Note ABES Robust hybrid fault detection and isolation by integrating bond graph and artificial intelligence : application to green hydrogen production Détection et isolation hybrides robustes des défauts par l’intégration du Bond Graph et de l’intelligence artificielle : application à la production d’hydrogène vert Apprentissage Bond Graph Apprentissage auto-Supervisé Diagnostic Intelligence artificielle explicable XAI Hydrogène vert Réseau de neurones convolutifs Électrolyseur à membrane échangeuse de protons Machine Learning Bond Graph Self supervised learning Diagnosis Explainable AI XAI Green Hydrogen Détection de défaut (ingénierie) Apprentissage supervisé (intelligence artificielle) Graphes de lien Génération d'hydrogène Contact de roulement 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. 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. Electronic Thesis or Dissertation Text en PDF 5944643 https://pepite-depot.univ-lille.fr/LIBRE/EDMADIS/2024/2024ULILB003.pdf https://theses.hal.science/tel-04703650 https://theses.hal.science/tel-04703650 https://theses.fr/2024ULILB003/abes https://theses.hal.science/tel-04703650 https://theses.hal.science/tel-04703650 https://theses.hal.science/tel-04703650 Dash Balyogi Mohan Dash 1998-03-16 IN 280355130 https://theses.fr/2024ULILB003 2024ULILB003 https://doi.org/10.70675/83ceb975z9781z42e0zaac9z041c66a1a139 2024-03-07 Automatique, productique Université de Lille (2022-....) 259265152 Doctorat Docteur es non oui Ould Bouamama Belkacem MADS_DIRECTEUR_DE_THESE_1 069766584 Youcef-Toumi Kamal MADS_PRESIDENT_DU_JURY 123711894 Pekpe Komi Midzodzi MADS_MEMBRE_DU_JURY_1 08605693X Boukerdja Mahdi MADS_MEMBRE_DU_JURY_2 259915505 Samantaray Arun Kumar MADS_MEMBRE_DU_JURY_3 129338869 Gehin Anne-Lise MADS_MEMBRE_DU_JURY_4 070146454 Fouladirad Mitra MADS_RAPPORTEUR_1 130561746 Medjaher Kamal MADS_RAPPORTEUR_2 091029287 École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 258621362 Centre de Recherche en Informatique, Signal et Automatique de Lille MADS_PARTENAIRE_DE_RECHERCHE_1 410272 18388695X ddc:004 Ould Bouamama Belkacem Youcef-Toumi Kamal Pekpe Komi Midzodzi Boukerdja Mahdi Samantaray Arun Kumar Gehin Anne-Lise Fouladirad Mitra Medjaher Kamal Ecole doctorale Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) Centre de Recherche en Informatique, Signal et Automatique de Lille PDF 5944643