Adaptation automatique des probabilités des réseaux Bayésiens par un processus

d’apprentissage

Dans de nombreux cas réels, à la construction d’un réseau Bayésien, il n’existe pas ou très peu de données. Ainsi, le remplissage des tables de probabilités conditionnelles se fait par les experts du domaine. Par ailleurs, il n’est pas toujours possible de vérifier la fiabilité de ces informations. Par exemple, nous rencontrons souvent le cas où l’expert concepteur d’un système tend à surestimer les capacités du système qu’il a conçu.

Lorsque l’estimation des probabilités conditionnelles est faite par plusieurs experts, il peut aussi arriver qu’il y ait désaccord entre ces derniers.

Ce sont autant de facteurs susceptibles de biaiser les valeurs de probabilités initialement données par les experts.

Il est donc capital de construire un système qui adapte automatiquement les paramètres du réseau à partir des données disponibles au fil du temps, ce qui permet de remplacer à long terme les probabilités subjectives données par les experts au profit de celles issues du traitement statistique de l’information issue du retour d’expérience. C’est un problème d’apprentissage des paramètres d’un réseau de structure fixée.

3.1. L’apprentissage de paramètres

L’apprentissage de paramètres d’un réseau Bayésien consiste à calculer le meilleur jeu de probabilités conditionnelles utilisées dans le graphe, qui permette de rendre compte des données réelles observées. Il existe plusieurs techniques selon la disponibilité des données. Nous exposons ici les plus connues.

chaque évènement comme étant la fréquence d’apparition de cet évènement dans l’ensemble de la base de données. C’est une approche basée sur le maximum de vraisemblance.

Il existe un autre moyen, l’apprentissage Bayésien, quelque peu différent de l’apprentissage statistique. Le principe est de trouver les paramètres les plus probables compte tenu des observations qui ont été faites. C’est une approche basée sur le calcul du maximum a posteriori. En réalité, dans la plupart des problèmes, certaines variables sont non observées. Les bases de données sont donc incomplètes. Dans ces cas, l’algorithme itératif Expectation-Maximisation (EM) peut être utilisé pour estimer les paramètres manquants de façon à ce que les méthodes précédentes soient applicables à chaque pas d’itération jusqu'à la convergence [41].

3.2. La base de données

L’apprentissage s’appuiera sur une base de données de cas réels qui s’enrichira chaque fois que des cas de diagnostic seront rencontrés et enregistrés dans cette base.

Tables de probabilités ^DIAGNOSTIC Apprentissage ^{Enrichissement de} la BDD si validation Base de données(BDD) Inference

Figure 52 : Processus d’enrichissement de la base de données d’apprentissage.

Dans notre étude, l’outil internet permet de partager une base de données centralisée qui contiendra tous les cas survenus sur l’ensemble des systèmes en exploitation et dont la cohérence et la logique auront au préalable été validées par les experts (Figure 52 ).

En ce qui concerne la confiance portée au diagnostic de l’expert, la plupart des logiciels de réseaux Bayésiens permettent de prendre en compte cet aspect en donnant la possibilité de mettre un poids plus ou moins important à chaque cas enregistré dans la base de données, selon le degré de certitude

Enfin, dans l’utilisation pratique, l’apprentissage pourrait être fait, selon les cas, sur une partie de la base de données dans le but d’être plus précis. Par exemple, pour un diagnostic sur une marque particulière de tableaux électriques, l’apprentissage pourrait se faire à partir uniquement des cas rencontrés sur les tableaux de la même marque.

Ces derniers points ont très peu été abordés durant cette thèse, ce sont donc des pistes qui constituent autant de perspectives pour la suite du travail.

CONCLUSION

Dans cette partie, nous avons proposé une méthode de diagnostic du tableau électrique qui répond à deux objectifs :

Le premier objectif est de pouvoir identifier les causes réelles de défaillance pour pouvoir les éliminer le plus rapidement possible, réduisant ainsi les coûts liés à la maintenance corrective proprement dite et à l’arrêt de l’équipement.

Le deuxième est de pouvoir prévenir le tableau électrique des risques de défauts avant même que ceux-ci n’apparaissent, permettant d’éviter des temps d’arrêts imprévus de l’équipement et d’anticiper des maintenances lorsque nécessaire.

La méthode de diagnostic proposée est basée sur la technique des réseaux Bayésiens qui permet avec le même modèle de répondre à ces deux objectifs.

A travers l’exemple du réseau Bayésien pour le diagnostic des tableaux électriques, nous montrons les différentes étapes, de sa construction, qui inclut l’acquisition des informations auprès des experts, jusqu’à son utilisation.

Ce réseau fait intervenir à la fois des paramètres locaux tels que « échauffement local anormal » et globaux tels que ceux liés à l’environnement de fonctionnement (ambiance saline, ambiance poussiéreuse).

En ce qui concerne l’évaluation du réseau Bayésien, le manque d’une grande base de données de cas tests ne nous a pas permis de faire une évaluation exhaustive. Cependant, les tests qui ont été faits sur quelques cas réels à notre disposition, ont donné des résultats satisfaisants.

Par ailleurs, la précision des conclusions du réseau Bayésien devrait s’améliorer avec la possibilité d’adaptation automatique du réseau. Cette adaptation faite par un processus d’apprentissage au fil des interventions sur les équipements permet de pouvoir remplacer à long terme, les probabilités subjectives des experts par des probabilités issues d’un traitement statistique des données.

Chapitre6