La commande floue est une alternative aux approches proposées par l'automatique classique pour le contrôle des systèmes complexes. Les objectifs de performance du système bouclé et les actions correspondantes sont synthétisés sous la forme de règles d'expertise, qui sont énoncées dans un langage simple. Cette technique permet donc de s'affranchir de l'utilisation de modèles mathématiques parfois difficiles à obtenir. Cette thèse s'inscrit dans la mouvance des travaux actuels avec pour résultats la synthèse de stratégies multivariables et l'application de la commande floue à des systèmes automobiles. Dans une première partie, les principes de la logique floue et de la commande floue sont rappelés. Les origines des non-linéarités de la commande sont explicitées, et l'auteur propose deux simplifications du mécanisme de traitement des règles permettant de réduire les temps de calcul. Dans une deuxième partie, la conception des lois de commande déduites de l'expertise est illustrée sur des exemples. L'acquisition de la connaissance, l'écriture des règles de commande et le réglage du contrôleur sont détaillés. Cette démarche est ensuite mise en œuvre sur deux problèmes de contrôle d'un moteur à injection directe. Les solutions proposées contribuent à l'amélioration du rendement tout en diminuant la pollution et la consommation. Enfin, cette méthode experte est employée pour résoudre un problème multivariable. Les limitations de l'approche précédente conduisent l'auteur, dans une dernière phase, à proposer une nouvelle méthode de conception des contrôleurs flous. Un modèle flou du système est identifié à partir d'un ensemble de mesures. Puis, les règles de commande sont déduites des règles du modèle par une pseudo-inversion. Pour favoriser les échanges d'information entre les experts du domaine et les automaticiens, les règles restent simples et explicites. Cette méthode est ensuite évaluée sur des systèmes monovariables et multivariables.

Les systèmes réels sont généralement de nature non-linéaire, et leurs modélisations etsurveillance restent une tâche difficile à accomplir. Néanmoins, avec les progrès technologiqueson dispose maintenant d'un atout de taille sur ces systèmes qui est les données.Ce travail présente une technique de diagnostic de défaut et de modélisation basée en grandepartie sur la méthode d'apprentissage automatique " Les Machines à Vecteurs de Support,SVM " qui est basée sur les données. La méthodologie proposée est appliquée à différentessystèmes multivariables et non linéaires, à savoir : un procédé de traitement des eaux usées, unsystème éolien et un réacteur chimique parfaitement agité.L'objectif de cette thèse de doctorat est d'examiner la possibilité d'extraire le maximumd'information à partir de données afin de surveiller efficacement le comportement de systèmesréels et de détecter rapidement tout défaut qui peut compromettre leur bon fonctionnement. Lamême méthode est utilisée pour la modélisation des différents systèmes. Plusieurs défis ont étérelevés tels que la complexité du comportement des systèmes, le grand nombre de mesuresvariant à différentes échelles de temps, la présence de bruit et les perturbations. Une méthodegénérique de diagnostic de défauts est proposée par la génération des caractéristiques de chaquedéfaut suivie d'une étape d'évaluation de ces caractéristiques avec une amélioration du transfertde connaissances en modélisation.Dans cette thèse ont a démontré l'utilité de l'outil Machines à Vecteurs de Support, enclassification par la construction de modèles de décision SVM dédiés à l'évaluation descaractéristiques de défaut, et aussi en tant qu'estimateur non linéaire/ou pour la modélisation parl'utilisation des machines à vecteurs de support dédiés pour la régression (SVR).La combinaison de SVM et d'une méthode basée sur le modèle "observateur" a été aussi étudiéeet a été nécessaire dans certains cas pour garantir un bon diagnostic de défauts.

