ETUDE COMPARATIVE DANS LE DOMAINE DE LA SURVEILLANCE DYNAMIQUEDYNAMIQUE

L’étude comparative en surveillance dynamique se fait à l'aide du benchmark de

surveillance d'un bras de robot (Robot Execution Failures⁴⁷).

a) SURVEILLANCE DYNAMIQUE PAR RRFR

Le RRFR utilisé pour la surveillance dynamique est le suivant :

Fx Fy Fz Fonctionnement normal Collision frontale Collision arrière Collision à droite Collision à gauche -a- -b-

Figure 90. Structure RRFR (a) et R2BF (b) pour la surveillance dynamique

Le RRFR fonctionne parfaitement pour la détection d'erreur. En ce qui concerne les erreurs de classification, elles peuvent venir de la pauvreté de la base d'apprentissage, ainsi que des trop faibles différences entre les séquences de catégories différentes. L'avantage de ce neurone réside dans l'utilisation de la mémoire statique et de son algorithme d'apprentissage simple et stable. En effet, avec la même base, l'apprentissage peut être fait un grand nombre de fois. On trouvera toujours le même nombre de centres, les mêmes rayons, et donc les mêmes résultats en classification.

47 Benchmark disponible sur le site de l'Université de Californie à Irvine :

page 144

b) SURVEILLANCE DYNAMIQUE PAR R2BF

Le R²BF, ou tout du moins son algorithme d’apprentissage, est impropre en détection

d'erreur. Ceci est du principalement à son manque de stabilité. Un autre de ses défauts réside dans la nécessité d'une grande capacité calculatoire. Une solution consisterait à déterminer au préalable le bon nombre de centres ainsi que la partition pseudo floue initiale.

c) SURVEILLANCE DYNAMIQUE PAR DGNN

La figure suivante présente la structure DGNN utilisée pour la surveillance dynamique :

Figure 91. Schématisation du réseau DGNN pour la surveillance dynamique.

Ce réseau présente plus d'intérêt dans la théorie que dans la pratique. Son grand défaut se situe dans les capacités calculatoires gigantesques qui lui sont nécessaires pour effectuer le moindre apprentissage. Il n'est donc pas utilisable pour une application industrielle où nous pourrions avoir à ajouter de nouvelles données à apprendre assez souvent dans les premiers mois d'utilisation.

d) SYNTHESE SUR L'UTILISATION DE RESEAUX DE NEURONES RECURRENTS POUR

LA SURVEILLANCE DYNAMIQUE

Reprenons les résultats de chacun des réseaux :

Temps d’apprentissage Temps de reconnaissance RRFR (RRBF) 1.03 secondes 2 millisecondes

R2BF 14 secondes 1 millisecondes

DGNN 13 423 secondes 20 millisecondes

Tableau 6. Temps d’apprentissage et de reconnaissance pour la surveillance dynamique

Chapitre 5 – Evaluation des Performances et Exploitation Industrielle des RRFR page 145

Il est important de noter que les résultats du DGNN ont été intégrés de manière indicative afin de démontrer ses faibles performances en plus d'un temps de calcul déjà conséquent. Ce réseau ou tout du moins son algorithme d'apprentissage est donc incompatible avec la surveillance dynamique. En effet, comme pour le pronostic, il est parfois nécessaire d'effectuer plusieurs apprentissages avec plusieurs bases d'apprentissage différentes avant d'obtenir un réseau qui nous permettrait d'obtenir des résultats satisfaisants. Avec un temps d'apprentissage estimé à 2700 h, il apparaît clairement que nous ne pouvons appliquer cette méthode.

En ce qui concerne le réseau R2BF, le problème provient une nouvelle fois de

l'apprentissage. Si cette fois le temps de calcul est correct, le problème se situe dans la non régularité des résultats. Ce défaut peut éventuellement être atténué en déterminant une pseudo partition floue initiale.

Le seul réseau qui a donné des résultats réguliers avec un temps d'apprentissage court est le réseau RRFR. Si ces résultats sont excellents en détection d'erreurs, il reste moyen dans la classification de celles-ci. Ce défaut est du en partie à la faiblesse de la base d'apprentissage. Une base plus fournie devrait donc donner de meilleurs résultats.

Il est, une nouvelle fois, important de noter que cette séquence de test ne comportait pas de phase d'apprentissage en ligne. Si un tel cas devait être traité, le réseau RRFR aurait un

avantage encore plus prononcé. En effet, si les deux autres réseaux, R²BF et DGNN,

nécessitent de reprendre l'ensemble de la base pour un nouvel apprentissage, le RRFR n'utilise l'ensemble de la base que pour certains cas. Admettons que nous souhaitions apprendre une donnée non reconnue par la configuration actuelle du réseau. Suivant l'algorithme d'apprentissage du RRFR, il est alors nécessaire de créer un nouveau prototype centré sur la donnée et de relier ce prototype à la classe de la donnée. Il n'est pas nécessaire de modifier le reste du réseau et donc de reprendre la base.

Nous avons ainsi un temps d'apprentissage en ligne extrêmement court. Pour le cas où l'ensemble de la base est utilisé, le temps d'apprentissage en ligne est équivalent au temps d'un apprentissage hors ligne. Il est alors nécessaire que le temps d'échantillonnage soit supérieur au temps d'apprentissage. Bien entendu, plus le temps d'apprentissage est court, plus les possibilités d'applications sont grandes.

5.3.4 BILAN DE L’

En prenant en considération des critères de représentation temporelle et de structure, trois types de réseaux de neurones temporels ont été choisis pour leur applicabilité dans le

domaine de la surveillance : le RRFR, le R²BF et le DGNN.

Ces réseaux ont été adaptés et testés sur des applications de pronostic et de surveillance dynamique. Une étude comparative est ainsi menée autour de deux benchmarks spécifiques aux domaines concernés.

Les résultats des deux séquences de test ont montrés que le réseau RRFR était le plus efficace des trois réseaux, à la fois par ses résultats que par ses temps d'apprentissage. Pour le réseau R2BF, ses résultats moyens dans la surveillance dynamique ne permettent pas de l'employer dans cette situation. Un algorithme d'apprentissage plus performant permettrait sûrement une révision de ce jugement. Enfin, pour le DGNN, son algorithme

page 146

d'apprentissage extrêmement demandeur de capacité calculatoire ne lui permet pas d'être implanté aisément.

Par ailleurs, nous avons constaté que le RRFR présente un intérêt certain du point de vue de l'apprentissage en ligne, un aspect extrêmement important. En effet, le RRFR possède d'une part une architecture simple (séparation de la mémoire dynamique et de la mémoire statique) et d'autre part, les temps d'exécutions des algorithmes d'apprentissage sont relativement courts. Dans l'optique d'un transfert industriel de ce concept, cette propriété apparaît comme fondamentale.

5.4 E