique, électromagnétique…) ou de différents types (capteur, actionneur ou composants du système). C’est pourquoi, il est primordial de concevoir une approche de diagnostic permettant de manière anticipée, de détecter, localiser et identifier tout défaut ou anomalie pouvant altérer le fonctionnement sain de ce type de machine. Motivés par les points forts des méthodes de diagnostic de défauts à base d’observateurs, nous proposons d’une part, dans cette thèse, une approche de détection, localisation et identification des défauts de la MADA d’une éolienne à vitesse variable, à base des observateurs de Kalman, performants et largement utilisés. Les erreurs d’estimation d’état du filtre de Kalman linéaire et de ses variantes non-linéaires, à noter : le Filtre de Kalman Etendu (EKF) et le Filtre de Kalman sans-Parfum (UKF), sont utilisés comme résidus sensibles aux défauts. En vue d’éviter les fausses alarmes et de découpler les défauts des perturbations et des bruits, l’analyse des résidus générés est réalisée par des tests statistiques tels que : Test de Page Hinkley (PH) et Test DCS (Dynamic Cumulative Sum). Pour la localisation des défauts multiples et simultanés, la Structure d’Observateurs Dédiés (DOS) et la Structure d’Observateurs Généralisés (GOS) sont appliquées. De plus, l’amplitude du défaut est déterminée dans l’étape d’identification de défaut. Les défauts capteurs, actionneurs et composants de la MADA, sont traités dans ce travail de recherche. D’autre part, une étude comparative entre les différents observateurs de Kalman, est élaborée. La comparaison porte sur les critères suivants : le temps de calcul, la précision et la vitesse de convergence des estimations. / Actually, the Doubly Fed Induction Generators (DFIG) are omnipresent in the wind power market, owing to their construction simplicity, their low purchase cost and their mechanical robustness. However, as any other electrical machine, these generators are subject to defects of different order (electrical, mechanical, electromagnetic ...) or of different type (sensor, actuator or system). That’s why, it is important to design an effective diagnostic approach, able to early detect, locate and identify any defect or abnormal behavior, which could undermine the healthy operation of this machine On the one hand, motivated by the observer-based fault diagnosis methods strengths, we proposed, in this thesis, a diagnostic approach for the faults detection, localization and identification of the DFIG used in variable speed wind turbine. This approach is based on the use of the efficient and widely used Kalman observers. The state estimation errors of the linear Kalman filter and the non-linear Kalman filters, named: The Extended Kalman Filter (EKF) and the Unscented Kalman Filter (UKF) are used as faults sensitive residuals. In order to avoid false alarms and to decouple faults from disturbances and noises, the faults detection is carried out by the analysis of the residuals generated, by the mean of statistical tests such as: Hinkley Page Test (PH) and DCS Test (Dynamic) Cumulative Sum). For the localization step in case of multiple and simultaneous faults, the Dedicated Observer scheme (DOS) and the Generalized Observer scheme (GOS) are applied. In addition, the fault level is determined in the fault identification step. Sensor faults, actuator and system faults of DFIG, are treated in this research work. On the other hand, a comparative study between the three Kalman observers proposed is performed. The comparison was done in terms of (1) the computation time, (2) the estimation accuracy, and (3) the convergence speed.