Summary: | Analyse et conception de la fiabilité sont indispensables pour le processus de développement des systèmes mécatroniques. Toutefois, des outils puissants sont nécessaires en raison de la complexité croissante et de la cherté d'essai des systèmes mécatroniques. Cette complexité nous amène des difficultés de l'incertitude de modélisation et de la dépendance inconnus, tels que la dépendance fonctionnelle et temporelle. Pour faire face à une telle complexité, la fiabilité des outils d'analyse doivent être mathématiquement puissant, facile à utiliser et efficace de calcul.Les outils classiques ont une certaine quantité d'inconvénients lors de l'évaluation de la fiabilité au niveau du système. Par exemple, les méthodes basées sur la chaîne de Markov ont un problème infime d'explosion combinatoire et le formalisme de l'arbre de défaillance ne fonctionne que quand les composants sont indépendants les uns des autres. Bien que certaines extensions, comme les arbres de défaillance dynamiques, aient été faites pour pallier les lacunes, tous ne peuvent être traitées dans un cadre unique. Le formalisme des réseaux Bayésiens a été récemment considéré comme un outil prometteur de l'inférence statistique pour l'évaluation de fiabilité du système grâce à de nombreux avantages, tels que la capacité de modélisation de la dépendance incertaine, l'intégration de données provenant de diverses sources et les outils de raisonnement bien étudiés. D'autre part, la plus grande valeur ajoutée en mécatronique est en sous-système du contrôle et du traitement de l'information. Les ingénieurs se rendent compte que la conception de contrôleur d'un système dynamique ne peut pas négliger l'exigence de la fiabilité dynamique. Diverses incertitudes influencent non seulement les performances des contrôleurs, mais aussi la fiabilité. Cependant, peu de recherches ont examiné la fiabilité dynamique des contrôleurs.Dans cette recherche, nous avons étudié le formalisme des réseaux bayésiens et développé une méthode de l'évaluation de la fiabilité des systèmes mécatroniques complexes. Cette méthode étend l'analyse bayésienne sur les composants à celle sur les systèmes complexes et permet de considérer des incertitudes des paramètres des modèles asymétriques de temps à l'échec dans les systèmes complexes. Pour effectuer l'inférence dans notre modèle de réseau bayésien, nous avons développé un algorithme modifié de la propagation de croyances non-paramétrique qui est plus efficace dans le cas complexe par rapport à d'autres outils de raisonnement. Nous avons montré également comment effectuer l'analyse de sensibilité dans notre modèle de réseau bayésien qui a une structure non-déterministe.Un contrôleur linéaire dynamique-fiable a été conu pour le module de contrôle des systèmes mécatroniques. Nous avons établi un nouveau lien entre le probabilité de la défaillance du premier passage et les gains de rétroaction des contrôleurs, et obtenu une nouvelle contrainte dynamique de fiabilité pour les objectifs classiques. Le contrôleur linéaire dynamique-fiable est également étendu au formalisme de multiple-modèle pour que la réalisation d'un contrôleur dynamique-fiable soit applicable dans le cas nonlinéaire/non-gaussien. La performance du système peut encore être améliorée dans ce cadre en utilisant les méthodes de multiple-modèle plus avancées.Une grande quantité de résultats de simulation ont démontré que les méthodes développées ont été appliquées avec succès pour analyser et concevoir des systèmes de suspension active du véhicule et peuvent être appliquée à d'autres applications, telles que d'autres systèmes mécatroniques et systèmes de contrôle actif de construction. === Reliability analysis and design become indispensable for the development process of mechatronic systems. However, versatile tools are called for because of the increas•ing complexity and the testing expensiveness of mechatronic systems. Such complexity brings the difficulties of modeling uncertainty and unknown dependency, such as functional and temporal dependency. To deal with such complexity, reliability analysis tools need to be mathematically powerful, be easy to use and be computationally efficient.Conventional tools have a number of drawbacks when evaluating the reliability at system level. For instance, Markov chain based methods have a problem of infamous combinatorial explosion and fault trees formalism works under the assumption of component independency. Although sorne extensions, such as dynamic fault trees, have been made to make up for shortcomings, not all of them can be handled in one framework. Bayesian networks formalism is recently believed to be a promising statistical inference tool for system reliability assessment thanks to many advantages, such as the ability of modeling uncertain dependency, integrating data from diverse sources and the well-studied reasoning tools. On the other hand, the biggest value-added in mechatronics is in control/information processing subsystem. Engineers realize that the controller design of a dynamic system cannot neglect the dynamic reliability requirement. Various uncertainties influence not only the controller performance but also the reliability. However, little research has considered the dynamic reliability of controllers.In this research, we have investigated the Bayesian networks formalism and developed a new system reliability assessment method for complex mechatronic systems. This method extends Bayesian analysis on components to that on complex systems and allows to consider parameter uncertainties of various skewed time-to-failure models in complex systems. To perform the inference in our Bayesian network model, we developed a modified nonparametric beHef propagation which is more efficient in the complex case compared with other reasoning tools. We showed also how to perform the sensitivity analysis in our Bayesian network model that has a non-deterministic structure. A dynamic-reliable linear controller has been designed for the control module of mechatronic systems. We established a new link between the first-passage failure probability and controllers' feedback gains, and obtained a new dynamic-reliability constraint for classical objectives. The dynamic-reliable linear controller is also extended to the multiple model formalism for achieving a dynamic-reliable controller applicable to nonlinearjnon-Gaussian cases. The system performance can be further improved in this framework by using more advanced multiple model methods.A number of simulation results demonstrated that the developed methods have been successfully applied to analyze and design active vehicle suspension systems and can be applied to other applications, such as other mechatronic systems and active building control systems.
|