Robot design and development has been the backbone of industrial automation and is in the forefront of accelerated development across all areas. Robot designers have been using simulations for reducing product development lead times. With growing demand for faster, precise and efficient robots, the requirements on computerized simulation for stress analysis has become stringent. While the product structure is mostly designed and developed from scratch, some components are sourced from suppliers, leaving a gap in the knowledge for modelling an entirety of a robot. This thesis applies a structured method to develop a grey-box model of the compact gears, which provides the robots its dexterity in a compact form factor. The method utilizes experimental strain measurements as a basis for building the model. Design of experiment is used as the guide for conducting FE analysis on robot links with unit load case, followed by scaling of stresses to actual load case. Simulated and measured stress plots are compared to conclude on optimum modelling approach. Further, the thesis proposes an alternative method for stress analysis of robot links by omitting the compact gear embodiment. While the method applies well on the robot links considered during the study, its validation across other links and robot architecture is yet to be performed. Finally, recommendations for implementation of proposed method and areas for expanding this thesis work are proposed. / Robotdesign har varit ryggraden inom industriell automation och är i framkanten av utvecklingen inom alla områden. Robotdesigners använder sig av simuleringar för att korta utvecklingstider. Med växande krav på snabbare, effektiva och noggranna robotar, har kraven på datorsimuleringar ökat. Medan huvuddelen av strukturen är utvecklad från grunden, är några komponenter köpta från leverantörer vilket skapar ett glapp i kunskapen för att kunna modellera en hel robot. Det här examensarbetet använder en strukturerad metod för att utveckla en "grey-box" modell av en kompaktväxel, vilken tillåter robotens mångsidighet i ett kompakt format. Metoden använder töjningsmätningar till grund för att bygga modellen. Experimentell design används som en guide för att utföra FE analyser på robotdelar med enhetslastfall, vilka skalas till verkliga lastfall. Simulerade och uppmätta spänningar jämförs för att optimera modelleringen. Det föreslås även en metod där kompaktväxlarna inte modelleras som solider. Metoden fungerar väl för robotarmar som ingick i denna studie, dock bör den verifieras på andra modeller och delar. Slutligen föreslås implementering av metoden som tagits fram i denna rapport samt ytterligare arbete för att verifiera metoden.

La stratégie de l’Union Européenne pour atteindre les objectifs climatiques, est d’augmenter progressivement la part d’énergies renouvelables dans le mix énergétique et d’utiliser l’énergie plus efficacement de la production à la consommation finale. Cela implique de mesurer les performances énergétiques du bâtiment et des systèmes associés, indépendamment des conditions climatiques et de l’usage, pour fournir des solutions efficaces et adaptées de rénovation. Cela implique également de connaître la demande énergétique pour anticiper la production et le stockage d’énergie (mécanismes de demande et réponse). L’estimation des besoins énergétiques et des performances énergétiques des bâtiments ont un verrou scientifique commun : l’identification expérimentale d’un modèle physique du comportement intrinsèque du bâtiment. Les modèles boîte grise, déterminés d’après des lois physiques et les modèles boîte noire, déterminés heuristiquement, peuvent représenter un même système physique. Des relations entre les paramètres physiques et heuristiques existent si la structure de la boîte noire est choisie de sorte qu’elle corresponde à la structure physique. Pour trouver la meilleure représentation, nous proposons d’utiliser, des simulations de Monte Carlo pour analyser la propagation des erreurs dans les différentes transformations de modèle et, une méthode de priorisation pour classer l’influence des paramètres. Les résultats obtenus indiquent qu’il est préférable d’identifier les paramètres physiques. Néanmoins, les informations physiques, déterminées depuis l’estimation des paramètres, sont fiables si la structure est inversible et si la quantité d’information dans les données est suffisante. Nous montrons comment une structure de modèle identifiable peut être choisie, notamment grâce au profil de vraisemblance. L’identification expérimentale comporte trois phases : la sélection, la calibration et la validation du modèle. Ces trois phases sont détaillées dans le cas d’une expérimentation d’une maison réelle en utilisant une approche fréquentiste et Bayésienne. Plus précisément, nous proposons une méthode efficace de calibration Bayésienne pour estimer la distribution postérieure des paramètres et ainsi réaliser des simulations en tenant compte de toute les incertitudes, ce qui représente un atout pour le contrôle prédictif. Nous avons également étudié les capacités des méthodes séquentielles de Monte Carlo pour estimer simultanément les états et les paramètres d’un système. Une adaptation de la méthode de prédiction d’erreur