Cette étude est le résultat d’une thèse CIFRE de trois ans entre le bureau d’étude d’Airbus (domaine du contrôle de l’avion) et le laboratoire TéSA à Toulouse. L’objectif principal est de proposer, développer et valider une solution logicielle pour la détection et le diagnostic d’un type spécifique de vibrations des gouvernes de profondeur et direction, appelée oscillation en cycle limite (limit cycle oscillation ou LCO en anglais), basée sur les signaux existants dans les avions civils. LCO est un terme mathématique générique définissant un mode périodique indépendant de conditions initiales et se produisant dans des systèmes non linéaires non conservatifs. Dans cette étude, nous nous intéressons au phénomène de LCO induit par les jeux mécaniques dans les gouvernes d’un avion civil. Les conséquences du LCO sont l’augmentation locale de la charge structurelle, la dégradation des qualités de vol, la réduction de la durée de vie de l’actionneur, la dégradation du confort du poste de pilotage et de la cabine, ainsi que l’augmentation des coûts de maintenance. L’état de l’art en matière de détection et de diagnostic du LCO induit par le jeu mécanique est basé sur la sensibilité du pilote aux vibrations et sur le contrôle périodique du jeu sur les gouvernes. Cette étude propose une solution basée sur les données (issues de la boucle d’asservissement des actionneurs qui agissent sur les gouvernes) pour aider au diagnostic du LCO et à l’isolement du jeu mécanique. L’objectif est d’améliorer encore plus la disponibilité des avions et de réduire les coûts de maintenance en fournissant aux compagnies aériennes un signal de contrôle pour le LCO et les jeux mécaniques. Pour cette raison, deux solutions algorithmiques pour le diagnostic des vibrations et des jeux ont été proposées. Un détecteur en temps réel pour la détection du LCO est tout d’abord proposé basé sur la théorie du rapport de vraisemblance généralisé (generalized likelihood ratio test ou GLRT en anglais). Certaines variantes et simplifications sont également proposées pour satisfaire les contraintes industrielles. Un détecteur de jeu mécanique est introduit basé sur l’identification d’un modèle de Wiener. Des approches paramétrique (estimateur de maximum de vraisemblance) et non paramétrique (régression par noyau) sont explorées, ainsi que certaines variantes des méthodes non paramétriques. En particulier, le problème de l’estimation d’un cycle d’hystérésis (choisi comme la non-linéarité de sortie d’un modèle de Wiener) est abordé. Ainsi, les problèmes avec et sans contraintes sont étudiés. Une analyse théorique, numérique (sur simulateur) et expérimentale (données de vol et laboratoire) est réalisée pour étudier les performances des détecteurs proposés et pour identifier les limitations et la faisabilité industrielle. Les résultats numériques et expérimentaux obtenus confirment que le GLRT proposé (et ses variantes / simplifications) est une méthode très efficace pour le diagnostic du LCO en termes de performance, robustesse et coût calculatoire. D’autre part, l’algorithme de diagnostic des jeux mécaniques est capable de détecter des niveaux de jeu relativement importants, mais il ne fournit pas de résultats cohérents pour des niveaux de jeu relativement faibles. En outre, des types d’entrée spécifiques sont nécessaires pour garantir des résultats répétitifs et cohérents. Des études complémentaires pourraient être menées afin de comparer les résultats de GLRT avec une approche Bayésienne et pour approfondir les possibilités et les limites de la méthode paramétrique proposée pour l’identification du modèle de Wiener. / This research study is the result of a 3 years CIFRE PhD thesis between the Airbus design office(Aircraft Control domain) and TéSA laboratory in Toulouse. The main goal is to propose, developand validate a software solution for the detection and diagnosis of a specific type of elevator andrudder vibration, called limit cycle oscillation (LCO), based on existing signals available in flightcontrol computers on board in-series aircraft. LCO is a generic mathematical term defining aninitial condition-independent periodic mode occurring in nonconservative nonlinear systems. Thisstudy focuses on the LCO phenomenon induced by mechanical freeplays in the control surface ofa civil aircraft. The LCO consequences are local structural load augmentation, flight handlingqualities deterioration, actuator operational life reduction, cockpit and cabin comfort deteriorationand maintenance cost augmentation. The state-of-the-art for freeplay induced LCO detection anddiagnosis is based on the pilot sensitivity to vibration and to periodic freeplay check on the