Système de diagnostic
1.5 Approche proposée : Reconnaissance des formes par THT
L’objectif de notre travail consiste à la classification automatique des défauts de roulements à billes dans les entrainements électrique par les moteurs asynchrones. Nous proposons une méthodologie de reconnaissance de forme non supervisée intégrant la Transformation de Huang-Teager (THT) comme étape initiale d’analyse des données.
Enfin, la figure (1.10) présente la structure générale du processus de classification avec leurs étapes.
Figure .1.10 Schéma de la structure du processus de classification
De l’acquisition des données à la classification, la qualité de reconnaissance dépend grandement de chacune des étapes intermédiaires [Cex 06]
L’approche proposée est articulée autour de cinq (5) étapes :
Capteurs caractéristiquesGénération des Extraction/sélectiondes attributes Classification Evaluation Signal
d’entré
Chapitre I Etat de l’art : Détection, diagnostic et classification des défauts des moteurs asynchrones
Première Étape
Elle consiste à l’acquisition des données. Concernant, notre cas, Dans cette étape, on utilise les données des signaux vibratoires [http://www.eecs.case.edu/laboratory /bearing] de roulement à billes sain et défectueux.
Deuxième Étape
La mise en œuvre de cette étape est complexe [Dre 02], [Kil 96]. Elle consiste à l’analyse de données en collaboration avec des experts du domaine. Dans notre cas, la description des caractéristiques est réalisée par l’intermédiaire de la THT. Lorsque l’étape d’analyse semble satisfaisante par rapport aux objectifs, le nombre de caractéristiques est probablement important et peut être alors réduit.
Troisième Étape
L’extraction/sélection des attributs, permet de réaliser une sélection parmi les caractéristiques et/ou d’en extraire de nouvelles soit par combinaison, soit par d’autres transformations. Ce faisant, la dimension des données est réduite. La réduction de la dimension est un problème complexe qui permet de réduire le volume d’informations à traiter et faciliter le processus de l’apprentissage. Pour deux raisons principales [Cor 02], [Dre 02] :
La première repose sur la pertinence des caractéristiques. on acquiert un nombre maximal d’attributs que l’on réduit pour obtenir un espace de dimension inferieure dans lequel la discrimination est optimale.
La deuxième repose sur ce que l’on appelle couramment la malédiction de la dimension) lors de l’apprentissage. En effet, paradoxalement l’augmentation du nombre de caractéristiques n’amélioré pas systématiquement la qualité de l’apprentissage et la capacité de généralisation de la RdF.
Les principaux objectifs de la réduction de dimension sont [Bau 09]: faciliter la visualisation et la compréhension des données ; réduire l’espace de stockage nécessaire ;
réduire le temps d’apprentissage et d’utilisation ; identifier les facteurs pertinents.
On peut classer toutes les techniques mathématiques de réduction des dimensions en deux (2) catégories importantes [Gué 06] :
la sélection des variables : elle consiste à choisir des caractéristiques dans l’espace de mesure, (Figure 1.11), Les méthodes de sélection visent à réduire la dimension de l’ensemble initial en recherchant un sous-ensemble d’attributs tout en maximisant un critère donné, en générale, sur une distance comme par exemple celle de Bhattacharya ou de Kullback-Leibler.
Figure .1.11 Principe de la sélection de variables
l’extraction de traits : qui vise à sélectionner des caractéristiques dans un espace transformé dans un espace de projection (Figure 1.12), Parmi les méthodes d’extraction les plus couramment employées citons l’analyse en composantes principales (ACP), l’analyse en composantes curvilignes (ACC), ou encore la projection de Sammon
Dans ce contexte, on choisis la méthode d’opérateur d’énergie Teager- kaiser pour l’extraction des points pertinents et donc les vecteurs formes de tous les modes de fonctionnement afin de mieux classifier les défauts de roulement.
Chapitre I Etat de l’art : Détection, diagnostic et classification des défauts des moteurs asynchrones
Quatrième Étape
Le type de méthodes de classification, se décline généralement en deux grandes familles : le mode supervisé et le mode non supervisé [Cor 02].
Si l’on dispose d’un ensemble de points étiquètes, on parlera de classification supervisée. Dans ce cas, les classes d’appartenance des données sont connues.
Dans le cas contraire, qu’il s’agit de notre objet de travail, on effectue une classification non supervisée appelée également classification automatique, dans ce cas, la recherche d’une partition des données revient à regrouper celles-ci selon une certaine mesure de similarité ou de dissimilarité. La métrique employée peut être de nature géométrique ou probabiliste.
On distinguera ainsi :
Méthodes paramétriques, qui modélisent les données par un ensemble de paramètres à estimer,
Méthodes non paramétriques, qui ne font pas d’hypothèse sur la distribution de ces données.
Les algorithmes de classification étant nombreux dans la littérature, notre étude sera consacrée aux modèles de mélange plus particulièrement le modèle de mélange gaussien avec estimation par l’algorithme expectation-minimisation (EM).
Cinquième Étape 5
L’évaluation du système : le système doit être validé par une phase de test : c’est l’évaluation du système de RdF. La phase de généralisation consiste à appliquer les différentes étapes de 1 à 4 sur un signal inconnu et en déduire sa classe d’appartenance. L'évaluation des résultats d'un clustering est un problème majeur, qui renvoie à la question première : qu'est-ce qu'un bon schéma de clustering ? Cette problématique est plutôt bien synthétisée dans les récents travaux de M. Halkidi [Fla 93], [Fla 04].
Trois cheminements sont alors envisagés pour évaluer ou comparer entre eux des schémas de classification automatique :
L'évaluation externe : il s'agit de confronter un schéma avec une classification prédéfinie. L'évaluation porte donc sur l'adéquation entre le schéma obtenu et une connaissance externe sur les données (schéma attendu).
L'évaluation interne : Elle n’utilise que les données d'entrées comme référence. Concernant, le meilleur schéma c’est celui qui conserve un maximum d'informations relativement à l'information contenue dans la matrice de (dis) similarité.
L'évaluation relative : elle porte sur les deux principaux critères de dispersions intra-clusters (à minimiser) et inter-intra-clusters (à maximiser).
1.6 Conclusion
Le diagnostic des machines électriques a été (et il est encore) un thème de recherche très important depuis plusieurs décennies. En fait, ce terme se réfère à un suivi du système permettant de diagnostiquer les défauts des machines afin de déterminer les types de défaillances et leur gravité. Pour cette raison, on a essayé de présenter la relation entre le diagnostic et d’autres taches de surveillance telle que la détection et la classification, en vue de donner un aperçu sur les méthodes et les techniques de surveillance et de diagnostic des machines électriques. Aussi, nous nous somme intéressés à des approches heuristiques en expliquant la phase de classification (types, étapes, approches) après avoir choisi les modèles de mélanges et particulièrement le modèle de mélange gaussien. Nous avons mis l’accent sur ce dernier dans le but de l’appliquer à la classification des données des défauts de roulement dans les machines asynchrones. Finalement, Nous avons proposé et adapté une approche basée essentiellement sur les méthodes de RdF. Une méthodologie de reconnaissance de forme non supervisée intégrant la Transformation de Huang-Teager comme étape d’analyse des données. Cette approche repose sur cinq étapes: L’acquisition des données, génération des caractéristiques, l’extraction/sélection des attributs, la classification automatique et l’évaluation du système.
Le chapitre suivant sera consacré à l’étude de roulement à billes de la machine asynchrone, leurs défaillances et leurs méthodes de surveillance vibratoire.