FR3059777A1

FR3059777A1 - Procede d'essai

Info

Publication number: FR3059777A1
Application number: FR1662001A
Authority: FR
Inventors: Daniel Le Gonidec Serge; Clement Treangle
Original assignee: Safran Aircraft Engines SAS
Current assignee: Safran Aircraft Engines SAS
Priority date: 2016-12-06
Filing date: 2016-12-06
Publication date: 2018-06-08
Anticipated expiration: 2036-12-06
Also published as: FR3059777B1

Abstract

L'invention concerne le domaine des procédés d'essai et spécifiquement un procédé d'essai d'un système physique non-linéaire (10) comprenant les étapes suivantes : effectuer une succession d'échantillonnages de valeurs de commande et de valeurs de mesure dudit système physique non-linéaire ; soumettre lesdites valeurs de commande et de mesure à un filtre de Kalman discret non-linéaire utilisant un modèle numérique dudit système non-linéaire ; et mettre en œuvre un algorithme d'adaptation paramétrique pour optimiser au moins un premier et un deuxième paramètre dudit modèle numérique sur base de valeurs issues dudit filtre de Kalman discret non-linéaire .

Description

® RÉPUBLIQUE FRANÇAISE

INSTITUT NATIONAL DE LA PROPRIÉTÉ INDUSTRIELLE © N° de publication :

(à n’utiliser que pour les commandes de reproduction)

©) N° d’enregistrement national

059 777

62001

COURBEVOIE ©IntCI⁸: G 01 M 15/14 (2017.01)

DEMANDE DE BREVET D'INVENTION

A1

©) Date de dépôt : 06.12.16.	© Demandeur(s) : SAFRAN AIRCRAFT ENGINES —
(30) Priorité :	FR.
	@ Inventeur(s) : LE GONIDEC SERGE, DANIEL et
	TREANGLE CLEMENT.
(43) Date de mise à la disposition du public de la
demande : 08.06.18 Bulletin 18/23.
©) Liste des documents cités dans le rapport de
recherche préliminaire : Se reporter à la fin du
présent fascicule
(© Références à d’autres documents nationaux	® Titulaire(s) : SAFRAN AIRCRAFT ENGINES.
apparentés :
©) Demande(s) d’extension :	© Mandataire(s) : CABINET BEAU DE LOMENIE.

Pty PROCEDE D'ESSAI.

FR 3 059 777 - A1 (P/ L'invention concerne le domaine des procédés d'essai et spécifiquement un procédé d'essai d'un système physique non-linéaire (10) comprenant les étapes suivantes:

effectuer une succession d'échantillonnages de valeurs de commande et de valeurs de mesure dudit système physique non-linéaire;

soumettre lesdites valeurs de commande et de mesure à un filtre de Kalman discret non-linéaire utilisant un modèle numérique dudit système non-linéaire; et mettre en oeuvre un algorithme d'adaptation paramétrique pour optimiser au moins un premier et un deuxième paramètre dudit modèle numérique sur base de valeurs issues dudit filtre de Kalman discret non-linéaire .

Tub

Tdt

Tdb

Arrière-plan de l'invention

La présente invention concerne un procédé d'essai d'un système physique non-linéaire.

L'objectif principal des essais de systèmes physiques est celui de caractériser le comportement de ces systèmes physiques, et en particulier identifier des valeurs de certains paramètres liés à leur fonctionnement.

Toutefois, l'identification de ces valeurs devient plus difficile quand elles correspondent à plusieurs paramètres différents liés entre eux. Ainsi par exemple, dans un système physique comprenant une turbine et une vanne de contournement de la turbine, comme notamment dans un circuit d'alimentation de moteur-fusée à ergols liquides, on peut souhaiter identifier un rendement de la turbine, sous forme d'un rapport entre une performance réelle et une performance théorique pendant l'essai, et un décalage entre une consigne de position de la vanne et une position réelle. Avec les procédés d'essai de l'état de la technique, séparer les effets de l'un et de l'autre sur le fonctionnement global d'un système physique non-linéaire exige une multiplication des régimes de fonctionnement différents testés dans chaque essai, voire une multiplication des essais. Le bruit de mesure et de traitement peut rendre cette identification encore plus ardue.

