Diagnostic des pannes et commande tolérante aux fautes pour les véhicules électriques distribués
L’automobile électrique est à un tournant décisif. Alors que l’industrie abandonne progressivement les architectures de transmission centralisées au profit de solutions plus modulaires et performantes, les véhicules électriques distribués (DEV) émergent comme une technologie phare. En équipant chaque roue d’un moteur électrique indépendant, souvent monté directement dans le moyeu, ces véhicules suppriment des composants mécaniques complexes comme les arbres de transmission, les différentiels et les ponts. Ce gain en simplicité mécanique se traduit par une augmentation significative de l’efficacité énergétique, une amélioration de la maniabilité et une liberté de conception sans précédent. Pourtant, cette avancée technologique, fondée sur la redondance et la distribution des actuateurs, introduit un nouveau défi critique : la fiabilité. L’augmentation du nombre de moteurs, d’électroniques de puissance et de capteurs accroît mécaniquement la probabilité de pannes. Un seul moteur en défaut peut déséquilibrer la répartition du couple, compromettant gravement la stabilité du véhicule, notamment lors de manœuvres dynamiques. Face à cette réalité, la sécurité ne peut plus reposer uniquement sur la robustesse des composants, mais doit être intégrée au cœur du système de contrôle, via des stratégies sophistiquées de diagnostic des pannes et de commande tolérante aux fautes (FTC).
C’est dans ce contexte que s’inscrit une étude approfondie menée par Qiang Wang du Collège des Transports de l’Université des Sciences et Technologies du Shandong, en collaboration avec ses collègues Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao et Song Liu. Publiée dans la Revue de l’Université de Technologie de Chongqing (Sciences Naturelles), cette recherche constitue une synthèse d’envergure sur l’état actuel des connaissances et les perspectives futures en matière de FTC pour les véhicules électriques distribués. Ce travail, soutenu par des financements prestigieux tels que le Fonds National des Sciences Naturelles de Chine, ne se contente pas de dresser un bilan des techniques existantes ; il propose une analyse critique des limites des approches actuelles et dessine les contours des systèmes de contrôle de la prochaine génération, capables de maintenir la sécurité et la performance même en cas de défaillance.
Le cœur de l’étude de Wang et de son équipe se concentre sur les deux types de pannes les plus prévalentes et critiques affectant les moteurs synchrones à aimants permanents (PMSM), qui équipent la majorité des DEV : les courts-circuits dans les enroulements du stator et la dé-magnétisation des aimants permanents. Ces deux modes de défaillance, bien que de nature différente, ont un impact dévastateur sur la performance et la durée de vie du moteur, et nécessitent des stratégies de diagnostic et de contrôle distinctes.
Les courts-circuits dans les enroulements, en particulier les courts-circuits inter-spires, sont parmi les pannes électriques les plus fréquentes. Ils démarrent souvent de manière insidieuse, par une dégradation de l’isolation entre les spires du fil de cuivre. Ce défaut mineur crée un chemin de faible résistance, générant des courants parasites qui augmentent localement la température et produisent des harmoniques indésirables dans le courant du moteur. Si ces courts-circuits inter-spires ne sont pas détectés, ils peuvent s’aggraver, évoluant vers des courts-circuits de phase à phase complets, ce qui peut entraîner un colapsus thermique et une panne catastrophique du moteur. De plus, la chaleur et les champs magnétiques inverses générés par un court-circuit peuvent accélérer la dé-magnétisation des aimants, créant une cascade de défaillances.
Le diagnostic de ces défauts repose sur deux grandes approches : l’extraction de signaux et l’identification intelligente. L’extraction de signaux consiste à analyser des paramètres électriques et mécaniques tels que le courant, la tension, la force contre-électromotrice (back-EMF), les vibrations et le bruit acoustique. La Transformée de Fourier Rapide (FFT) a longtemps été l’outil de référence, capable d’identifier des composantes harmoniques caractéristiques dans le courant du stator qui indiquent un court-circuit. Toutefois, la FFT souffre d’une limitation fondamentale : elle suppose que le signal est stationnaire, c’est-à-dire que ses propriétés ne changent pas dans le temps. Dans un véhicule en mouvement, les conditions de charge et de vitesse changent constamment, rendant les signaux non stationnaires. Dans ce contexte, la précision de la FFT peut être compromise, rendant difficile la détection de pannes à un stade précoce.
