Développement d'un jumeau numérique d'un actionneur électrique : approche basée sur un modèle d'apprentissage automatique basé sur la physique. // Development of a digital twin of electric actuator: approach based on physical informed machine learning mod

L'intérêt pour les jumeaux numériques est grandissant dans plusieurs domaines tels que l'énergie, l'aéronautique, les transports, la médecine, etc. Il s'agit d'une représentation virtuelle d'un système visant à réunir les aspects numérique et physique. Les avantages de cette représentation sont multiples, notamment la collecte en temps réel de données à des fins de diagnostic et de pronostic, ainsi que la possibilité d'appliquer des essais qui ne pourrait être réalisés directement sur le système réel. Cependant, pour les systèmes multi-physiques complexes avec une dynamique et des incertitudes élevées, ce qui est le cas des systèmes de conversion d'énergie, le développement d'un jumeau numérique répond à plusieurs défis. Il s'agit notamment de développer des modèles précis et rapides et donc de choisir le type de représentation « basé sur le modèle ou les données », la granularité de la représentation et également le support d'exécution utilisé.
En effet, la méthode de modélisation influence la fidélité de la solution adoptée. Les méthodes basées sur des modèles, notamment dérivées de la simulation par éléments finis, peuvent offrir une bonne précision mais sont caractérisées par des temps de calcul élevés qui peuvent parfois être bloquants pour des applications en temps réel. Il peut être difficile de choisir entre les approches basées sur la physique et celles basées sur les données expérimentales.
En outre, Les approches traditionnelles d'apprentissage automatique reposent souvent sur des techniques axées sur les données, sans intégrer la physique fondamentale qui pourrait s'avérer être utile pour guider le processus d'apprentissage, ce qui permettrait d'obtenir des résultats plus précis et plus faciles à interpréter.

Cette thèse vise donc à proposer et à mettre en œuvre des méthodes pour développer un jumeau numérique pour un actionneur électrique. Le modèle doit refléter les phénomènes électromagnétiques et mécaniques couplés ainsi que les incertitudes. Ce jumeau numérique sera finalement utilisé pour surveiller le fonctionnement et la santé du système et également pour prolonger la durée de vie du moteur. D'autre part, l'accent sera mis sur la mise en pratique de l'approche basée sur l'intelligence artificielle (IA) intégrant la connaissance physique. Le travail de thèse sera développé selon les étapes suivantes :
La première étape de ce travail sera d'élaborer l'état de l'art sur :
- La conception de machines électriques,
- Méthodes de modélisation basées sur les données,
- Méthodes de classification,
- Classification des défauts,
- Méthodes d'apprentissage automatique intégrant la physique.

2- Contributions
La deuxième étape consistera à développer le jumeau numérique de l'actionneur électrique sur la base d'un modèle d'apprentissage automatique fondé sur la physique. Différentes méthodes de classification par apprentissage automatique devraient être évaluées en ce qui concerne la précision du modèle. La mise en œuvre pratique de cette solution est également une question importante. Grâce aux ressources informatiques FPGA ou GPU, il pourrait être possible de créer le jumeau numérique avec une grande fidélité pour des applications en temps réel telles que les applications de conversion d'énergie.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The interest in digital twins has been demonstrated in several types of fields such as
energy, aeronautics, transport, medicine, etc. It consists on a virtual representation of a system
aiming to the digital and physical together. The advantages of this representation are multiple,
notably the real-time collection of data for diagnostic and prognostic purposes and also the
possibility of applying multitudes of tests that cannot be created/tested directly on the real
system. However, for complex multi-physics systems with high dynamics and uncertainties,
which is the case for energy conversion systems, the development of a digital twin addresses
several challenges. It concerns in particular the development of precise and fast models and
therefore what to choose the type of representation “based on the model or data”, the granularity
of the representation and also the execution support used. Indeed, the representation method
influences the fidelity of the solution adopted. Methods based on models, in particular derived
from finite element simulation, can offer good accuracy but are characterized by high
computational times which can sometimes be blocking for real-time applications. Choosing
between physics-based and data-driven engineering approaches can be difficult. Furthermore,
integrating physical knowledge into data-driven machine learning models provides a useful tool
for the development of powerful and fidelity digital twins. Traditional machine learning
approaches often rely on data-driven techniques, without integrating the fundamental physics
that has been shown to guide the learning process, leading to more accurate and better
interpretable results.

This thesis aims to propose and implement methods for developing a digital twin for an electric
actuator. The model should reflect coupled electromagnetic, mechanical phenomena and
uncertainties. This digital twin will ultimately be used to monitor the operation and health of
the system and also extend the lifespan of the motor. On the other hand, emphasis will be placed
on putting into practice the approach based on artificial intelligence (AI) integrating physical
knowledge. The PhD work will be developed with the following steps:

1- State of art
The first step of this work will be to elaborate the state of art on:
- Design of electric machine
- Data-driven modelling methods,
- Classification methods,
- Fault classification,
- Machine learning methods integrating physics

2- Contributions
The second step will be the development of the digital twin of the electric actuator based on physical informed machine learning model. Different machine learning classification methods should be evaluated regarding the model accuracy. The practical implementation of this solution is also an important issue. Thanks to FPGA or GPU computing resources, it could be possible to create the digital twin with high fidelity for real-time applications such as power conversion applications.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Programme COFUND DeMythif.AI

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

575 Electrical, Optical, Bio-physics and Engineering

Compétences fortes en génie électrique et/ou mathématiques (modélisation) Esprit d'équipe Capacités d'adaptation et d'improvisation
Strong skills in electrical engineering and/or mathematics (modeling) Team spirit Ability to adapt and improvise