Les systèmes réels sont généralement de nature non-linéaire, et leurs modélisations etsurveillance restent une tâche difficile à accomplir. Néanmoins, avec les progrès technologiqueson dispose maintenant d'un atout de taille sur ces systèmes qui est les données.Ce travail présente une technique de diagnostic de défaut et de modélisation basée en grandepartie sur la méthode d'apprentissage automatique « Les Machines à Vecteurs de Support,SVM » qui est basée sur les données. La méthodologie proposée est appliquée à différentessystèmes multivariables et non linéaires, à savoir : un procédé de traitement des eaux usées, unsystème éolien et un réacteur chimique parfaitement agité.L'objectif de cette thèse de doctorat est d'examiner la possibilité d'extraire le maximumd'information à partir de données afin de surveiller efficacement le comportement de systèmesréels et de détecter rapidement tout défaut qui peut compromettre leur bon fonctionnement. Lamême méthode est utilisée pour la modélisation des différents systèmes. Plusieurs défis ont étérelevés tels que la complexité du comportement des systèmes, le grand nombre de mesuresvariant à différentes échelles de temps, la présence de bruit et les perturbations. Une méthodegénérique de diagnostic de défauts est proposée par la génération des caractéristiques de chaquedéfaut suivie d’une étape d'évaluation de ces caractéristiques avec une amélioration du transfertde connaissances en modélisation.Dans cette thèse ont a démontré l'utilité de l'outil Machines à Vecteurs de Support, enclassification par la construction de modèles de décision SVM dédiés à l'évaluation descaractéristiques de défaut, et aussi en tant qu'estimateur non linéaire/ou pour la modélisation parl'utilisation des machines à vecteurs de support dédiés pour la régression (SVR).La combinaison de SVM et d’une méthode basée sur le modèle "observateur" a été aussi étudiéeet a été nécessaire dans certains cas pour garantir un bon diagnostic de défauts. / Real systems are usually nonlinear and their modeling and monitoring remains adifficult task. However, with advances in technology and the availability of big amounts of data,we have a facility to operate these systems.This work presents a methodology for fault diagnosis and modeling which is in large part basedon the method of Support Vector Machines (SVM) which data-based. The proposedmethodology is applied to various nonlinear multivariable systems including: wastewatertreatment processes, wind turbines and stirred tank reactors.The objective of this PhD is to examine the possibility of extracting the maximum of informationfrom data to effectively monitor the behavior of real systems and rapidly detect any faults whichmay impair their proper functioning. The same method is used for modeling the differentsystems. Several challenges were identified and surmounted such as the complexity of thesystem behavior, large amount of data varying at different time scales, the presence of noise anddisturbances. A generic method of fault diagnosis is proposed for the generation of the faultcharacteristics followed by an evaluation of these characteristics as well as an improved transferof knowledge in modeling.In this thesis the usefulness of the tool Support Vector Machines in Classification has beendemonstrated by the construction of decision models dedicated to evaluating the characteristicsof faults, and also its usefulness for modeling/ or as estimator for the nonlinear systems usingsupport vector machines dedicated for regression (SVR).The combination of SVM and a method based on models “observer” was also considered andwas found to be interesting in some cases to ensure proper fault diagnosis.

[ES] Esta tesis de doctorado está dedicada al problema de descomposición de señales no estacionarias en componentes modales, entendida como componentes oscilatorias independientes, con amplitud y fase dependientes del tiempo. Para este fin, se propone un enfoque metodológico basado en representaciones en espacio de estados diagonales en bloques. Una contribución teórica primaria de esta tesis consiste en demostrar que la respuesta de un sistema de espacio de estados diagonal en bloques puede ser representada en una forma modal con amplitudes y frecuencias dependientes del tiempo. Subsecuentemente, construyendo sobre este resultado, un marco de trabajo basado en filtros de Kalman se propone para la descomposición modal de señales no estacionarias. Como resultado, una familia de métodos paramétricos para la descomposición modal de señales no estacionarias univariadas y multivariadas basadas en representaciones de espacio de estados diagonales en bloques y filtros de Kalman ha sido postulada. La representación básica está construida en bloques de segundo orden, cada uno de los cuales representa los componentes en fase y en cuadratura de un único componente oscilatorio no estacionario. Así, la respuesta total es construida como la suma ponderada de cada uno de estos modos. La identificación de estos modelos requiere la estimación conjunta de las trayectorias y los parámetros modales dependientes del tiempo, así como los hiperparámetros del modelo, constituidos por la matriz de mezcla de modos, las matrices de covarianza del vector de estados, de parámetros y del ruido de medición, y las condiciones iniciales. Para este propósito, un algoritmo de Expectación-Maximización ha sido adaptado como parte de esta tesis. La metodología obtenida es entonces evaluada en la descomposición y eliminación de ruido de registros electrocardiográficos (ECG), los cuales consisten en componentes no-estacionarias pseudo-periódicas y son susceptibles a diferentes tipos de interferencias. La estructura de estas señales las hace susceptibles a las descomposiciones modales basadas propuestas en esta tesis. A diferencia de otros métodos populares de descomposición de señales, las descomposiciones obtenidas con la metodología propuesta proveen componentes oscilatorios con interpretabilidad física y que proveen