controlsurfaces. This study is thought to propose a data-driven solution to help LCO and freeplaydiagnosis. The goal is to improve even more aircraft availability and reduce the maintenance costsby providing to the airlines a condition monitoring signal for LCO and freeplays. For this reason,two algorithmic solutions for vibration and freeplay diagnosis are investigated in this PhD thesis. Areal time detector for LCO diagnosis is first proposed based on the theory of the generalized likeli hood ratio test (GLRT). Some variants and simplifications are also proposed to be compliantwith the industrial constraints. In a second part of this work, a mechanical freeplay detector isintroduced based on the theory of Wiener model identification. Parametric (maximum likelihoodestimator) and non parametric (kernel regression) approaches are investigated, as well as somevariants to well-known nonparametric methods. In particular, the problem of hysteresis cycleestimation (as the output nonlinearity of a Wiener model) is tackled. Moreover, the constrainedand unconstrained problems are studied. A theoretical, numerical (simulator) and experimental(flight data and laboratory) analysis is carried out to investigate the performance of the proposeddetectors and to identify limitations and industrial feasibility. The obtained numerical andexperimental results confirm that the proposed GLR test (and its variants/simplifications) is a very appealing method for LCO diagnostic in terms of performance, robustness and computationalcost. On the other hand, the proposed freeplay diagnostic algorithm is able to detect relativelylarge freeplay levels, but it does not provide consistent results for relatively small freeplay levels. Moreover, specific input types are needed to guarantee repetitive and consistent results. Further studies should be carried out in order to compare the GLRT results with a Bayesian approach and to investigate more deeply the possibilities and limitations of the proposed parametric method for Wiener model identification.

L’objectif de ces travaux de thèse est de développer des architectures fiables de surveillance et de détection des défauts d’une machine asynchrone basées sur des techniques paramétriques de traitement du signal. Pour analyser et détecter les défauts, un modèle paramétrique du courant statorique en environnement stationnaire est proposé. Il est supposé être constitué de plusieurs sinusoïdes avec des paramètres inconnus dans le bruit. Les paramètres de ce modèle sont estimés à l’aide des techniques paramétriques telles que les estimateurs spectraux de type sous-espaces (MUSIC et ESPRIT) et l’estimateur du maximum de vraisemblance. Un critère de sévérité des défauts, basé sur l’estimation des amplitudes des composantes fréquentielles du courant statorique, est aussi proposé pour évaluer le niveau de défaillance de la machine. Un nouveau détecteur des défauts est aussi proposé en utilisant la théorie de détection. Il est principalement basé sur le test du rapport de vraisemblance généralisé avec un signal et un bruit à paramètres inconnus. Enfin, les techniques paramétriques proposées ont été évaluées à l’aide de signaux de courant statoriques expérimentaux de machines asynchrones en considérant les défauts de roulements et les ruptures de barres rotoriques. L’analyse des résultats expérimentaux montre clairement l’efficacité et la capacité de détection des techniques paramétriques proposées. / This Ph.D. thesis aims to develop reliable and cost-effective condition monitoring and faults detection architectures for induction machines. These architectures are mainly based on advanced parametric signal processing techniques. To analyze and detect faults, a parametric stator current model under stationary conditions has been considered. It is assumed to be multiple sinusoids with unknown parameters in noise. This model has been estimated using parametric techniques such as subspace spectral estimators and maximum likelihood estimator. A fault severity criterion based on the estimation of the stator current frequency component amplitudes has also been proposed to determine the induction machine failure level. A novel faults detector based on hypothesis testing has been also proposed. This detector is mainly based on the generalized likelihood ratio test detector with unknown signal and noise parameters. The proposed parametric techniques have been evaluated using experimental stator current signals issued from induction machines under two considered faults: bearing and broken rotor bars faults.Experimental results show the effectiveness and the detection ability of the proposed parametric techniques.