Méthodes de diagnostic sans modèle (externes)

Nombreuses sont les applications industrielles dont le modèle est difficile, voire impossible à obtenir suite à une complexité accrue ou à de nombreuses reconfigurations intervenants durant le processus de production. Pour ce type d’applications industrielles, les seules méthodes de diagnostic opérationnelles sont celles sans modèle (Dubuisson, et al., 2001). Celles-ci représentent les outils statistiques de Traitement du Signal et les techniques de l’intelligence Artificielle et servent comme outil de base pour l’aide à la décision dans ce cas.

1. Les outils statistiques de Traitement du Signal sont généralement qualifiés d’outils de traitement de bas niveau, parce qu’ils sont en contact direct avec le signal capteur, en effectuant des tests sur les signaux d’acquisition, ces tests ne

sont capables d’assurer que la fonction détection de défaillances en générant des

alarmes brutes, sans aucune information concernant leur signification (Zemouri, 2003).

2. Les techniques de l’Intelligence Artificielle (IA) dites de haut niveau sont

plutôt orientées vers la communication avec l’expert. Leur réponse est plus

élaborée que celle des techniques de bas niveau et elles sont capables de détecter, interpréter (association à un mode) et diagnostiquer les défaillances. l'intelligence artificielle permet de pallier la complexité des systèmes à diagnostiquer. Elle est

57

relativement bien adaptée aux problèmes du diagnostic par sa capacité à traiter de grandes quantités d'informations, des données aussi bien numériques que symboliques, des données dépendant du contexte ainsi que les données incomplètes (Dubuisson, et al., 2001).

Dans nos recherches, nous abordons le problème de diagnostic de défaillances en vue de la maintenance avec un aspect utilisant les techniques de l’Intelligence Artificielle et plus précisément les techniques d’ECD qui utilisent les techniques de l’IA et de reconnaissance de formes.

2.4.2.1 Techniques de l’intelligence artificielle

Globalement, ces méthodes sont classées en trois groupes (Racoceanu, 2006) : les méthodes à base de modèles comportementaux, les méthodes de reconnaissance de formes et les méthodes à base de modèles explicatifs.

2.4.2.2 Les méthodes à base de modèles comportementaux

Les méthodes à base de modèles comportementaux ou bien modèles de dysfonctionnement se caractérisent par la possibilité de simuler le comportement du système notamment ces modes de dysfonctionnement. Le modèle ici aide à prédire le comportement du système observé. Un problème est relevé, lorsque ce qui est prédit par le modèle et ce qui est observé est incompatible. Ce type de connaissances, peuvent non seulement aider à détecter les défauts, mais aussi à identifier la panne responsable du dysfonctionnement. Les chercheurs s'intéressent particulièrement aux systèmes à événements discrets en utilisant des outils tels que les réseaux de Pétri et les automates d'états finis (Racoceanu, 2006).

2.4.2.3 Les méthodes à base de modèles explicatifs

Ces méthodes cherchent les causes qui expliquent les symptômes par une représentation causale des liens entre les défaillances, leurs causes et leurs effets observables tels que les réseaux Bayésiens.

58

2.4.2.4 Les méthodes de reconnaissance de formes

Les formes représentent le vecteur d’entrée composé par les différentes données de l’équipement (données mesurables et qualifiables) et les classes correspondent aux différents modes de fonctionnement (Dubuisson, 1990). On distingue les méthodes symboliques (la procédure de classification produite peut être écrite sous forme de règles) et les méthodes non symboliques ou adaptatives (la procédure de classification produite est de type boîte noire). Dans ces méthodes, on retrouve principalement, les réseaux neuronaux, la logique floue, les réseaux neuro-flous, les systèmes expert et le raisonnement à partir de cas.

2.4.2.4.1 Système expert

Un système expert, est un outil informatique d’intelligence artificielle, conçu pour simuler le savoir-faire d’un spécialiste, dans un domaine précis et bien délimité, grâce à l’exploitation d’un certain nombre de connaissances fournies explicitement par des experts du domaine. Il est composé de deux parties : une base de connaissances représentant à la fois du savoir faire et l’expertise nécessaires pour résoudre un problème, elle-même composée d'une base de règles qui modélise la connaissance du domaine considéré et d'une base de faits et d’un moteur d'inférences capable de raisonner à partir des informations contenues dans la base de connaissance, de faire des déductions, etc.

2.4.2.4.2 Outils statistiques de reconnaissance de formes

Les méthodes statistiques se décomposent en méthodes paramétrique et non paramétrique. Le cas Bayésien correspond à des critères de décision construits à partir des lois de probabilité. Le cas paramétrique correspond à une connaissance a priori sur les lois de probabilité dont il faut estimer les paramètres. La variété des méthodes viendra de la diversité des hypothèses possibles. Cependant ces méthodes supposent une connaissance à priori de tous les états de fonctionnement et ne prennent pas en compte l’évolution du système. Les méthodes non paramétriques (sans hypothèse à priori sur les distributions de probabilité) ont été également proposées en statistiques, la plupart de ces méthodes sont

59

issues de l'intelligence artificielle. On distingue les méthodes symboliques où la procédure de classification produite peut être écrite sous forme de règles (tel que les arbres de décision) et des méthodes non symboliques dites de type « boîte noire » tel que les réseaux de neurones.

2.4.2.4.3 Raisonnement à partir de cas

Le raisonnement à partir de cas (RàPC), Case Based Reasoning (CBR) en anglais est une approche récente pour résoudre et apprendre des problèmes et leurs solutions.

Le RàPC est une technique pour résoudre des problèmes basés sur l'expérience, et donc relativement bien adapté aux problèmes de diagnostic pour lesquels la notion d'expérience est relativement importante. Il correspond à la résolution d’un nouveau problème en se remémorant une situation précédente similaire. Le principe de fonctionnement de la méthode consiste à stocker les cas (expériences) précédents dans une mémoire afin de résoudre un nouveau problème en réutilisant cette expérience dans le contexte de la nouvelle situation ou en l'adaptant selon les différences (Riverol & Carosi, 2008), (Haouchine, M, K. 2009). Le RàPC manipule une base de connaissance qui contient deux parties : la connaissance générale, souvent représentée par une base de règles et qui peut intervenir dans toutes les phases du RàPC et la mémoire, qui contient les cas qui représentent l'expérience du système.

60

Figure 2-1 : Classification globale des méthodes de diagnostic (Racoceanu, 2006)