récursive, dans une stratégie séquentielle de Monte Carlo, est proposée et comparée à une méthode de la littérature. Les méthodes séquentielles peuvent être utilisées pour identifier un premier modèle et fournir des informations sur la structure du modèle sélectionnée pendant que les données sont collectées. Par la suite, le modèle peut être amélioré si besoin, en utilisant le jeu de données et une méthode itérative. / The European Union strategy for achieving the climate targets, is to progressively increase the share of renewable energy in the energy mix and to use the energy more efficiently from production to final consumption. It requires to measure the energy performance of buildings and associated systems, independently of weather conditions and user behavior, to provide efficient and adapted retrofitting solutions. It also requires to known the energy demand to anticipate the energy production and storage (demand response). The estimation of building energy demand and the estimation of energy performance of buildings have a common scientific: the experimental identification of the physical model of the building’s intrinsic behavior. Grey box models, determined from first principles, and black box models, determined heuristically, can describe the same physical process. Relations between the physical and mathematical parameters exist if the black box structure is chosen such that it matches the physical ones. To find the best model representation, we propose to use, Monte Carlo simulations for analyzing the propagation of errors in the different model transformations, and factor prioritization, for ranking the parameters according to their influence. The obtained results show that identifying the parameters on the state-space representation is a better choice. Nonetheless, physical information determined from the estimated parameters, are reliable if the model structure is invertible and the data are informative enough. We show how an identifiable model structure can be chosen, especially thanks to profile likelihood. Experimental identification consists of three phases: model selection, identification and validation. These three phases are detailed on a real house experiment by using a frequentist and Bayesian framework. More specifically, we proposed an efficient Bayesian calibration to estimate the parameter posterior distributions, which allows to simulate by taking all the uncertainties into account, which is suitable for model predictive control. We have also studied the capabilities of sequential Monte Carlo methods for estimating simultaneously the states and parameters. An adaptation of the recursive prediction error method into a sequential Monte Carlo framework, is proposed and compared to a method from the literature. Sequential methods can be used to provide a first model fit and insights on the selected model structure while the data are collected. Afterwards, the first model fit can be refined if necessary, by using iterative methods with the batch of data.

Fault diagnosis can be used to early detect faults in a technical system, which means that workshop service can be planned before a component is fully degraded. Fault diagnosis helps with avoiding downtime, accidents and can be used to reduce emissions for certain applications. Traditionally, however, diagnosis systems have been designed using ad hoc methods and a lot of system knowledge. Model-based diagnosis is a systematic way of designing diagnosis systems that is modular and offers high performance. A model-based diagnosis system can be designed by making use of mathematical models that are otherwise used for simulation and control applications. A downside of model-based diagnosis is the modeling effort needed when no accurate models are available, which can take a large amount of time. This has motivated the use of data-driven diagnosis. Data-driven methods do not require as much system knowledge and modeling effort though they require large amounts of data and data from faults that can be hard to gather. Hybrid fault diagnosis methods combining models and training data can take advantage of both approaches decreasing the amount of time needed for modeling and does not require data from faults. In this thesis work a combined data-driven and model-based fault diagnosis system has been developed and evaluated for the exhaust treatment system in a heavy-duty diesel engine truck. The diagnosis system combines physical insights and neural networks to detect and isolate faults for the exhaust treatment system. This diagnosis system is compared with another system developed during this thesis using only model-based methods. Experiments have been done by using data from a heavy-duty truck from Scania. The results show the effectiveness of both methods in an industrial setting. It is shown how model-based approaches can be used to improve diagnostic performance. The hybrid method is showed to be an efficient way of developing a diagnosis system. Some downsides are highlighted such as the performance of the system developed using data-driven and model-based methods depending on the quality of the training data. Future work regarding the modularity and transferability of the hybrid method can be done for further evaluation.

