moteur de recherche

Problème statistique inverse en dynamique non-linéaire des trains à grande vitesse
30.11.2018


   David Lebel


  Soutenances de thèse de l'équipe MECA


Titre : Problème statistique inverse en dynamique non-linéaire des trains à grande vitesse

Date : Le 30 Novembre 2018, à 15h

Lieu : Salle N20Bis, Bâtiment Lavoisier

Jury : 

- DUHAMEL Denis, Examinateur, ENPC

- CLOUTEAU Didier, Rapporteur, CentraleSupélec

- DEGRANDE Geert, Rapporteur, KU Leuven

- SOIZE Christian, Directeur de thèse, UPEM

- FÜNFSCHILLING Christine, Co-encadrante, SNCF

- PERRIN Guillaume, Co-encadrant, CEA

 

 

Résumé :

Ce travail de thèse traite du développement d'une méthode de télédiagnostic de l'état de santé des suspensions des trains à grande vitesse à partir de mesures de la réponse dynamique du train en circulation par des accéléromètres embarqués.

Un train en circulation est un système dynamique dont l'excitation provient des irrégularités de la géométrie de la voie ferrée. Ses éléments de suspension jouent un rôle fondamental de sécurité et de confort. La réponse dynamique du train étant dépendante des caractéristiques mécaniques des éléments de suspension, il est possible d'obtenir en inverse des informations sur l'état de ces éléments à partir de mesures accélérométriques embarquées. Connaître l'état de santé réel des suspensions permettrait d'améliorer la maintenance des trains.

D'un point de vue mathématique, la méthode de télédiagnostic proposée consiste à résoudre un problème statistique inverse. Elle s'appuie sur un modèle numérique de dynamique ferroviaire et prend en compte l'incertitude de modèle ainsi que les erreurs de mesures. Les paramètres mécaniques associés aux éléments de suspension sont identifiés par calibration Bayésienne à partir de mesures simultanées des entrées (les irrégularités de la géométrie de la voie) et sorties (la réponse dynamique du train) du système.

La calibration Bayésienne classique implique le calcul de la fonction de vraisemblance à partir du modèle stochastique de réponse et des données expérimentales. Le modèle numérique étant numériquement coûteux d'une part, ses entrées et sorties étant fonctionnelles d'autre part, une méthode de calibration Bayésienne originale est proposée. Elle utilise un métamodèle par processus Gaussien de la fonction de vraisemblance. Cette thèse présente comment un métamodèle aléatoire peut être utilisé pour estimer la loi de probabilité des paramètres du modèle. La méthode proposée permet la prise en compte du nouveau type d'incertitude induit par l'utilisation d'un métamodèle. Cette prise en compte est nécessaire pour une estimation correcte de la précision de la calibration.

La nouvelle méthode de calibration Bayésienne a été testée sur le cas applicatif ferroviaire, et a produit des résultats concluants. La validation a été faite par expériences numériques. Par ailleurs, l'évolution à long terme des paramètres mécaniques de suspensions a été étudiée à partir de mesures réelles de la réponse dynamique du train.








<- retour: