• Langue : Anglais
• Discipline : Automatique, productique
• Identifiant : 2024ULILB003
• Type de thèse : Doctorat
• Date de soutenance : 07/03/2024

Résumé en langue originale

Cette thèse aborde le besoin critique d'une détection et d'une isolation des fautes (FDI) efficaces dans la production d'hydrogène vert (GH2), un acteur clé dans l'atténuation de l'effet de serre. Pour relever ce défi, cette thèse introduit une stratégie hybride pour la détection et l'isolation des défauts. Des études approfondies des algorithmes FDI révèlent une lacune dans la littérature existante, mettant l'accent sur la précision mais négligeant le besoin de données étiquetées. En outre, l'interprétabilité de l'FDI hybride est souvent négligée. L'approche hybride proposée vise à être efficace dans l'utilisation des données et interprétable, en s'appuyant sur des modèles basés sur la physique et l'intelligence artificielle (IA). Un nouveau formalisme est proposé "Bond Graph-Convolutional Neural Network (BG-CNN). BG-CNN est une nouvelle méthode de diagnostic hybride qui répond aux défis de la formation de modèles IA pour le diagnostic des défauts. Le BG-CNN combine la génération de résidus BG et la classification des défauts basée sur le CNN, démontrant une performance supérieure en temps réel, en particulier dans les scénarios avec des données étiquetées limitées. En outre, une méthode d'apprentissage auto-supervisé (SSL) améliore l'FDI dans de telles situations. L'étude traite également de Bond Graph-eXplainable AI (BG-XAI); cette méthode est basée sur l'occlusion, soulignant l'importance d'explications significatives pour les prédictions de défauts, en montrant son efficacité à l'aide de visualisations. La méthode BG-CNN avec SSL, appliquée pour l'FDI de l'électrolyseur Proton Exchange Membrane (PEM) pour la production de l'hydrogène vert mais aussi à un système mécatronique contact-rail-roue des voies ferrées a montré son efficacité par rapport aux performances de détectabilité des méthodes traditionnelles. L'analyse comparative a démontré les performances supérieures de la méthode proposée, en particulier dans les scénarios avec des données étiquetées limitées, surpassant les méthodes SSL de pointe. La méthode BG-XAI a été utilisée pour expliquer les prédictions conformément à l'analyse structurelle.

Résumé traduit

This thesis addresses the critical need for effective Fault Detection and Isolation (FDI) in green hydrogen (GH2) production, a key player in mitigating the greenhouse effect. To tackle this challenge, this thesis introduces a hybrid strategy for FDI. Extensive reviews of FDI algorithms reveal a gap in existing literature, emphasizing accuracy but neglecting the need for labeled data. Additionally, interpretability in Hybrid-FDI is often overlooked. The proposed hybrid approach aims to be efficient in data usage and interpretable, leveraging physics-based models and Artificial Intelligence (AI). This study introduces Bond Graph-Convolutional Neural Net (BG-CNN), a novel hybrid FDI method addressing AI model training challenges for fault diagnosis. BG-CNN combines BG residual generation and CNN-based fault classification, demonstrating superior real-time performance, particularly in scenarios with limited labeled data. Additionally, a Self-Supervised Learning (SSL) method enhances FDI in such situations. The study also discusses Bond Graph-eXplainable AI (BG-XAI), an occlusion-based method, emphasizing the importance of meaningful explanations for fault predictions, showcasing its effectiveness through visualizations. The BG-CNN method with SSL was employed for the FDI of the Proton Exchange Membrane (PEM) electrolyzer and railway tracks, surpassing the performance of traditional methods. Comparative analysis demonstrated the superior performance of the proposed method, particularly in scenarios with limited labeled data, outperforming state-of-the-art SSL methods. The BG-XAI method was used to provide explanations for predictions in accordance with structural analysis.