Soutenance de Thèse, Cyril MICHEL, 18 nov. 2026

Pilotage d’entraînements polyphasés décentralisés à l’aide d’intelligences artificielles

Mercredi 18 novembre 2026 à 10h00
École nationale supérieure d’art et métier (ENSAM), 8 , boulevard Louis XIV 59046 Lille
Salle : La Roche Foucault

Mots-clés

Machine électrique polyphasée, Commande décentralisée, Intelligence artificielle, Commande avancée, Apprentissage automatique, Système électrique

Résumé

Ce manuscrit propose une architecture de contrôle entièrement décentralisée pour une machine électrique polyphasée, où chaque phase est pilotée par un agent autonome, sans aucun échange d’information avec les autres, pas même la mesure de courant. Cette contrainte forte, motivée par les exigences de fiabilité et d’intégration de l’aéronautique, impose de repenser trois briques classiquement centralisées de la commande vectorielle : l’estimation de la position rotorique, la génération de consignes de courant, et leur suivi par un contrôleur à large bande passante. Face à l’absence d’information globale, des réseaux de neurones légers, dimensionnés pour rester compatibles avec un déploiement embarqué sur microcontrôleur, sont mobilisés à chacune de ces étapes. Une chaîne d’estimation décentralisée de la position, combinant un réseau de correction, une boucle à verrouillage de phase et un mécanisme de sélection adaptatif, est développée à partir de capteurs à effet Hall linéaires ; elle divise le coût algorithmique de l’état de l’art tout en réduisant d’un facteur trois l’erreur de position en régime établi. La génération de consigne de courant s’appuie sur une formulation analytique du critère de couple maximal par ampère, adaptée au contexte décentralisé. Un contrôleur de courant hybride, combinant une couche neuronale entraînée hors ligne par apprentissage par renforcement multi-agent et une couche adaptative en ligne dont la stabilité est démontrée analytiquement, est proposé pour suivre ces consignes riches en harmoniques. L’ensemble de cette chaîne de commande est validé expérimentalement sur des bancs d’essais à sept et neuf phases, jusqu’au déploiement simultané et sans communication sur l’ensemble des agents d’une machine complète, démontrant la viabilité d’une architecture polyphasée décentralisée pour les applications aéronautiques critiques.

Summary

This manuscript proposes a fully decentralized control architecture for a multiphase electrical machine, in which each phase is driven by an autonomous agent, without any information exchange with the others, not even current measurement. This stringent constraint, motivated by the reliability and integration requirements of aeronautical applications, calls for rethinking three building blocks that are traditionally centralized in vector control: rotor position estimation, current reference generation, and their tracking by a wide-bandwidth controller. In the absence of global information, lightweight neural networks, sized to remain compatible with embedded deployment on a microcontroller, are employed at each of these stages. A decentralized position estimation chain, combining a correction network, a phase-locked loop, and an adaptive selection mechanism, is developed from linear Hall-effect sensors; it reduces the algorithmic cost of the state of the art while reducing the steady-state position error by a factor of three. Current reference generation relies on an analytical maximum-torque-per-ampere formulation adapted to the decentralized context. A hybrid current controller, combining a neural layer trained offline through multi-agent reinforcement learning and an online adaptive layer whose stability is proven analytically, is proposed to track these harmonic-rich references. The complete control chain is experimentally validated on seven and nine-phase test benches, up to the simultaneous, communication-free deployment across all agents of a full machine, demonstrating the viability of a decentralized multiphase architecture for critical aeronautical applications.