resultados consistentes para señales multivariadas, como en el caso de registros de ECG con múltiples derivaciones. Otra estrategia que se desarrolló en este proyecto investigativo lo constituye la aplicación de la transformada delta u operador de Euler al filtro de Kalman, esto condujo a resultados de alta precisión en la extracción de componentes de banda angosta. La metodología propuesta constituye una herramienta confiable para la descomposición modal en línea de señales no estacionarias multicomponentes, con resultados excelentes / [CA] Esta tesi de doctorat està dedicada al problema de descomposició de senyals no-estacionaris en components modals, entesa com a components oscil·latòries independents amb amplitud i fase dependents del temps. Per a este fi, es proposa un enfocament metodològic basat en representacions en espai d'estats diagonals en blocs. Una contribució teòrica primària d'esta tesi consistix a demostrar que la resposta d'un sistema d'espai d'estats diagonal en blocs pot ser representada en una forma modal amb amplituds i freqüències dependents del temps. Subseqüentment, construint sobre este resultat, un marc de treball basat en filtres de Kalman es proposa per a la descomposició modal de senyals no estacionaris. Com a resultat, una família de mètodes paramètrics per a la descomposició modal de senyals no estacionaris univariadas i multivariades basades en representacions d'espai d'estats diagonals en blocs i filtres de Kalman ha sigut postulada. La representació bàsica està construïda en blocs de segon ordre, cadascun dels quals representa els components en fase i en quadratura d'un únic component oscil·latori no estacionari. Així, la resposta total és construïda com la suma ponderada de cadascun d'estos modes. La identificació d'estos models requerix l'estimació conjunta de les trajectòries i els paràmetres modals dependents del temps, així com els hiperparámetros del model, constituïts per la matriu de mescla de modes, les matrius de covariància del vector d'estats, de paràmetres i del soroll de mesurament, i les condicions inicials. Per a este propòsit, un algorisme d'Expectació-Maximització ha sigut adaptat com a part d'esta tesi. La metodologia obtinguda és llavors avaluada en la descomposició i eliminació de soroll de registres electrocardiogràfics (ECG), els quals consistixen en components no-estacionàries pseudo-periòdiques i són susceptibles a diferents tipus d'interferències. L'estructura d'estos senyals les fa susceptibles a les descomposicions modals basades propostes en esta tesi. A diferència d'altres mètodes populars de descomposició de senyals, les descomposicions obtingudes amb la metodologia proposada proveïxen components oscil·latoris amb interpretabilidad física i que proveïxen resultats consistents per a senyals multivariats, com en el cas de registres d'ECG amb múltiples derivacions. Una altra estratègia que es va desenvolupar en este projecte investigativo el constituïx l'aplicació de la transformada delta o operador d'Euler al filtre de Kalman, això va conduir a resultats d'alta precisió en l'extracció de components de banda estreta. La metodologia proposada constituïx una eina de confiança per a la descomposició modal en línia de senyals no estacionaris multicomponents, amb resultats excel·lents. / [EN] This PhD thesis is devoted to the problem of the decomposition of non-stationary signals in modal components, understood as independent oscillatory components with time-dependent amplitude and frequency. To this end, a methodological approach based on diagonal time-dependent state space models is postulated. A primary theoretical contribution of this work is to demonstrate that the response of a system in diagonal time-dependent state space form can be cast in a modal form characterized by time-dependent amplitudes and frequencies. Subsequently, building up on this result, a Kalman filter based framework for non-stationary modal decomposition is proposed. As a result, a family of parametric modal decomposition methods is postulated for univariate and multivariate non-stationary signals based on block-diagonal time-dependent state space representations and Kalman filtering/smoothing. The representation is built upon second order blocks, each representing the in-phase and quadrature components of a single non-stationary oscillatory component. The total response is then constructed as the weighted sum of each of these modes. Accordingly, the model identification involves the joint estimation of the modal trajectories and the time-dependent modal parameters, along with the model hyperparameters, constituted by the mode mixing matrix, the state, parameter and noise covariances, and initial conditions. A tailored Expectation-Maximization algorithm is designed for this purpose as part of this thesis. The obtained methodology is assessed in the decomposition and denoising of electrocardiographic (ECG) signals, which consist of pseudo-periodic non-stationary signals and are susceptible to significant interference. The ECG signal structure makes them amenable to the proposed non-stationary modal decompositions. In contrast to other popular non-stationary signal decomposition methods, the proposed method provides a physically meaningful decomposition of oscillatory components, with consistent results for multivariate signals, such as multi-lead ECG records. Another strategy that was developed in this research project is the application of the delta transform or Euler operator to the Kalman filter, which led to highly precise results in extracting narrowband components. The proposed methodology constitutes a reliable tool for on-line modal decomposition of multi-component non-stationary signals, with results comparable and even better than other state-of-the-art methods. / Avendaño, LE. (2024). Método de descomposición modal no estacionaria basado en representación de espacio de estados con aplicación al análisis de señales ECG [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/211185