Objet et résumé de l’invention

La présente divulgation concerne un procédé d'essai visant à remédier à ces inconvénients, et plus particulièrement un procédé d'essai d'un système physique non-linéaire qui permette d'obtenir de manière plus rapide et facile des valeurs pertinentes d'au moins deux paramètres liés au fonctionnement du système physique pendant l'essai, et notamment leur identification dans une seule démarche d'essai et de calcul.

Pour cela, ce procédé comprend les étapes d'effectuer une succession d'échantillonnages de valeurs de commande et de valeurs de mesure dudit système physique non-linéaire, soumettre lesdites valeurs de commande et de mesure à un filtre de Kalman discret non-linéaire utilisant un modèle numérique dudit système non-linéaire, et mettre en œuvre un algorithme d'adaptation paramétrique pour optimiser au moins un premier et un deuxième paramètre dudit modèle numérique sur base de valeurs issues dudit filtre de Kalman discret non-linéaire.

Les filtres de Kalman pouvant non seulement fournir des estimations de variables réelles à partir de données de mesure et de commande bruitées, mais aussi des valeurs indicatives de la précision de ces estimations, telles que des variances et covariances de ces estimations, il est ainsi possible d'utiliser ces valeurs issues du filtre de Kalman discret non-linéaire dans un algorithme d'adaptation paramétrique pour créer une boucle de retour supplémentaire permettant d'ajuster les paramètres du modèle numérique utilisé dans le filtre de Kalman discret non-linéaire pour améliorer la précision des estimations.

Le filtre de Kalman discret non-linéaire peut notamment être un filtre de Kalman non-linéaire du type dit « sans-odeur », qui permet d'obtenir des résultats particulièrement précis pour un grand nombre de systèmes non-linéaires. Toutefois, d'autres types de filtres de Kalman discrets nonlinéaires, comme par exemple le filtre de Kalman étendu, peuvent être utilisés alternativement à un filtre de Kalman « sans-odeur ».

L'algorithme d'adaptation paramétrique peut notamment être un algorithme d'optimisation desdits aux moins deux paramètres du modèle numérique par minimisation d'une valeur calculée sur base d'au moins une matrice de covariance issue dudit filtre de Kalman discret non linéaire. Les matrices de covariance issues de filtres de Kalman discrets sont une source utile d'information sur la précision des estimations issues du filtre et, en conséquence, sur la qualité du modèle numérique sous-jacent. L'au moins une matrice de covariance peut par exemple comprendre une matrice de covariance d'innovation réelle dudit filtre de Kalman discret non-linéaire, et la valeur à minimiser peut comprendre la somme de tous les éléments d'au moins une matrice de covariance issue dudit filtre de Kalman non linéaire, voire la somme de tous les éléments d'une succession de matrices de covariances issue dudit filtre de Kalman discret non linéaire pendant une séquence d'échantillonnage.

Le système physique non-linéaire soumis à l'essai peut notamment comprendre une turbine et une vanne de contournement de ladite turbine. Ainsi, ce procédé d'essai permettra l'identification simultanée de paramètres de fonctionnement de la turbine et de la vanne de contournement. Par exemple, le premier paramètre du modèle numérique du système physique non-linéaire pourrait correspondre à un rapport entre une performance théorique et une performance réelle de la turbine pendant l'essai, et notamment à un rapport entre un couple théorique et un couple réel généré par la turbine pendant l'essai, et le deuxième paramètre du modèle numérique du système physique non-linéaire pourrait correspondre à un décalage entre une consigne de position et une position réelle de la vanne pendant l'essai. Lesdites valeurs de commande peuvent notamment comprendre une consigne d'ouverture de la vanne de contournement, une vitesse mesurée de rotation de la turbine, et/ou un couple mesuré de la turbine, ce dernier pouvant être mesuré, par exemple, à travers de mesures de pression et débit d'une pompe actionnée par la turbine. Lesdites valeurs de mesure peuvent notamment comprendre des mesures de pression et de température en amont et en aval de la turbine et de la vanne de contournement.

Ce procédé d'essai est particulièrement efficace pour obtenir des informations utiles à partir de fonctionnements non-stationnaires du système physique objet de l'essai. En conséquence, au moins une partie desdits échantillonnages successifs peut être effectuée pendant une période de transition d'un premier régime de fonctionnement à un deuxième régime de fonctionnement dudit système physique non-linéaire différent du premier régime.