Cette recherche vise à résoudre un problème particulier du contrôle de vibration des structures intelligentes. Notre objectif est de réduire les vibrations dans une zone spécifique de la structure intelligente avec une perturbation qui couvre une large gamme de fréquences. De plus, dans cette zone spécifique, ni l'actionnement ni la détection ne sont possibles.Ici, nous faisons face à plusieurs défis principaux. Premièrement, nous devons contrôler les vibrations d’une zone spécifique de la structure, alors que nous n’avons accès aux mesures que dans d’autres zones. Deuxièmement, la large bande passante de la perturbation implique que nombreux modes doivent être contrôlés au même temps, ce qui nécessite l'utilisation de plusieurs actionneurs et capteurs. Cela conduit à un contrôleur MIMO difficile à obtenir avec les méthodes classiques de conception de contrôleur. Troisièmement, il faut éviter le problème de propagation, qui consiste à garantir la stabilité en boucle fermée lorsque le contrôleur basé sur un modèle est appliqué à la configuration réelle. Pour relever ces défis, nous étudions deux stratégies de contrôle: le contrôle centralisé et le contrôle distribué.Pour le contrôle centralisé, nous proposons une méthodologie qui nous permet d’obtenir un contrôleur MIMO simple permettant de relever ces défis. Tout d'abord, plusieurs techniques de modélisation et d’identification sont appliquées pour obtenir un modèle précis d'ordre faible de la structure intelligente. Ensuite, une méthode de synthèse basée sur le contrôle H_∞ avec un critère H_∞ particulièrement proposé est appliquée. Ce critère H_∞ intègre plusieurs objectifs de contrôle, y compris les défis principaux. En particulier, le problème de débordement se transforme en un problème de stabilité robuste et sera garanti en utilisant ce critère. Le contrôleur H_∞ obtenu est une solution standard du problème H_∞. Le contrôleur final est obtenu en simplifiant ce contrôleur H_∞ sans perdre la stabilité en boucle fermée ni dégrader les performances. Cette méthodologie est validée sur une structure de poutre avec des transducteurs piézoélectriques et la zone centrale est celle où les vibrations devraient être réduites. L'efficacité du contrôleur obtenu est validée par des simulations et des expériences.Pour le contrôle distribué, on considère la même structure de poutre et les mêmes objectifs de contrôle. Il existe des méthodes visant à concevoir des contrôleurs distribués pour les systèmes spatialement interconnectés. Cette recherche propose une méthode basée sur la FEM, associée à plusieurs techniques de réduction de modèle, permettant de discrétiser spatialement la structure de poutre et d'en déduire les modèles d’espace d'état des sous-systèmes interconnectés. La conception des contrôleurs distribués ne sera pas abordée dans cette recherche. / This research aims at solving a particular vibration control problem of smart structures. We aim at reducing the vibration in a specific zone of the smart structure under the disturbance that covers a wide frequency band. Moreover, at this specific zone, neither actuation nor sensing is possible.Here we face several main challenges. First, we need to control the vibration of a specific zone of the structure while we only have access to measurements at other zones. Second, the wide bandwidth of the disturbance implies that numerous modes should be controlled at the same time which requires the use of multiple actuators and sensors. This leads to a MIMO controller which is difficult to obtain using classical controller design methods. Third, the so-called spillover problem must be avoided which is to guarantee the closed-loop stability when the model-based controller is applied on the actual setup. To tackle these challenges, we investigate two control strategies: the centralized control and the distributed control.For centralized control, we propose a methodology that allows us to obtain a simple MIMO controller that accomplishes these challenges. First, several modeling and identification techniques are applied to obtain an accurate low-order model of the smart structure. Then, an H_∞ control based synthesis method with a particularly proposed H_∞ criterion is applied. This H_∞ criterion integrates multiple control objectives, including the main challenges. In particular, the spillover problem is transformed into a robust stability problem and will be guaranteed using this criterion. The obtained H_∞ controller is a standard solution of the H_∞ problem. The final controller is obtained by further simplifying this H_∞ controller without losing the closed-loop stability and degrading the performance. This methodology is validated on a beam structure with piezoelectric transducers and the central zone is where the vibration should be reduced. The effectiveness of the obtained controller is validated by simulations and experiments.For distributed control, we consider the same beam structure and the same control objectives. There exist methods aiming at designing distributed controllers of spatially interconnected system. This research proposes a FEM based method, combined with several model reduction techniques, that allows to spatially discretize the beam structure and deduce the state-space models of interconnected subsystems. The design of distributed controllers will not be tackled in this research.