Chapitre 2: Application des réseaux de neurones en diagnostic
2.16 Exemple
2.16.8 Comparaison des résultats
Dans cette section, nous comparons les résultats d'apprentissage et de généralisation des divers algorithmes entraînés en termes de précision et du temps de calcul. Pour chaque type de base d’apprentissage et chaque algorithme, ces valeurs présentent le meilleur résultat de plusieurs essais sur la même base d’apprentissage. Le nombre d’essais réalisé pour chaque base d’apprentissage dépend de l’algorithmes et du type de la base utilisée. Toutes les simulations ont été réalisées dans un même environnement MATLAB. Cet exemple nous a permis d’aborder l’application du diagnostic des défauts par réseaux de neurones à un système entraîné par un moteur à courant continu.
L’utilisation de la rétropropagation pose de nombreux problèmes. Une des limitations importantes est le temps de calcul : dans notre exemple l’apprentissage est très long notamment dans le cas des algorithmes TRAINGDM, TRAINGD et TRAINBFG. L’apprentissage par les algorithmes TRAINGDA et TRAINGDX est moins long que les autres, mais il est toujours moins rapide que l’apprentissage par l’algorithme TRAINLM qui présente une meilleure rapidité par rapport aux autres algorithmes. Le temps de calcul des algorithmes TRAINGDA et TRAINGDX croît de manière très importante avec le nombre de vecteurs d’entrée; le TRAINLM aussi mais de manière moins significative ce qui est dû au calcul du Hessien qui nécessite un espace mémoire supérieur aux autres algorithmes. Les résultats d'apprentissage de l'algorithme TRAINLM sont acceptables alors que les résultats de généralisation sont moins satisfaisants. De nombreux problèmes sont dus à la géométrie de la fonction d’erreur: minima locaux, un problème qui est en partie résolu avec le gradient stochastique, mais il subsiste quand même. L’algorithme à rétropropagation est très sensible aux conditions initiales, c’est à dire à la manière dont sont initialisés les poids du réseau. Les classes de fonctionnement, dans les algorithmes à rétropropagation, ne sont pas délimitées de manière parfaitement exacte, ce qui engendre une mauvaise classification pour les vecteurs
0 1 2 3 4 5 6
10-4 10-2 100 102
Best Training Performance is 5.5135e-05
S u m S q u a re d E rr o r ( s s e ) 6 Epochs Train Best Goal
Figure 2.17 - Représentation de la performance d’apprentissage par l’algorithme TRAINLM
58 appartenant à deux classes différentes mais qui se rapprochent de l’espace de séparation de ces deux classes.
Le problème le plus important est celui du dimensionnement du réseau, la rétropropagation apprend une base d’apprentissage sur un réseau dont la structure est fixée a priori. Il s’agit donc de définir cette structure en fonction de la base d’apprentissage à apprendre. C’est un problème extrêmement difficile qui n’a pas de solutions pertinentes. De plus, une mauvaise structure dégrade considérablement les performances du réseau. S’il est sous-dimensionné, l’algorithme n’arrivera pas à apprendre. S’il est surdimensionné, la base d’apprentissage sera apprise mais ses performances en généralisation seront faibles, car le nombre de paramètres libres du réseau étant trop grand, la base d’apprentissage sera apprise par cœur.
La comparaison des différents algorithmes à rétropropagation a montré que l'algorithme de Levenberg Marquard donne un résultat meilleur par rapport aux autres algorithmes entraînés, en plus de sa rapidité de réponse. C’est ce qui justifie le choix d’utilisation de cet algorithme dans notre application industrielle qui fera l'objet du chapitre 4.
2.17 Conclusion
Dans ce chapitre, nous avons présenté les bases nécessaires à la compréhension des réseaux de neurones artificiels. Après avoir introduit leurs concepts de base, nous avons présenté l’application des réseaux de neurones pour le diagnostic industriel. En introduisant les réseaux de neurones artificiels, ce chapitre a permis de fournir une perception globale du problème et des mécanismes d'apprentissage. La principale caractéristique des réseaux de neurones est leurs facultés d'adaptation et de mémorisation. Sans connaissance préalable et au fur et à mesure que leur sont fournis des exemples, les réseaux de neurones se forgent un modèle de connaissance. Toute cette capacité d'assimilation des exemples réside dans la possibilité d'adapter les vecteurs des poids synaptiques.
Les réseaux de neurones, de part la quantité des travaux de recherche et des réalisations existantes, présentent plusieurs points forts. En premier lieu, ils constituent des approximateurs universels capables de modéliser des systèmes complexes avec la précision voulue à partir d’un jeu de données entrées /sorties et un processus d’optimisation. Dans le cas de systèmes complexes, leur capacité d’apprentissage représente un avantage indéniable par rapport à la plupart des autres méthodes qui s’attachent à utiliser un modèle mathématique souvent imprécis ou difficile à obtenir. Cependant, l’inconvénient majeur réside dans le fait que l’on ne peut pas incorporer les connaissances des experts, qualifiées d’une certaine intelligence, et qui peuvent être utiles soit pour accélérer le processus d’apprentissage, soit pour obtenir des structures interprétables.
L’usage des réseaux de neurones artificiels d’un point de vue méthodologique, n’est pas toujours simple. La difficulté réside dans le fait que les dimensions d’un réseau dépendent fortement de la nature ou de la complexité du système à traiter. La taille d’un réseau a une influence sur la convergence. Avec des paramètres adaptés au problème à traiter, les réseaux de neurones permettent souvent d’atteindre, et en apprentissage et en généralisation, des taux de succès supérieurs à d’autres méthodes, qu’elles soient statistiques ou analytiques. En fait,
Chapitre 2. Application des réseaux de neurones en diagnostic
59 pour la mise en œuvre d’un réseau de neurones, on cherchera à utiliser au maximum des connaissances disponibles sur le système malgré que les modèles neuronaux soient doués de capacités d’apprentissage. Enfin, le choix de l'architecture de réseau de neurones ainsi que le choix des fonctions d'activations sont parmi les facteurs fondamentaux de la réussite d'une application basée sur les réseaux de neurones.
Le PMC et les RBF sont deux bonnes architectures neuronales utilisées massivement dans le domaine de diagnostic de défauts, leur avantage réside dans leur capacité d’apprentissage, ainsi que la capacité de résoudre les problèmes de classification non linéaire.
Le chapitre suivant a pour objet de présenter la méthodologie de diagnostic proposée, basée sur l'analyse HAZOP et les réseaux de neurones.
60
”Le courage est un juste milieu entre la crainte et la
témérité. ”
Aristote
Chapitre 3: Approche de diagnostic
proposée
Chapitre 3. Approche de diagnostic proposée
61
3.1 Introduction
Les systèmes industriels sont de plus en plus complexes et doivent relever des défis majeurs en termes de fiabilité afin de garantir leur bon fonctionnement (Dai et Gao, 2013; Cai et al., 2016). Quelles que soient leurs performances, ces systèmes sont appelés systèmes tolérants aux pannes (Li et al., 2016; Shu et al., 2017). Pour anticiper ces pannes techniques, le diagnostic a pour rôle en premier lieu de détecter et localiser les défaillances susceptibles de générer les pannes des installations industrielles (Kleer et Williams, 1987; Franceschini et al, 2013). Par conséquent, le diagnostic joue un rôle clé en contribuant à la détection précoce des défauts afin de garantir la fiabilité et la sécurité des processus et d'assurer des gains en termes de disponibilité et de productivité tout en réduisant le niveau de capital investi dans les systèmes de production (Das et al, 2012). Au cours des dernières années, de nombreux chercheurs se sont concentrés sur les approches de surveillance des processus et de diagnostic des défauts (Shah, 2011; Wong et al., 2014; Wang et al., 2014; Yin et al. 2014; Ding, 2014; Hu et al., 2015; Zhang et Geng, 2015; Vileiniskis et al., 2016; Shu et al., 2017). Diverses techniques de surveillance des processus et de diagnostic des défauts ont été développées comme nous l'avons vu au chapitre 1, telles que les techniques basées sur des modèles mathématiques et les techniques basées sur la connaissance et les données. Cependant, l'application des approches basées sur les modèles mathématiques sont également limitées car un modèle mathématique précis est difficile à réaliser ou peut même ne pas être disponible pour certains processus industriels complexes. Avec les progrès du contrôle informatique et de l'intelligence artificielle, des approches basées sur les données et les connaissances ont été développées ces dernières années. Ces approches sont construites sur la base des informations historiques des variables de processus et des connaissances a priori, respectivement. Ces approches sont largement appliquées dans la surveillance des processus et le diagnostic des défauts dans les usines industrielles (Zhang et al., 2014).
