Dans (Dey and Stori, 2005), les auteurs abordent l’identification des causes racines des variations survenues dans un proc´ed´ e d’usinage en utilisant une

m´ethodologie originale bas´ee sur les r´eseaux Bay´esiens. Les auteurs s’appuient

sur l’utilisation de plans d’exp´eriences pour ´etablir la structure et les

para-m`etres du r´eseau. (Sheppard et al., 2005) proposent un r´eseau Bay´esien pour

le diagnostic de fautes. Ce r´eseau Bay´esien est compos´e de noeuds discrets et

sur les probabilit´es de mauvaises d´etections et de fausses alarmes estim´ees. Un

autre r´eseau compos´e de noeuds discrets permettant de d´eterminer les

cap-teurs en fautes est propos´e dans (Matsuura et al.,2005). Ce r´eseau, comme vu

pr´ec´edemment, peut ˆetre utilis´e pour la d´etection des fautes capteurs en

exami-nant sa probabilit´e jointe. En ce qui concerne l’isolation, les auteurs proposent

d’appliquer plusieurs fois la mˆeme strat´egie que lors de la d´etection en ignorant

`

a chaque fois un capteur donn´e. Le r´eseau Bay´esien dynamique propos´e par

(Kawahara et al., 2005) et pr´esent´e pr´ec´edemment dans la section I peut ˆetre

utilis´e ´egalement pour le diagnostic de fautes. Dans ce r´eseau, chaque faute

est repr´esent´ee par un noeud qui vient surveiller dans le r´eseau les variables

concern´ees par cette faute selon les connaissances d’experts.

Dans (Roychoudhury et al., 2006), les auteurs s’appuient sur un Bond

Graph pour d´efinir la structure d’un r´eseau Bay´esien dynamique mais aussi

pour la prise de d´ecision. Ils proposent une isolation qualitative qui vient

op-timiser une autre quantitative. Le sch´ema propos´e par les auteurs permet de

g´erer les fautes naissantes et multiples. Il est utilis´e sur le two tank benchmark.

Dans (Pernest˚al et al.,2006) une comparaison de quatre m´ethodes d’isolation

de fautes est fournie. Ces quatre m´ethodes correspondent `a des r´eseaux Bay´

e-siens ayant des structures diff´erentes. Chaque structure repr´esente une matrice

d’incidence mod´elis´ee sous r´eseau Bay´esien. La comparaison est effectu´ee dans

le cadre du diagnostic du flux de gaz dans un moteur diesel.

Dans (Li and Shi, 2007), un r´eseau Bay´esien compos´e de noeuds discrets

est propos´e. La structure de ce r´eseau est apprise, une fois qu’une s´election de

variables est effectu´ee, `a partir d’un historique de donn´ees ainsi que de

connais-sances d’experts. Le r´eseau permet d’identifier les variables responsables d’une

non-conformit´e observ´ee sur la caract´eristique qualit´e consid´er´ee. Les auteurs

donnent un exemple sur un syst`eme de laminage de barres. (Riascos et al.,

2007) proposent un r´eseau Bay´esien pour le diagnostic de fautes dans une pile

`

a combustible. La structure du r´eseau a ´et´e apprise grˆace `a des m´ethodes

proba-bilistes d’apprentissage sous contraintes en se basant sur une base de donn´ees

de fautes ainsi que sur les connaissances d’experts. (Mechraoui et al., 2008)

proposent un r´eseau Bay´esien pour le diagnostic de fautes dans les moteurs

´electriques. L’identification des variables, leurs modes, les relations causales

et la quantification des probabilit´es sont ´etablis en fonction des connaissances

d’experts. Dans (Huang, 2008) plusieurs autres r´eseaux Bay´esiens d´edi´es au

diagnostic de fautes simples et multiples dans le contexte des v´ehicules ont ´et´e

propos´es.