Pour surmonter cette limitation, des techniques d’analyse dans le domaine temps-fréquence ont gagné en importance. La Transformée en Paquets d’Ondelettes et, surtout, la Transformée de Hilbert-Huang (HHT), sont des outils puissants. L’HHT est capable de décomposer un signal complexe en ses Fonctions de Mode Intrinsèque (IMF) et d’en extraire la fréquence instantanée de chacune. Cela permet de capturer avec précision la façon dont les « signatures » d’une panne évoluent dans le temps, la rendant idéale pour la détection de pannes incipientes. Néanmoins, l’HHT n’est pas exempte de problèmes ; le « mélange modal », où différents modes de vibration se superposent dans une seule IMF, peut fausser l’analyse et réduire la fiabilité du diagnostic.
C’est ici que l’identification intelligente, propulsée par l’apprentissage automatique, révolutionne le domaine. Ces méthodes ne dépendent pas de modèles physiques complexes du moteur. Au lieu de cela, elles apprennent à reconnaître des modèles de panne directement à partir de grands volumes de données. Les Réseaux de Neurones Convolutifs (CNN) sont excellents pour extraire des caractéristiques spatiales des signaux de tension, de courant et de vitesse, permettant non seulement de détecter un défaut, mais aussi de localiser avec précision quelle spire ou section de l’enroulement est en court-circuit. D’autre part, les réseaux récurrents comme les LSTM (Long Short-Term Memory) sont idéaux pour modéliser l’évolution temporelle d’une panne. Une fois optimisés avec des algorithmes comme l’optimisation de la baleine, ils peuvent estimer avec une grande précision le nombre de spires en court-circuit, fournissant une mesure quantitative de la gravité du problème.
Une approche hybride, combinant les deux mondes, devient de plus en plus populaire. Par exemple, les Réseaux Génératifs Adverses (GAN) peuvent être utilisés pour générer des données synthétiques de panne, un processus connu sous le nom d’augmentation de données. C’est crucial car, dans la vie réelle, les données de moteurs sains sont abondantes, tandis que les données de pannes sont rares, créant un déséquilibre qui peut biaiser les modèles d’apprentissage automatique. Une fois qu’un jeu de données plus équilibré est créé, des techniques comme les auto-encodeurs épars peuvent être appliquées pour extraire des caractéristiques de haut niveau et améliorer la précision de la classification. L’utilisation de Machines à Vecteurs de Support (SVM), alimentées par des composantes de courant symétriques dérivées de l’analyse de Fourier, a également démontré une grande fiabilité pour distinguer les états sains des états défectueux.
Malgré les progrès dans le diagnostic des courts-circuits inter-spires, la recherche de Wang et de son équipe souligne un vide critique : la rareté des études sur les courts-circuits de phase à phase. Il s’agit de pannes sévères qui, bien que moins fréquentes, peuvent entraîner un effondrement immédiat du système. Quelques études, comme celle de Daizong Tian, ont tenté de modéliser ces pannes en utilisant l’analyse du champ thermique, mais il n’existe pas encore de cadre de diagnostic systématique et robuste. Cette lacune représente un domaine prioritaire pour les recherches futures, surtout à mesure que les moteurs sont conçus pour fonctionner à des densités de puissance et des températures de plus en plus élevées.
La dé-magnétisation des aimants permanents est une autre panne spécifique aux PMSM et présente un défi différent. Causée par de hautes températures, des champs magnétiques inverses, des vibrations mécaniques ou de la corrosion chimique, la dé-magnétisation peut être partielle ou totale. Son principal danger réside dans son caractère graduel, pouvant passer inaperçu pendant longtemps jusqu’à ce que la perte de performance du moteur devienne évidente. Contrairement à un court-circuit, qui peut provoquer une panne immédiate, la dé-magnétisation est un « assassin silencieux » qui érode lentement la capacité du véhicule.
Le diagnostic de la dé-magnétisation repose sur la détection d’harmoniques anormales dans le courant et la tension du moteur. La FFT reste un outil de base, les chercheurs analysant les harmoniques dans la back-EMF, la tension de séquence nulle et le courant du stator pour inférer le degré de dé-magnétisation. L’HHT est également appliquée pour extraire des composantes de fréquence qui varient dans le temps, associées à l’affaiblissement du flux magnétique. De plus, l’analyse de l’enveloppe de la densité du champ magnétique dans l’entrefer, en utilisant des techniques d’ondelettes, fournit une méthode efficace pour identifier les motifs de dé-magnétisation, notamment dans les moteurs linéaires.
Les méthodes basées sur des modèles offrent une perspective quantitative. Le filtre de Kalman, par exemple, permet la surveillance en temps réel des ondulations de couple, qui sont directement corrélées à l’asymétrie du flux causée par la dé-magnétisation. Des méthodes des moindres carrés ont été utilisées pour estimer le niveau de dé-magnétisation en analysant les variations du rayon de la back-EMF. L’analyse structurelle de l’inductance du moteur, comme proposée par Seungmok Moon, offre un indicateur indirect mais fiable des changements dans le flux de liaison.
