Diagnostic des défauts et commande avancée des machines électriques et des convertisseurs de puissance : vers une approche intégrée pour une meilleure fiabilité et efficacité énergétique dans un contexte industriel // Fault Diagnosis and Advanced Control

De par la transition énergétique et l'adoption croissante des systèmes électromécaniques dans de nombreux secteurs (automobile, énergie renouvelable, industrie), les machines électriques et les convertisseurs de puissance sont devenus des éléments clés et indispensables de la production et des infrastructures. Toutefois, leur fiabilité et leur efficacité énergétique sont souvent compromises par des défauts imprévus inhérents à l'actionneur et au convertisseur ou des perturbations externes.
Cette thèse, réalisée en collaboration avec l'entreprise industrielle SEIBO, vise à développer des méthodes avancées pour le diagnostic des défauts et la commande tolérante aux défauts pour les machines électriques et les convertisseurs de puissance. Dans ce contexte, le but final est de proposer des stratégies adaptées aux contraintes industrielles pour améliorer la disponibilité des systèmes, réduire les coûts de maintenance et optimiser les performances globales. L'utilisation de technologies telles que l'intelligence artificielle, la maintenance prédictive, et des stratégies de commande avancée telles que les commandes adaptatives, prédictives, floues ou par mode de glissement est au cœur de cette recherche.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Driven by the energy transition and the growing adoption of electromechanical systems across multiple sectors (automotive, renewable energy, industry), electrical machines and power converters have become key and indispensable components in production and infrastructure. However, their reliability and energy efficiency are often compromised by unforeseen faults inherent to the actuator and the converter, or by external disturbances.
This doctoral research, conducted in collaboration with the industrial company SEIBO, aims to develop advanced methods for fault diagnosis and fault-tolerant control of electrical machines and power converters. In this context, the ultimate objective is to propose strategies tailored to industrial constraints in order to enhance system availability, reduce maintenance costs, and optimize overall performance. The integration of technologies such as artificial intelligence, predictive maintenance, and advanced control strategies — including adaptive, predictive, fuzzy, and sliding mode control — is at the core of this work.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Programmes de l'Union Européenne de financement de la recherche (ERC, ERASMUS)

Université de Picardie - Jules Verne

585 Sciences, Technologie, Santé

Le candidat devra posséder de solides compétences en génie électrique et en machines électriques ainsi qu'une expérience importante en commande, modélisation et en expérimentation. Des connaissances en IA et en traitement du signal sont les bienvenus
The candidate must have strong expertise in electrical engineering and electrical machines, along with substantial experience in control, modeling, and experimentation. Knowledge of AI and signal processing would be an asset.