Contribution to prognostics and health management of complex systems. Application to energy systems

Abstract

(English) This thesis presents contributions to model-based Prognostics and Health Management (PHM) for online Remaining Useful Life (RUL) forecasting of degraded systems. The major issue in such a prognostics approach is that the degradation models are required for prediction purposes. However, this practice is effort- and time-consuming specifically for large systems with mutual degradation and cascading damage effects. Thus, this work aims to overcome the knowledge dependence on the degradation models in addition to the historical data which are accompanied by uncertainties. In consequence, a threefold PHM strategy with various prognostics approaches are proposed for degraded systems and can be generalized, with soft tuning, for further applications.

In this context, system-level prognostics are broadly accomplished without a remarkable interest in the root cause of the degradation on the component level. Therefore, the important role of degradation estimation for the critical components in systems is elaborated for the sake of improved Condition-Based Maintenance (CBM). Thus, there exist stochastic-based filtering techniques for parameter estimation and degradation prediction that have been investigated in the state of the art. Whereas, the main challenge lies in the consistency of the RUL forecasting that is subject to modeling and measurement uncertainties on a system level, as concluded based on the examination of various forecasting approaches. Consequently, a fusion between stochastic and deterministic estimation techniques has been investigated in a Zonotopic Extended Kalman filter (ZEKF) framework, which has been upgraded into a Zonotopic Set-Membership (ZSM) observer for degradation estimation and prediction with unknown-but-bounded noises and uncertainties. Furthermore, zonotopes are adopted for their simple computations in addition to their ability to propagate bounded sets that improve the accuracy of RUL forecasting. Furthermore, a robustness condition is guaranteed due to the Linear Matrix Inequality (LMI)-based offline optimal tuning of the zonotopic observers.

Moreover, the proposed approaches are applied to a DC-DC converter with three degradation scenarios for the validation of the threefold PHM. Eventually, the nonlinear model of the converter has been linearized online when applied with the stochastic approaches. However, it has been transformed into a polytopic Linear Parameter-Varying (LPV) model that copes with the LMI optimization for reduced online computations in addition to generalization purposes for real-time prognostics.

(Español) Esta tesis presenta contribuciones al pronóstico basado en modelos y la gestión de la salud (Prognostics and Health Management (PHM)) para la estimación en línea de la vida útil restante (Remaining Useful Life (RUL)) teniendo cuenta la degradación de los sistemas. El problema principal en este enfoque de pronóstico es que los modelos de degradación son necesarios para fines de predicción. Sin embargo, esta práctica requiere mucho tiempo y esfuerzo, específicamente para sistemas grandes con degradación mutua y efectos de daños en cascada. Así, este trabajo tiene como objetivo superar la dependencia del conocimiento de los modelos de degradación además de los datos históricos que van acompañados de incertidumbres. En consecuencia, se propone una estrategia PHM triple con varios enfoques de pronóstico para sistemas electrónicos y se puede generalizar, con ajustes menores, para aplicaciones posteriores.

En este contexto, los pronósticos a nivel de sistema se logran en general sin buscar la causa raíz de la degradación a nivel de componente. Por lo tanto, el papel importante de la estimación de la degradación de los componentes críticos en los sistemas se elabora con el fin de mejorar el mantenimiento basado en las condiciones del sistema (Condition-Based Maintenance (CBM)). Por tanto, existen técnicas estadísticas para la estimación de parámetros y la predicción de la degradación que se han investigado en la literatura. Considerando que la principal dificultad radica en la coherencia de la previsión de RUL que está sujeta a incertidumbres de modelado y medición a nivel de sistema, como se concluyó después del estudio de varios enfoques de previsión. En consecuencia, se ha investigado una fusión entre técnicas de estimación estocásticas y deterministas en un marco ZEKF (Zonotopic Extended Kalman filter), que se ha actualizado a un observador ZSM (Zonotopic Set-Membership) para la estimación y predicción de la degradación con ruidos e incertidumbres desconocidos pero acotados. Además, los zonotopes se adoptan debido a sus cálculos simples además de su capacidad para propagar conjuntos acotados que mejoran la precisión de la predicción del RUL. Además, se garantiza una condición de robustez debido a la sintonización óptima fuera de línea mediante la técnica LMI (Linear Matrix Inequality) de los observadores zonotópicos.

Finalmente, los enfoques propuestos se aplican a un convertidor DC-DC con tres escenarios de degradación para la validación de los métodos PHM propuestos. Finalmente, el modelo no lineal del convertidor se ha linealizado en línea cuando se aplica con los enfoques estocásticos. Sin embargo, se ha transformado en un modelo de variación de parámetros lineales politópicos (Linear Parameter-Varying (LPV)) que hace utiliza la técnica LMI para reducir los cálculos en línea, además de facilitar el pronóstico en tiempo real.