L’apprentissage automatique transforme également ce secteur. Des réseaux de neurones entraînés avec des données de simulation par éléments finis peuvent classer la gravité de la dé-magnétisation en fonction de profils de courant et de température. Les modèles d’apprentissage profond, y compris les réseaux convolutifs, ont démontré une grande précision pour distinguer les états normaux des états dé-magnétisés sous diverses conditions de charge. La théorie des systèmes gris et les réseaux bayésiens dynamiques ont été intégrés au traitement du signal pour améliorer la robustesse de la détection des pannes dans des environnements bruyants.
L’une des conclusions principales du document est l’importance croissante de la dé-magnétisation locale. Bien que la dé-magnétisation totale soit plus facile à modéliser, la dé-magnétisation partielle est beaucoup plus courante et difficile à détecter. Une perte de flux localisée crée des champs magnétiques asymétriques, générant des signatures harmoniques complexes qui peuvent se superposer à celles d’autres pannes, comme l’excentricité du rotor. Lorsque plusieurs pannes coexistent, comme la dé-magnétisation et l’excentricité, le diagnostic devient extrêmement complexe. Les auteurs soulignent la nécessité de stratégies de fusion de signaux multiples qui combinent des données électriques, magnétiques et mécaniques pour améliorer la discrimination des pannes.
Passant du diagnostic au contrôle, l’article analyse deux stratégies principales de FTC : passive et active. La commande passive utilise des lois de contrôle fixes conçues pour être intrinsèquement robustes à un ensemble prédéfini de pannes. Elle ne nécessite pas de détection de panne en temps réel ni de reconfiguration du système, ce qui la rend plus simple. Des exemples incluent des régulateurs PI robustes et des régulateurs par modes glissants (sliding mode) ajustés pour maintenir la stabilité en cas de pannes connues, comme la perte d’un moteur.
Toutefois, les méthodes passives ont une adaptabilité limitée. Elles ne peuvent pas répondre à des pannes inattendues ou en évolution et sacrifient souvent la performance pour garantir la stabilité. En revanche, la commande active reconfigure dynamiquement le système de contrôle en fonction des informations de diagnostic en temps réel. Cette approche utilise les informations sur la panne pour redistribuer le couple, réaffecter les objectifs de contrôle et maintenir la dynamique du véhicule dans des limites sûres.
L’architecture du FTC actif est typiquement hiérarchique. La couche supérieure, ou couche de contrôle du mouvement, détermine la force longitudinale souhaitée et le moment de lacet en fonction des entrées du conducteur et de l’état du véhicule. Cela est réalisé grâce à des modèles de référence, comme le modèle de bicyclette à deux degrés de liberté (2DOF), qui prédit la vitesse de lacet et l’angle de dérive idéaux. Toutefois, sous une forte accélération latérale, la saturation des pneus peut invalider les hypothèses du modèle linéaire. Pour y remédier, des stratégies de commande avancées intègrent l’estimation du coefficient d’adhérence de la route pour modifier les valeurs de référence et prévenir l’instabilité.
La Commande Prédictive par Modèle (MPC) et la Commande par Modes Glissants (SMC) sont les techniques dominantes dans la couche de contrôle du mouvement. Le MPC utilise un modèle dynamique du véhicule pour prédire les états futurs et optimiser les sorties de commande sur un horizon de temps fini. Sa capacité à gérer des contraintes et à optimiser plusieurs objectifs le rend idéal pour les applications FTC. Le SMC, connu pour sa robustesse face à l’incertitude des paramètres et aux perturbations externes, est efficace pour maintenir les performances de suivi malgré les pannes des actionneurs. Cependant, le « chattering » ou bourdonnement, un problème courant dans le SMC, doit être atténué par des techniques de couche limite ou des gains adaptatifs.
La couche inférieure, ou couche d’allocation de couple, traduit les forces et moments souhaités en couples individuels pour chaque roue. Il s’agit d’un problème d’optimisation avec contraintes, particulièrement en cas de panne. Les méthodes de pseudo-inverse, couramment utilisées dans les systèmes sur-actués, calculent la distribution du couple en inversant la matrice d’efficacité de commande. Toutefois, les solutions de pseudo-inverse standard ne prennent pas en compte les limites des actionneurs ni les asymétries induites par la panne. Les approches de pseudo-inverse pondéré, qui attribuent une priorité plus faible aux moteurs dégradés, améliorent la faisabilité et la convergence.
