Commande prédictive guidée par les données appliquée à un moteur synchrone à aimants permanents

Abstract

Ce mémoire traite de la conception et de l’application d’une commande prédictive guidée par les données sur un moteur synchrone à aimants permanents, avec pour problématique principale la difficulté de modéliser précisément ce type de système en contexte industriel. L’objectif consiste à développer une stratégie de commande qui régule efficacement les courants et la vitesse du moteur sans recourir à un modèle mathématique explicite, en s’appuyant uniquement sur les données mesurées. Après avoir étudié la commande prédictive généralisée, ce travail met en oeuvre une approche basée sur l'identification par moindres carrés des relations entrée-sortie, ce qui permet d’élaborer une commande optimisée à partir des réponses du système. Les résultats montrent que la commande prédictive guidée par les données assure un bon suivi des références, une réponse dynamique satisfaisante et une robustesse face aux perturbations et aux incertitudes du modèle. Ces performances valident l’intérêt de cette approche pour les systèmes difficiles à modéliser et ouvrent la voie à son application dans des contextes industriels réels. Ce travail recommande ainsi d’approfondir cette méthode, notamment en l’adaptant aux systèmes à entrées et sorties multiples, en y intégrant des contraintes physiques et en l’associant à des techniques d’apprentissage en ligne pour une adaptation continue. This thesis focuses on the design and application of data-driven predictive control on a permanent magnet synchronous motor, with the main challenge being the difficulty of accurately modelling this type of system in an industrial context. The aim is to develop a control strategy that effectively regulates motor currents and speed without using an explicit mathematical model, relying solely on measured data. After studying generalized predictive control, this work implements an approach based on least-squares identification of the input-output relationships, which makes it possible to develop an optimised control based on the system responses. The results show that the data-driven predictive control provides good reference tracking, a satisfactory dynamic response and robustness in the face of disturbances and model uncertainties. These performances validate the interest of this approach for systems that are difficult to model and pave the way for its application in real industrial contexts. This work therefore recommends extending this method, in particular by adapting it to multiple input multiple output systems, incorporating physical constraints and combining it with online learning techniques for continuous adaptation.