// ´Echantillonnage du mod`ele initial
pour chaque t
′∈ {1, . . . , n}faire
(x
t′,1, . . . , x
t′,D)←A
statiqueéchant
({p
init′,1, . . . , p
init′,D});
fin
// ´Echantillonnage du mod`ele de transition
pour chaque t∈ {n+ 1, . . . , T} faire
(x
t,1, . . . , x
t,D)←A
statiqueéchant
({p
→t,1, . . . , p
→t,D});
fin
1.5 Conclusions
Ce chapitre fournit des éléments sur le formalisme des modèles graphiques probabilistes
statiques et markoviens. L’exemple traité tout au long du chapitre illustre les possibilités
offertes par ces outils en ce qui concerne la modélisation de systèmes complexes. L’intérêt
principal de ce type d’approche provient du caractère intuitif induit par l’aspect graphique
de la modélisation. En outre, les méthodes présentées pour résoudre les problèmes
d’ap-prentissage et d’inférence probabiliste fournissent aux utilisateurs des outils d’analyses
performants et génériques. Ceci permet d’expliquer en partie l’engouement actuel pour
les modèles graphiques probabilistes que ce soit en intelligence artificielle, pour l’aide au
diagnostic en général ou encore en sûreté de fonctionnement.
L’utilisation de ce type d’outils paraît donc pertinente pour le problème de modélisation de
la maintenance en général et de la voie ferrée en particulier. L’apprentissage d’un processus
de vieillissement, son intégration dans un modèle de maintenance et enfin le calcul
d’in-dicateurs de la fiabilité ou le coût du système sont des tâches complexes, mais accessibles
aux modèles graphiques comme la suite de ce document le démontre.
1.5 Conclusions 49
d’un système. Pour ce faire et de par leur formalisme approprié, les modèles graphiques
probabilistes markoviens y jouent un rôle important. Il y est question en particulier d’un
Chapitre
2
Mod`eles Graphiques de Dur´ee
Sommaire
2.1 Introduction . . . 52 2.2 Description graphique. . . 54 2.3 Description probabiliste . . . 55 2.3.1 Distribution initiale des ´etats du syst`eme . . . 56 2.3.2 Distribution initiale des temps de s´ejour . . . 56 2.3.3 Politique d’action. . . 59 2.3.4 Mod`ele de transition des ´etats du syst`eme . . . 59 2.3.5 Mod`ele de transition du temps de s´ejour . . . 62 2.3.6 Remarques . . . 64
2.4 Apprentissage des LPC et simulation de trajectoire. . . 67 2.4.1 Donn´ees attendues . . . 68 2.4.2 Estimation du maximum de vraisemblance . . . 68 2.4.3 Simulation de trajectoires . . . 69
2.5 Inf´erence probabiliste exacte . . . 71 2.5.1 Probabilit´e d’une trajectoire. . . 71 2.5.2 Calcul na¨ıf . . . 73 2.5.3 Calculad hoc . . . 74
2.6 Application `a l’´etude de la fiabilit´e . . . 77 2.6.1 MGD et mesures de fiabilit´e. . . 77 2.6.2 Illustration . . . 78
52 Chapitre 2. Modèles Graphiques de Durée
2.1 Introduction
Ce chapitre aborde le problème de la modélisation d’un système dynamique(Howard 2007a)
à états discrets et finis dans le cadre des modèles graphiques probabilistes. Le terme système
dynamique conserve le sens donné au début de la partie1.4. Les qualificatifs discret et fini
indiquent que l’espace des états doit être un ensemble dénombrable et fini. L’objectif de ce
chapitre concerne en particulier la modélisation :
– des temps qui s’écoulent entre deux événements (ex : durée de vie d’un individu ou
d’un système physique, durée entre le déclenchement d’une maladie et la guérison, durée
d’un épisode de chômage, durée entre l’établissement d’un prêt et une défaillance de
remboursement. . .) ;
– des transitions entre deux événements (ex : transition entre deux états de fonctionnement
pour un système de production industriel, transition entre les différents stades d’une
maladie, changement comportemental d’un individu au cours d’une partie de poker. . .).
La figure2.1donne un exemple d’évolution d’un système dynamique à trois états au cours
du temps. On parle en général d’une trajectoire du système. La question est de proposer un
modèle capable d’exploiter au mieux l’information contenue dans les trajectoires observées
d’un système (transitions et temps de séjour dans chaque état). La problématique soulevée
ici est très générale et trouve des applications dans de nombreux domaines tels que la
biologie, la médecine, la démographie, l’économie, la finance. . . Ce document aborde ce
problème dans le cadre de la sûreté de fonctionnement. Toutefois, les développements
réalisés sont aisément transposables dans de nombreux domaines connexes.
Il existe de nombreux travaux traitant de l’analyse de la fiabilité dans la littérature. Des
outils tels que les chaînes de Markov (Aven and Jensen 1999) sont bien adaptés pour la
modélisation des transitions dans un système multi-états. L’inconvénient majeur de cette
approche reste la contrainte implicite sur les temps de séjour dans les états du système. Dans
ce cas, ces derniers sont nécessairement distribués géométriquement (ou exponentiellement
en temps continu). Pour dépasser cette limitation les modèles semi-markoviens (Limnios
and Oprisan 2001) ont été développés permettant de spécifier explicitement des lois de
temps de séjour dans chacun des états. D’autre part le modèle de Cox (1972)ou plus
gé-néralement un modèle à hasards proportionnels(Kay 1977)sont des outils intéressants dès
qu’il s’agit d’analyser l’influence de variables contextuelles sur la dégradation du système.
Les méthodes citées précédemment fournissent des outils d’analyses performants lorsque le
système étudié reste de taille raisonnable. Elles possèdent en outre l’avantage d’être flexibles
sur leurs conditions d’utilisation (temps discret/continu, variables discrètes/continues). En
revanche, ces approches sont difficilement applicables aux grands systèmes caractérisés par
un grand nombre de variables interdépendantes.
Par ailleurs, de récentes études reposant sur l’utilisation de MGP se sont avérées pertinentes
pour représenter les systèmes dynamiques et étudier leur fiabilité. En effet, le fort potentiel
des MGP en matière de modélisation permet de représenter relativement intuitivement des
systèmes complexes en décrivant leur comportement stochastique local. Ce gain de
flexibi-lité en matière de représentation se fait néanmoins au détriment de conditions d’utilisation
parfois plus restrictives, notamment la nécessité de travailler en temps discret.Boudali and
2.1 Introduction 53
Fig. 2.1– Évolution de l’état d’un système dynamique au cours du temps (trajec-toire du système sur dix pas de temps).