Ce procédé d'essai peut notamment être mis en oeuvre à l'aide d'un ordinateur. Ainsi, cette divulgation concerne aussi un programme d'ordinateur configuré pour la mise en œuvre de ce procédé d'essai et un support informatique lisible par un dispositif informatique et comprenant des instructions pour la mise en œuvre de ce procédé d'essai par un dispositif informatique lisant ledit support. Par « support informatique » on entend tout support permettant le stockage de données, de manière durable et/ou transitoire, et leur subséquente lecture par un système informatique. Ainsi, on entend par « support informatique », entre autres, les bandes magnétiques, les disques magnétiques et/ou optiques, ou les mémoires électroniques d'état solide, tant volatiles que non-volatiles.

Brève description des dessins

L’invention sera bien comprise et ses avantages apparaîtront mieux, à la lecture de la description détaillée qui suit, d’un mode de réalisation représenté à titre d’exemple non limitatif. La description se réfère aux dessins annexés sur lesquels :

- la figure 1 est un dessin schématique illustrant un ensemble de turbine et vanne de contournement formant un système physique non-linéaire à mettre à l'essai ;

- la figure 2 est un schéma illustrant le traitement des données dans ce procédé d'essai ; et

- les figures 3A à 3D représentent des étapes successives de traitement de données suivant le schéma de la figure 2.

Description détaillée de l'invention

La figure 1 illustre un exemple de système physique non-linéaire 10 pouvant être mis à l'essai suivant un mode de réalisation spécifique du procédé d'essai objet de la présente divulgation. Ce système physique non-linéaire 10 comprend une turbine 11 et une vanne 12 de contournement de la turbine dans un conduit 13' de contournement de la turbine dérivé d'un conduit principal 13 de manière à ce que la turbine 11 et la vanne 12 puissent être alimentées en fluide moteur à travers une entrée commune ΓΓ. Le régime de la turbine 11 peut ainsi être en partie réglé par le degré d'ouverture de la vanne 12, qui peut ainsi permettre le contournement de la turbine à une proportion plus ou moins grande de fluide moteur. En outre, dans l'exemple illustré, la turbine 11 est couplée en rotation à une pompe 14, de manière à ce que la rotation de la turbine 11, actionnée par la détente du débit de fluide moteur ne contournant pas la turbine 11 à travers la vanne 12, actionne à son tour la pompe 14. La pompe 14 présente sa propre entrée IP de fluide. La turbine 11 et la pompe 14 forment donc ensemble une turbopompe telle qu'utilisée, par exemple, dans un circuit d'alimentation d'un moteur-fusée en au moins un ergol liquide, et notamment un ergol cryogénique tel que l'hydrogène liquide.

Avant de soumettre un tel système physique non-iinéaire 10 à un usage réel, il est typiquement nécessaire d'effectuer des essais afin de caractériser ses composants, c'est-à-dire déterminer des paramètres associés à chacun de ces composants dans un modèle numérique permettant de simuler le fonctionnement du système physique nonlinéaire 10 dans chacune des différentes situations pouvant être rencontrées dans un fonctionnement réel, pour ainsi optimiser sa commande et éviter les dysfonctionnements. Dans le cas illustré, un premier paramètre r_p à déterminer correspond à un rapport entre un couple M_t théorique et un couple réel M_r généré par la turbine 11, et un deuxième paramètre o_v correspond à un décalage entre une consigne de position et une position réelle de la vanne 12. Comme ces deux paramètres ont un effet conjoint sur le fonctionnement de ce système physique non-linéaire 10, il est difficile de déterminer ces deux paramètres distincts, d'autant plus que les signaux évalués pour cette détermination sont bruités. Dans une approche appliquant un modèle stationnaire, il peut ainsi être nécessaire d'effectuer des essais couvrant un grand nombre de points de fonctionnement, en maintenant chaque point de fonctionnement pendant une durée de temps suffisant. En conséquence, la durée et le coût des essais peuvent augmenter rapidement et devenir rédhibitoires, surtout si ce système physique non-linéaire 10 n'est qu'une partie d'un système plus complexe comprenant un nombre encore plus grand de composants avec des paramètres à identifier.

Afin d'éviter ces inconvénients, cette divulgation propose un procédé d'essai permettant de déterminer ces paramètres dans une seule démarche de calcul, sans imposer des points de fonctionnement stationnaires, et cela à partir de signaux soumis à du bruit, bruit provenant des instruments de mesure, de la conversion des signaux analogues continus en des signaux numériques discrets et du système physique non-linéaire 10 lui-même.

Pour procéder à l'essai, le système physique non-linéaire 10 illustré est instrumenté avec un capteur de pression 15 et un capteur de température 16 en amont de la turbine 11, un capteur de pression 17 et un capteur de température 18 en amont de la vanne 12, un capteur de pression 19 et un capteur de température 20 en aval de la turbine 11, un capteur de pression 21 et un capteur de température 22 en aval de la vanne 12, un capteur de pression 23 et un capteur de débit 24 en aval de la pompe 14 et un capteur de vitesse 25 sur l'arbre rotatif de la turbine

11. Par ailleurs, la vanne 12 comprend un actionneur avec encodage de position. Les capteurs 15 à 25 et l'actionneur de la vanne 12 sont tous connectés à un calculateur numérique 26, pouvant notamment être un ordinateur programmé pour mettre en œuvre le procédé d'essai.

Pendant l'essai, les entrées de fluide ΓΤ et IP sont connectées à une source de fluide qui les alimente en fluide. Afin de faire varier le régime de fonctionnement du système physique non-linéaire 10 pendant l'essai, il est possible de varier les pressions et températures des débits de fluide alimentant chaque entrée de fluide ΓΤ, IP, ainsi qu'une consigne de position c_v de la vanne 12. Pendant l'essai, la vanne 12 transmet un signal représentant cette consigne de position c_v au dispositif informatique 26. Simultanément, les capteurs de pression 15, 17, 19, 21 et 23 transmettent, respectivement, des signaux p_ut, p_Ub, Pat, Pdb, Pdp correspondant chacun à la pression captée par le capteur correspondant, les capteurs de température 16, 18, 20, 22 transmettent, respectivement, des signaux T_ut, T_Ub, T_dt, T_db correspondant chacun à la température captée par le capteur correspondant, le capteur de débit 24 transmet un signal V_p correspondant au débit capté par ce capteur 24, et le capteur de vitesse 25 transmet un signal v_pt correspondant à la vitesse de rotation de l'arbre rotatif de la turbine 11.

Tous ces signaux sont reçus par le calculateur numérique 26, qui peut prendre la forme d'un ordinateur programmable avec une unité centrale de traitement de données, une unité de mémoire, pouvant comprendre une mémoire morte et une mémoire volatile, et des interfaces d'entrée et de sortie. Le calculateur numérique 26 ne pouvant opérer qu'un traitement discret de ces signaux, et non pas continu, il procède à un échantillonnage successif des signaux dans le temps, avec une fréquence d'échantillonnage déterminée et suffisamment élevée pour obtenir une approximation satisfaisante d'un traitement continu des signaux.

La figure 2 montre un schéma fonctionnel du traitement de ces signaux dans le calculateur numérique 26. Ainsi, les signaux de pression Put, Pub, Pdt, Pdb, Pd_P, et de température T_ut, T_ub, T_dt, T_db sont échantillonnées à des moments t successifs par le convertisseur analogique-numérique 50. Ces données échantillonnées de pression et de température, réunies pour chaque moment t, forment ensemble un état mesuré y_t. En même temps, les signaux de vitesse v_pt, débit V_p et position de la vanne c_v sont échantillonnés aux mêmes moments t successifs par le convertisseur analogique-numérique 50 et les données échantillonnées correspondantes forment ensemble une commande u_t pour chaque moment t. Un signal correspondant à la mesure, directe ou indirecte, d'un couple généré par la turbine 11 peut éventuellement aussi être intégré dans cette commande u_t. Ces états mesurés y_t et commandes u_talimentent un observateur d'états 27.

Cet observateur d'états TJ est à filtre de Kalman « sans odeur » ou UKF (pour son acronyme anglais, « Unscented Kalman Filter »). Cet algorithme de filtrage, décrit dans « The Unscented Kalman Filter for Nonlinear Estimation », Proceedings of Symposium 2000 on Adaptive Systems for Signal Processing, Communication and Control (AS-SPCC), IEEE, Lake Louise, Alberta, Canada, Oct, 2000, peut être utilisé non seulement pour filtrer le bruit de signaux, mais même de manière prédictive pour prévoir l'évolution à court terme d'un système dynamique non-linéaire comme système physique non-linéaire 10.

