Recherche

Rendre les dynamiques apprises exploitables par la commande robuste.

Ma recherche doctorale en génie électrique porte sur la modélisation et la commande de systèmes non linéaires à partir des données : comment amener un réseau récurrent identifié à partir des données dans un cadre où les outils de la commande robuste s’appliquent.

Axes de recherche

Continuer à bâtir le pont entre les modèles d’apprentissage profond et la commande certifiée.

Des réseaux récurrents sous une forme exploitable par l’automatique

Publié

Problème
Les réseaux de neurones sont de plus en plus utilisés en commande, mais se relient mal aux outils classiques de l’automatique.
Approche
Réécrire une Gated Recurrent Unit (GRU) modifiée sous forme Linéaire à Paramètres Variants et Transformation Linéaire Fractionnaire (LPV-LFT), afin qu’un réseau identifié à partir des données puisse être traité avec des outils dédiés à la commande.
Contribution
Une formulation LPV-LFT d’un GRU modifié.
Vérifié
Des essais de performance sur des GRU avec et sans contraintes mesurent les pertes dues aux hypothèses de la formulation.

Commande H∞ séquencée de systèmes non linéaires identifiés

Publié

Problème
Un modèle de prédiction n’est pas encore un contrôleur. La question est de passer d’un modèle récurrent identifié sur un procédé non linéaire à un contrôleur qui respecte des exigences de performance.
Approche
Une formulation LPV-LFT strictement équivalente du GRU modifié, des contrôleurs LPV H∞ à gains séquencés et un Unscented Kalman Filter (UKF) qui estime l’état du GRU afin de calculer les paramètres variants en temps réel.
Contribution
Une méthodologie reliant l’identification à partir des données et la commande LPV robuste.
Vérifié
La méthodologie est évaluée sur un cas de référence non linéaire.

Publications

Articles publiés.

Google Scholar (nouvel onglet)
  1. 2026

    LPV-LFT-based data-driven control of nonlinear systems with GRU models (nouvel onglet)

    Andréa Gourion, Philippe Feyel, David Saussié

    European Journal of Control · Article 101564

    Publié · DOI 10.1016/j.ejcon.2026.101564

  2. 2024

    Using GRU models in the LPV-LFT framework (nouvel onglet)

    Andréa Gourion, Philippe Feyel, David Saussié

    IEEE Conference on Control Technology and Applications (CCTA) · pp. 93–100

    Publié · DOI 10.1109/CCTA60707.2024.10666615

Matériel interactif

Un exemple complet à manipuler.

Cet exemple pédagogique applique la méthode à un système masse-ressort-amortisseur. Il est distinct du cas de référence des articles.

Simulation

Suivi LPV avec une raideur variable

Réglez l’amplitude, la fréquence et le décalage du paramètre, et observez la sortie, la commande et la plage annoncée par la synthèse.

Ouvrir la simulation
Position y(t) et référence r(t) [m]Paramètre ρ(t)0,201-1
Sortie réelle de la simulation : paramètres par défaut, fenêtre de 8 secondes.

Documentation

Commande H∞ LPV-LFT, pas à pas

Du modèle physique à la formulation de la synthèse, avec toutes les équations et deux modules interactifs : l’énergie d’un signal et l’entrée du pire cas.

Lire la documentation

Un poste, une collaboration scientifique ou un projet à développer ?

Présentez-moi le contexte et ce que vous souhaitez discuter.

Me contacter