Dans (Weber et al., 2008) les auteurs proposent une architecture originale

de r´eseaux Bay´esiens permettant l’isolation de fautes. Les auteurs, `a partir

d’une matrice d’incidence, discriminent entre les diff´erentes fautes sachant les

nouveaux symptˆomes (r´esultat de l’´evaluation des r´esidus) et la fiabilit´e des

composants. (Pernest˚al,2009) proposent une nouvelle repr´esentation de la

ma-trice d’incidence pouvant ˆetre apprise automatiquement `a partir des donn´ees

et des connaissances d’experts. Dans (Lo et al., 2011, 2003), une proc´edure

g´en´erale pour la construction d’un r´eseau Bay´esien `a partir d’un Bond graphe

a ´et´e propos´ee. Les relations causales entre variables sont g´en´er´ees `a partir

d’´equations qualitatives et les tables de probabilit´es conditionnelles sont

ap-prises `a partir des donn´ees d’historiques et les connaissances d’experts. Dans

(Zaidi et al., 2012), les auteurs s’appuient sur les relations de redondances

ti-r´ees d’un Bond graphe pour aboutir `a des r´esidus qui seront par la suite ´evalu´es

par un r´eseau Bay´esien dont les d´ecisions sont augment´ees par les probabilit´es

de fiabilit´e des composantes. Cette approche g´en´eralise celle propos´ee par

(We-ber et al., 2008). Les auteurs proposent dans (Yang and Lee, 2012) un r´eseau

Bay´esien pour l’identification des causes racines conduisant `a des fautes dans

le cadre de la production de micro-processeurs. Dans (Jiao et al., 2012), un

autre r´eseau a ´et´e propos´e dans le cadre des r´eseaux analogiques ´etant donn´ee

l’hypoth`ese qu’un ensemble de donn´ees de fautes est disponible. Dans (Yu,

2013), un r´eseau Bay´esien dynamique est utilis´e. A ce r´eseau sont associ´es des

indices permettant d’isoler et d’identifier les variables responsables d’un d´er´

e-glage du syst`eme ainsi qu’une strat´egie permettant de d´eterminer efficacement

les causes racines.

Dans ce qui suit, nous allons exposer une famille de r´eseaux Bay´esiens

hybrides qui sont, contrairement `a ceux pr´esent´es pr´ec´edemment, capable de

r´ealiser de fa¸con simultan´ee de la d´etection et du diagnostic tout en int´egrant

le rejet de distance. En d’autres termes, nous allons illustrer comment des

m´ethodes assez r´epandues pour le diagnostic de fautes peuvent ˆetre mod´elis´ees

sur r´eseau Bay´esien et comment elles peuvent ˆetre utilis´ees en mˆeme temps

pour la d´etection de fautes tout en g´erant le rejet de distance.

II Limites sp´ecifiques de surveillance

Une fois une faute d´etect´ee, des m´ethodes de classification supervis´ee peuvent

ˆetre utilis´ees pour le diagnostic. En effet, le diagnostic peut ˆetre vu comme la

solution d’un probl`eme de classification entre diff´erentes classes de fautes. La

tˆache de classification n´ecessite alors un classifieur. Dans la classification

super-vis´ee, le nombre de classes et la classe d’appartenance de chaque observation

de l’ensemble d’apprentissage sont connus et utilis´es pour apprendre le

clas-sifieur, permettant alors de classifier une nouvelle observation dans une des

classes connues.

Par exemple, ´etant donn´e un ensemble de donn´ees d’apprentissage d’un

syst`eme bivari´e avec deux fautes diff´erentes connues, comme illustr´e dans la

figure 5.1, nous pouvons facilement utiliser une classification supervis´ee pour

classifier une nouvelle observation en faute.

D’autres approches incluent la classe de fonctionnement normalCF N dans

le classifieur. La figure5.2repr´esente cette configuration : la classe de

fonction-nement normal (cercles verts). Ces approches sont int´eressantes car la d´etection

X²

X₁

X