Dans les systèmes à cycle de vapeur, le capteur de débit massique joue un rôle clé dans diverses tâches de surveillance et de contrôle. Cependant, les capteurs physiques peuvent être imprécis ou encombrants, et présenter une sensibilité élevée aux vibrations, ce qui est particulièrement problématique lorsque le système est embarqué dans un avion. De plus, ces capteurs peuvent être coûteux et difficiles à entretenir. Pour pallier ces limitations, le développement d’un capteur virtuel basé sur des données issues de capteurs standards apparaît comme une alternative intéressante.
Ce manuscrit aborde trois thématiques principales. Premièrement, nous proposons un modèle dynamique basé sur un réseau de neurones convolutif causal (CNN) répondant aux spécifications requises par Liebherr. Une contribution centrale de ce travail est l’évaluation dynamique du modèle à l’aide de métriques d’ingénierie, calculées de manière automatisée afin de permettre le traitement de grands ensembles de données. Ce modèle dynamique a été implémenté dans le laboratoire LIEBHERR. Les premiers tests de contrôle réalisés avec ce modèle ont été concluants. Cependant, cette approche présente un inconvénient majeur : en tant que modèle « boîte noire », le CNN manque d’interprétabilité, ce qui complique sa certification, notamment dans les environnements critiques pour la sécurité.
Pour surmonter ces difficultés et avancer vers un modèle certifiable, nous explorons le développement de modèles possédant des propriétés favorables au déploiement de capteurs virtuels dans les systèmes aéronautiques. Nous proposons un modèle statique hybride combinant la connaissance physique du système avec des réseaux de neurones. Cette approche permet la création d’un capteur virtuel offrant non seulement une meilleure interprétabilité, mais aussi une plus grande robustesse globale.
Dans une troisième partie, nous nous concentrons sur l’amélioration de la robustesse locale en utilisant des méthodes de features aléatoires pour l’approximation de noyaux. Une analyse approfondie de la continuité lipschitzienne des modèles à features aléatoires est également proposée. |
In Vapor Cycle Systems, the mass flow sensor plays a key role in various monitoring and control tasks. However, physical sensors can be inaccurate or cumbersome, and may exhibit high sensitivity to vibrations, this is particularly problematic when the system is embedded in an aircraft environment. In addition, this sensors can be expensive and difficult to maintain. To address these limitations, the development of a virtual sensor based on standard sensor data emerges as an attractive alternative.
This manuscript addresses three key topics. Firstly, we propose a dynamic model based on a causal Convolutional Neural Network (CNN) that meets the specifications required by Liebherr. A central contribution of this work is the dynamic evaluation of the model using engineering metrics, which are computed in an automated manner to enable the processing of large datasets. This dynamic model has been implemented in the LIEBHERR Laboratory. The first tests to perform control with this model have been successful. However, this approach has a critical drawback. As a black-box model, the CNN lacks interpretability, making it challenging to certify its performance, especially in safety-critical environments.
To overcome these challenges and move toward a certifiable model, we investigate the development of models that possess properties conducive to the deployment of virtual sensors in aircraft systems. We propose a hybrid static model that combines physical knowledge of the system with neural networks. This novel approach enables the creation of a virtual sensor that not only exhibits better interpretability but also achieves better global robustness.
In a third part, we focus on enhancing local robustness by employing random feature methods for kernel approximation. An in-depth analysis of the Lipschitz continuity of random feature models is provided. |