Dans un tel système dynamique, on peut assumer qu'il existe une séquence de Markov d'états latents x_t évoluant dans, le temps suivant une fonction de dynamique modèle A comprenant comme paramètres, pour le système physique non-linéaire 10, le premier paramètre r_p et le deuxième paramètre o_v.

Ces états latents sont observés indirectement par les capteurs indiquant des états mesurés y_t à travers une fonction de mesure G. Ainsi, x_t et y_t peuvent être exprimés suivant les formules :

x_t = F(x_t__i,u_t)+ ε y, =G(_Xl)+v

Les valeurs ε [epsilon] et v [nu] représentent, respectivement, le bruit inhérent au système et le bruit de mesure, et suivent toutes les deux des distributions gaussiennes.

L'objet d'un algorithme de filtrage est celui d'inférer l'état du système dynamique à travers les valeurs bruitées mesurées par les capteurs. Un filtre de Kalman offre une inférence rapide et précise pour les systèmes linéaires. Il n'est toutefois pas directement applicable aux systèmes nonlinéaires, dans lesquels le présent cas d'application pourrait potentiellement être classé. Parmi différentes alternatives pour adapter l'algorithme de filtrage de Kalman aux systèmes non-linéaires, on connaît notamment le filtre de Kalman « sans odeur ». Cet algorithme propage plusieurs estimations de l'état latent x_t à travers les fonctions A et G et reconstruit une distribution gaussienne comme si les valeurs propagées provenaient d'un système linéaire. Les positions des estimations de l'état latent x_t sont nommées « points sigma », et sont calculées à partir d'une moyenne et une variance initiales avec un schéma d'approximation appelé transformation non-parfumée.

Ainsi, dans l'observateur d'état 27, après une initialisation 28 fournissant une estimation initiale d'état x₀ et une matrice de covariance correspondante P_o, des points sigma initiaux X_o°, Xo¹, Xo², Xo³, Xo⁴ illustrés sur la figure 3A sont calculés, par une telle transformation non-parfumée dans une étape de calcul de points sigma 29, à partir de ces données et de matrices de bruit Qi et Ri, correspondant, respectivement, au bruit de mesure et au bruit inhérent au système, matrices fournies par un module d'estimation de bruit à partir de l'état mesuré y_x et de la commande Ui au premier échantillonnage t=l.

Dans l'étape suivante, illustrée sur la figure 3B, des positions estimées X'i, X'i¹, X'², X'i, X'i des points sigma correspondant à un premier échantillonnage (t=l) sont prédites en appliquant, aux points sigma initiaux Xo, Xo¹, Xo², Xo, Xo, l'étape de prédiction 30 de l'algorithme de filtrage de Kalman avec la commande ui pour ce premier échantillonnage t=l. Dans l'étape suivante de correction 31, les points sigma Χ°, Xi¹, Xi, X³, Xi effectifs, illustrés sur la figure 3C, sont calculés à partir de l'état mesuré yi pour cet échantillonnage (t=l), et une nouvelle estimation d'état latent Xi et une matrice de covariance correspondante Pi sont calculées à partir en comparant ces nouveaux points sigma Xi, Xi¹, Xi, X³, X⁴ aux positions estimées X'i, X'i, X'³, X'i_f X'i, comme illustré sur la figure 3D. Cet algorithme est récursif, et chaque étape à partir de celle de calcul de points sigma 29 va être répétée à chaque nouvel échantillonnage. Pour cela, le module 35 d'estimation de bruit fournit des nouvelles matrices de bruit Q_t, Rt pour chaque nouvel échantillonnage à partir des états mesurés y_t et des commandes u_tobservés pendant la séquence temporelle. Alternativement, les matrices de bruit Q_t, Rt pour l'ensemble de la séquence d'échantillonnage pourrait toutefois être préprogrammé.