Les réseaux de neurones sont une des techniques basées sur les connaissances, ils sont largement utilisés dans la reconnaissance de formes et la classification d'un système complexe non linéaire en raison de leur forte capacité d'auto-apprentissage et de leur modélisation non linéaire. Les réseaux de neurones occupent une place importante dans le diagnostic et la littérature spécifiée dans ce domaine est riche en études consacrées aux réseaux de neurones
(Guh, 2002; Subhasis et al., 2005; Sukthomya et Tannock, 2005; Guo, 2010; Zhang et al., 2014; Fentaye et al., 2018). Ces derniers ont de plus en plus de succès et prouvent leur efficacité dans plusieurs domaines tels que le traitement du signal, le contrôle de processus, l'estimation et la détection et le diagnostic de défauts. Différents modèles des réseaux neuronaux sont développés en fonction des problèmes et applications où ils sont utilisés. Dans cette étude, trois types de modèles à savoir, le perceptron multi couches (MLP), les réseaux à fonctions de base radiales (RBF) et les réseaux de neurones de régression généralisée (GRNN) sont utilisés et évalués sur leur performance et leur commodité. Ces trois modèles ont été pleinement utilisés avec succès dans de nombreuses études dans le domaine du diagnostic des défauts.
Les méthodes d'analyse des risques telles que l'Analyse des Modes de Défaillance, de leurs Effets et de leur Criticité (AMDEC), Hazard and Operability (HAZOP), Arbres de
62 Défaillances (AdD),..., permettent la résolution des problèmes de diagnostic de défauts. Le principe de ces méthodes consiste à établir a priori et de manière formelle les liens entre les causes et leurs effets mesurables par les opérateurs ou les systèmes de traitement de l’information. Dans notre étude, nous avons opté pour l’analyse HAZOP. Cette méthode est de même type que l’AMDE, mais elle est mieux adaptée pour l’analyse des circuits thermo-hydrauliques. Elle a pour objectif l’identification des risques et l’étude de leur prévention/protection en s’appuyant sur un modèle entité/flux physique du système, et en étudiant chacune des déviations possibles. Dans un objectif de diagnostic HAZOP est donc utilisée de façon déductive i.e. que l’on part des effets observés pour remonter aux causes de déviations possibles. Cette approche est très efficace grâce à ses relations de causes à effets. Dans notre étude les résultats de l'analyse HAZOP seront pris en compte en tant que connaissances expertes du système étudié et puis utilisées comme base de données pour le réseaux de neurones.
Ce chapitre, a pour objectif de présenter la méthodologie proposée pour le diagnostic des défauts basée sur l'analyse HAZOP et les réseaux de neurones. Avant d’aborder l’approche proposée, nous rappelons quelques définitions fondamentales relatives à la méthode HAZOP, ensuite nous présentons l'apport de cette méthode et des réseaux de neurones pour le diagnostic de défauts. Ensuite, nous montrons à travers l'exemple présenté au chapitre deux, la possibilité de combiner la méthode d'analyse AMDE et les réseaux de neurones.