La Programmation Quadratique (QP) est apparue comme une alternative plus flexible et puissante. En formulant l’allocation de couple comme un problème de minimisation de coût avec des contraintes d’inégalité—telles que les limites de couple du moteur, l’utilisation de l’adhérence des pneus et l’exclusion des pannes—le QP garantit des solutions optimales et physiquement réalisables. Des algorithmes comme la méthode du ensemble actif et la méthode primal-dual de point intérieur offrent une convergence rapide, essentielle pour la mise en œuvre en temps réel. Intégrer des métriques d’utilisation des pneus dans la fonction de coût aide à maintenir la stabilité en empêchant un pneu individuel de dépasser sa limite d’adhérence, surtout lors d’un virage.
Au-delà de la commande conventionnelle, des méthodes de FTC intelligentes émergent. Cela inclut la commande adaptative, la commande backstepping et les stratégies de commutation de modèles multiples. La commande adaptative ajuste les paramètres du contrôleur en temps réel en fonction de l’estimation de la panne, compensant les dynamiques inconnues. La conception backstepping, une méthode récursive pour les systèmes non linéaires, permet la construction systématique de contrôleurs stabilisateurs même en présence de pannes variables dans le temps.
Les systèmes FTC à modèles multiples maintiennent une série de contrôleurs, chacun ajusté pour un mode de fonctionnement spécifique—normal, panne d’un moteur, panne de deux moteurs. En fonction de la classification de la panne, le système combine les sorties des contrôleurs en utilisant une moyenne pondérée, garantissant des transitions fluides entre les modes. Des approches d’apprentissage par renforcement et de méta-apprentissage sont explorées, où les politiques de contrôle sont entraînées hors ligne sur des scénarios de panne et déployées pour l’adaptation en ligne.
Les stratégies hybrides qui combinent des éléments passifs et actifs sont de plus en plus courantes. Par exemple, un système peut utiliser un contrôleur par modes glissants robuste comme base, tout en intégrant l’estimation de panne pour ajuster les gains de contrôle ou reconfigurer la distribution du couple. Cette approche hybride équilibre la fiabilité et l’adaptabilité, fournissant des mécanismes de secours lorsque le diagnostic de panne est incertain.
Les auteurs identifient plusieurs tendances et défis émergents. Premièrement, la nature dynamique des pannes—comme la dégradation progressive des enroulements ou la dé-magnétisation évolutive—exige des capteurs virtuels et une surveillance de la santé en temps réel. La détection binaire traditionnelle des pannes est insuffisante ; une estimation continue de la gravité de la panne est nécessaire pour permettre des ajustements prédictifs du contrôle.
Deuxièmement, l’intégration du diagnostic de panne et du FTC dans un cadre unifié reste fragmentée. Alors que de nombreuses études abordent le diagnostic ou le contrôle de manière isolée, peu offrent des solutions co-conçues où la confiance dans le diagnostic informe directement la reconfiguration du contrôle. Les futurs systèmes pourraient utiliser des estimations probabilistes de pannes—en utilisant des réseaux bayésiens ou des filtres de particules—pour quantifier l’incertitude et moduler l’agressivité du contrôle en conséquence.
Troisièmement, la validation dans le monde réel reste un goulot d’étranglement. La majorité des études reposent sur des simulations ou des tests en banc sous des conditions contrôlées. Des tests en temps réel avec du matériel en boucle (HIL) et des tests au niveau du véhicule dans divers scénarios de conduite sont essentiels pour évaluer la robustesse et la sécurité. Les auteurs appellent à des protocoles standardisés d’injection de pannes et à des jeux de données de référence pour faciliter l’évaluation comparative.
Enfin, la complexité croissante des DEV—en particulier avec l’intégration de fonctions de conduite autonome—exige des architectures de sécurité holistiques. La tolérance aux pannes doit être considérée conjointement avec la sécurité fonctionnelle (ISO 26262), la cybersécurité et l’interaction homme-machine. Une panne dans un sous-système ne doit pas se propager en une panne du système, ce qui exige une redondance en couches et une conception opérationnelle en cas de panne.
En conclusion, la recherche de Qiang Wang et de son équipe souligne que le diagnostic des pannes et la commande tolérante aux fautes ne sont plus des fonctionnalités optionnelles, mais des composants centraux de la prochaine génération de véhicules électriques. À mesure que les systèmes de traction distribués deviennent la norme, la capacité à détecter, isoler et compenser les pannes dans les moteurs définira la sécurité, la fiabilité et la confiance de l’utilisateur dans la mobilité électrique. La voie à suivre passe par l’intégration du traitement avancé des signaux, de l’intelligence artificielle et de la commande adaptative dans des systèmes cohérents et en temps réel capables de maintenir la stabilité du véhicule dans toutes les conditions.
Qiang Wang, Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao, Song Liu, Collège des Transports, Université des Sciences et Technologies du Shandong; Revue de l’Université de Technologie de Chongqing (Sciences Naturelles), DOI: 10.3969/j.issn.1674-8425(z).2024.05.001