Les différences entre les positions X'_t-i, X'_t.i, X'_t-², X't-³, X't-⁴prédites sur base des points sigma précédents Xt-i, Xt-i¹, Xt-i, Xt-i, Xt-i et celles X°, Xt, X², X³, X⁴ effectivement calculées sur base de chaque nouvel échantillonnage permettent d'obtenir de l'information, sur la fonction F d'évolution de l'état latent xt dans le temps. Cette information, contenue dans la matrice de covariance P_t, peut être utilisée, dans une boucle parallèle d'optimisation 32, avec une récurrence égale ou inférieure à celle de l'observateur d'états 27, pour ajuster les paramètres de la fonction de dynamique modèle F. Ainsi, dans le mode de réalisation illustré, une succession de matrices de covariance P_t sur une période de temps sont transmises à un intégrateur 33, dans lequel la somme de l'ensemble des éléments de chaque matrice P_t dans cette succession est intégrée pour obtenir une valeur C à minimiser par un algorithme d'adaptation paramétrique 34 , qui peut être, par exemple, l'algorithme du gradient, l'algorithme de Newton, ou les algorithmes de DFP ou BFGS (méthodes de Quasi-Newton).

Dans ce mode de réalisation, cet algorithme d'adaptation paramétrique 34 peut ajuster itérativement les valeurs du premier paramètre r_p et du deuxième paramètre o_v sur deux itérations successives ou, alternativement, de façon simultanée lors d'une itération de la boucle d'optimisation 32, de manière à minimiser la valeur C, permettant ainsi d'identifier des valeurs pour ces paramètres correspondant très étroitement au comportement réel de la turbine 11 et de la vanne 12 et de les utiliser dans l'étape de calcul de points sigma 29.

Parmi les différents types de matrices de covariance pouvant être produites pour chaque échantillonnage successif par le filtre de Kalman « sans odeur », on peut notamment utiliser pour cette boucle d'optimisation 32 la matrice de covariance de l'innovation réelle, c'est-àdire la matrice résultant, pour chaque moment t, de la matrice des différences entre l'état mesuré y_t et une estimation d'état mesuré y_tcalculée à partir de l'estimation d'état latent x_t, multipliée par la transposée de celle-ci. Ce critère traduit la variation de l'innovation au cours du temps. Une réduction de cette variation implique donc une plus grande fidélité de la fonction de dynamique modèle F à la réalité.

La valeur C à minimiser peut toutefois être calculée de manière différente, sans passer par des matrices de covariance P_t. Elle pourrait notamment être calculée à partir des différences entre une sélection de valeurs mesurées et les estimations correspondantes fournies par le filtre de Kalman « sans odeur », et en particulier à partir de sommes d'erreurs quadratiques. Ainsi, par exemple, C pourrait résulter de l'intégration d'une somme pondérée du carré de la différence entre valeur mesurée et estimée de la vitesse de rotation de l'arbre rotatif de la turbine 11 et le carré de la différence entre valeur mesurée et estimée de la pression en aval de la pompe 14. Une autre alternative envisageable basée sur la somme d'erreurs quadratiques serait le calcul de la valeur C en intégrant de la trace de la matrice résultant de la multiplication par sa matrice transposée de la matrice des différences entre l'état mesuré y_t et une estimation d'état mesuré y_t, suivant l'expression suivante :

C = Σΐ=ο tr((y_k - y_k)(y_k - ÿ_k)^T)

Finalement, encore une autre alternative envisageable basée sur la somme d'erreurs quadratiques ne prendrait plus seulement la trace de la matrice en considération, mais toutes les valeurs de la matrice, suivant l'expression :

t η n c = ” yk)(./k - ykY^j _k=o i=iy=i où n est la dimension du vecteur d'état mesuré y_t.

Par ailleurs, même si le filtre de Kalman « sans odeur » est spécifiquement utilisé dans ce mode de réalisation, d'autres algorithmes dérivés du filtre de Kalman et destinés à être appliqués à des systèmes non-linéaires, comme par exemple le filtre de Kalman étendu, peuvent alternativement être utilisés de manière analogue.

En outre, quoique le système physique non-linéaire 10 dans ce mode de réalisation soit spécifiquement un système relativement simple, comportant uniquement deux éléments à caractériser (la turbine 11 et la vanne 12), le procédé d'essai suivant l'invention est également applicable à des systèmes sensiblement plus complexes, comprenant plus de deux éléments à caractériser et donc plus de deux paramètres dont les valeurs doivent être ajustées. Ainsi, ce procédé pourrait même être appliqué à des essais de moteurs fusées complets, avec des pluralités de turbines et de vannes à caractériser.

