L’avion plus électrique demande des modules de puissances de plus en plus performants dans les domaines de la fiabilité et de la maîtrise de la durée de vie restante. Le remplacement des systèmes hydrauliques et pneumatiques par des actionneurs électriques et leurs convertisseurs associés est, aujourd’hui, un moyen efficace de réduire les coûts de maintenance et la consommation de carburant. L’ajout de composantes électriques est également un bon moyen d’augmenter la fiabilité des systèmes. La fiabilité est toujours étudiée à partir de contraintes cycliques accélérées. La tendance actuelle est d’embarquer des fonctions de suivi de l’état de santé dans les modules de puissance pour permettre la prédiction de la durée de vie restante. Cette approche implique des modifications du circuit afin de mettre en place des capteurs et est souvent dédiée à un mode de défaillance en particulier. Cette thèse propose une approche par apprentissage du suivi de l’état de santé de modules de puissance à base de MOSFET en carbure de silicium. Une large étude bibliographique a permis de créer et de réaliser un banc de test instrumenté permettant de mettre en œuvre des défaillances attendues dans les modules de puissance mais aussi d’enregistrer un grand nombre de paramètres électriques au cours de la vie du module. Ces paramètres montrent une évolution au cours du vieillissement du module en fonction des modes de défaillances. Un modèle de réseaux neuronaux s’appuie sur la dérive de ces paramètres pour établir le pronostic de durée de vie restante d’un module de puissance à chaque instant de son utilisation normale / More electrical aircraft requires power modules of higher performances, especially in terms of reliability with a control of lifetime. The replacement of hydraulic and pneumatic systems by electric actuators and their associated converters is the present trend to reduce maintenance cost and fuel consumption. Adding more electric components is also thought as a good way to increase reliability in systems. Reliability is still analysed from accelerated stress cycles. A large volume of data must be obtained in various conditions to assert a pertinent extrapolation of remaining lifetime during operation. A trend is to embed some condition monitoring functions in power modules to help predict the remaining lifetime. This approach is the field of hardware developments with respect to sensors and decorrelation methods but mainly dedicated to one particular failure. This thesis presents a learning approach of silicon carbide MOSFET based power modules condition monitoring. A large literature study has led to the elaboration of a test plan and an instrumented test bench. This test bench allows an accelerated lifespan of power module and an on-line recording of several electrical parameters. These parameters shows a drift according to the power module ageing. A neural network model based on these parameters drifts has been constructed to estimate the remaining useful lifetime of a power module in normal operation
Identifer | oai:union.ndltd.org:theses.fr/2018LYSE1317 |
Date | 13 December 2018 |
Creators | Hologne, Malorie |
Contributors | Lyon, Razik, Hubert, Clerc, Guy, Allard, Bruno |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | English |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0021 seconds