Quoique la présente invention ait été décrite en se référant à un exemple de réalisation spécifique, il est évident que des différentes modifications et changements peuvent être effectués sur cet exemple sans sortir de la portée générale de l’invention telle que définie par les revendications. Par conséquent, la description et les dessins doivent être considérés dans un sens illustratif plutôt que restrictif.

Claims

REVENDICATIONS

1. Procédé d'essai d'un système physique non-linéaire (10), comprenant les étapes suivantes :

effectuer une succession d'échantillonnages de valeurs de commande et de valeurs de mesure dudit système physique non-linéaire ;

soumettre lesdites valeurs de commande et de mesure à un filtre de Kalman discret non-linéaire utilisant un modèle numérique dudit système non-linéaire ; et mettre en oeuvre un algorithme d'adaptation paramétrique pour optimiser au moins un premier et un deuxième paramètre dudit modèle numérique sur la base de valeurs issues dudit filtre de Kalman discret nonlinéaire.
2. Procédé d'essai suivant la revendication 1, dans lequel ledit filtre de Kalman discret non-linéaire est un filtre de Kalman sans-odeur.
3. Procédé d'essai suivant l'une quelconque des revendications 1 ou 2, dans lequel l'algorithme d'adaptation paramétrique est un algorithme d'optimisation desdits aux moins deux paramètres du modèle numérique par minimisation d'une valeur calculée sur base d'au moins une matrice de covariance issue dudit filtre de Kalman discret non linéaire.
4. Procédé d'essai suivant la revendication 3, dans lequel ladite au moins une matrice de covariance comprend une matrice de covariance d'innovation réelle dudit filtre de Kalman discret non-linéaire.
5. Procédé d'essai suivant l'une quelconque des revendications 3 à 4, dans lequel ladite valeur à minimiser comprend la somme de tous les éléments d'au moins une matrice de covariance issue dudit filtre de Kalman non linéaire.
6. Procédé d'essai suivant la revendication 5, dans lequel ladite valeur à minimiser comprend la somme de tous les éléments d'une succession de matrices de covariances issue dudit filtre de Kalman non linéaire pendant une séquence d'échantillonnage.
7. Procédé d'essai suivant l'une quelconque des revendications précédentes, dans lequel ledit système physique non-linéaire (10) comprend une turbine (11) et une vanne (12) de contournement de ladite turbine.
8. Procédé d'essai suivant la revendication 7, dans lequel le premier paramètre du modèle numérique du système physique nonlinéaire (10) correspond à un rapport entre une performance théorique et une performance réelle de la turbine pendant l'essai, et le deuxième paramètre du modèle numérique du système physique non-linéaire (10) correspond à un décalage entre une consigne de position et une position réelle de la vanne pendant l'essai.
9. Procédé d'essai suivant la revendication 8, dans lequel lesdites performances théorique et réelle sont, respectivement, un couple théorique et un couple réel généré par la turbine pendant l'essai.
10. Procédé d'essai suivant l'une quelconque des revendications 7 à 9, dans lequel lesdites valeurs de commande comprennent une consigne d'ouverture de la vanne de contournement, une vitesse mesurée de rotation de la turbine, et/ou un couple mesuré de la turbine.
11. Procédé d'essai suivant la revendication 10, dans lequel ledit couple mesuré de la turbine est mesuré au travers de mesures de pression et débit d'une pompe (14) actionnée par la turbine (11).
12. Procédé d'essai suivant l'une quelconque des revendications 7 à 11, dans lequel lesdites valeurs de mesure comprennent des mesures de pression et de température en amont et en aval de la turbine (11) et de la vanne (12) de contournement.
13. Procédé d'essai suivant l'une quelconque des revendications précédentes, dans lequel au moins une partie desdits échantillonnages successifs est effectuée pendant une période de transition d'un premier régime de fonctionnement à un deuxième régime de fonctionnement dudit système physique non-linéaire différent du premier régime.
14. Programme d'ordinateur configuré pour la mise en œuvre d'un 5 procédé d'essai suivant l'une quelconque des revendications précédentes.
15. Support informatique lisible par un dispositif informatique et comprenant des instructions pour la mise en œuvre d'un procédé d'essai suivant l'une quelconque des revendications 1 à 13 par un dispositif

10 informatique lisant ledit support.

1/3