Méthodes neuronales

Les réseaux de neurones s'inspirent des neurones biologiques et les systèmes neuronaux, les réseaux de neurones sont aujourd’hui très utilisés dans les problèmes d’apprentissage.

Les réseaux neuronaux artificiels (Artificial neural network ANN) ont été initialement développés selon le principe élémentaire de l'opération du système neuronal (humain). Depuis lors, une très grande variété de réseaux a été construite. Tous les réseaux neuronaux artificiels sont composés d'unités simples (neurones), et des connexions reliant les unités entre elles, l'ensemble (les unités et leurs connexions) détermine le comportement du réseau. L'ANN peut être vue comme un groupe interconnecté des unités simples qui utilisent un modèle mathématique ou informatique pour le traitement de l'information (Kerroumi, 2016). L'ANN est un système adaptatif qui modifie sa structure basée sur l'information qui circule à travers le réseau (voir figure 2-6).

Figure 2-6: L'architecture d'un réseau de neurones (Kerroumi, 2016)

Les réseaux de neurones artificiels sont construits sur une architecture semblable, en première approximation, à celle du cerveau humain. Le réseau reçoit les informations sur une

couche réceptrice de « neurones », traite ces informations avec ou sans l'aide d'une ou plusieurs couches « cachées » contenant un ou plusieurs neurones et produit un signal (ou plusieurs) de sortie. Chaque neurone, qu'il appartienne à la première couche (réceptrice), aux couches cachées ou à la couche de sortie, est lié aux autres neurones par des connexions (similaires aux synapses du cerveau) auxquelles sont affectés des poids (eux même assimilables aux potentiels synaptiques). Les réseaux de neurones peuvent employer les deux types d'apprentissage : supervisé et non supervisé (exemple la carte auto-adaptive). Dans le cas des réseaux de neurones avec apprentissage supervisé (Perceptron, Adaline, etc.), on présente au réseau des entrées et en même temps les sorties que l'on désirerait pour cette entrée. Le réseau doit alors se reconfigurer, c'est-à-dire calculer ses poids afin que la sortie qu'il donne corresponde bien à la sortie désirée. Ils peuvent être considérés comme des systèmes informatiques massivement parallèles constitués d'un très grand nombre de processeurs simples (ou unité de calcul) avec de nombreuses interconnexions (Ghahramani, 2003). Les avantages des réseaux de neurones sont leurs apprentissages adaptifs, leurs auto- organisations et leurs capacités de tolérance aux pannes (Jain et al., 2000).

Dans les méthodes d'apprentissage supervisé, les réseaux de neurones artificiels (ANN) ont été largement appliqués pour la détection automatisée et le diagnostic des conditions de la machine (Dellomo, 1999 ; McCormick & Nandi, 1997 ; Nandi, 2000 ; Samanta et al., 2001 ; Jack & Nandi, 2002 ; Samanta et al., 2003 ; Rafiee et al., 2007). Cependant, les approches traditionnelles de réseau de neurones ont des limites sur la généralisation donnant naissance à des modèles qui peuvent sur-apprentir aux données de formation. Cette lacune est due aux algorithmes d'optimisation utilisés dans ANNs pour la sélection des paramètres d’entrée du réseau de neurones. Un système expert basé sur le réseau de neurones a été appliqué dans (Yang et al., 2012) pour les défauts de boîte de vitesses dans la turbine éolienne. Une autre application de cette méthode a été présentée dans (Qian et al, 2008). Dans Li et al. (2013b), un classificateur k-plus proche voisin (FKNN) a été proposé pour l'identification d’un motif de défaut d'une boîte de vitesses. Pour évaluer l'efficacité de l'approche diagnostique proposée, deux cas d’études ont été réalisés dont l'un porte sur le diagnostic des défauts d’engins, et l'autre sur le diagnostic des défauts de roulements de la boîte de vitesses.

Kumar et al. (2013) ont choisi d’utiliser le réseau de neurones de type perceptron multicouches dans le but de classifier des caractéristiques vibratoires en trois classes : sain, défaut bague intérieure, défaut bague extérieure. Le réseau de neurones a été testé avec trois types d’algorithme d’apprentissage : trainbfg, trainscg et trainlm. La comparaison des trois

Chapitre 2 : Classification non supervisée dans le cadre de diagnostic des machines tournantes

52 algorithmes a montré que trainbfg est supérieur aux deux autres avec un taux de reconnaissance de 86%, ce taux augmente par l’utilisation des données débruités. Ce réseau de neurones a été combiné avec la méthode des ondelettes.

Dans Yu et al. (2006), un réseau de neurones de type perceptron multicouches a été employé et combiné avec la méthode EMD où l’entropie de chaque IMF alimente les nœuds d’entrées. Le réseau a été formé pour classifier les données en trois classes : sain, défaut bague intérieure, défaut bague extérieure.

Une ondelette de Morlet modifiée associée à des réseaux de neurones (WNN) est présentée par Guo et al. (2005) pour la détection des défauts de roulement. La fonction d'ondelette de Morlet modifiée est utilisée comme fonction d'activation des nœuds d'ondelettes dans la couche cachée. Le spectre de fréquence des données est calculé et introduit dans une phase d'apprentissage, dans laquelle 6 défauts et 7 bandes de fréquences sont sélectionnées pour former un vecteur de caractéristiques. Les approches WNN ont été testées sur les machines tournantes et comparées aux techniques BP (algorithme back- propagation). Les résultats des tests montrent que l’approche proposée de Morlet WNN modifié nécessite beaucoup moins d’époques d’entraînement et présente un taux de convergence et une précision de diagnostic plus élevés que la méthode BP. Li et al. (2009) quant à lui, a utilisé le cepstre pour le diagnostic des défauts d’engrenages. Dans cette étude, cet indicateur est utilisé comme paramètre d’entrée aux Réseaux de Neurones Artificiels (RNA).

Wang et al. (2017) ont proposé une nouvelle méthode appelée réseau neuronal convolutif profond adaptatif (CNN) pour le diagnostic des défauts de roulement. Tout d'abord, pour se débarrasser de l'extraction manuelle des entités, le modèle CNN profond est initialisé pour l'apprentissage automatique des fonctionnalités. Deuxièmement, pour s'adapter aux différentes caractéristiques du signal, les principaux paramètres du modèle CNN profond sont déterminés à l’aide d’une méthode d’optimisation des essaims de particules. Troisièmement, pour évaluer la capacité d’apprentissage des caractéristiques de la méthode proposée, l’incorporation de t-distribués stochastiques voisins (t-SNE) est également adoptée pour visualiser le processus d’apprentissage des entités hiérarchiques. Les résultats confirment que la méthode proposée est plus efficace et robuste que les autres méthodes intelligentes.

Dans Tyagi ( 2008), l’auteur a utilisé plusieurs indicateurs statistiques comme entrées au RNA et SVM pour la détection automatique des défauts de roulements. Ces indicateurs ont été extraits des coefficients de la TOD (Transformée en Ondelettes Discrète) au sixième

niveau de décomposition. (Ziani et al, 2012) ont proposé un algorithme génétique pour la sélection des indicateurs les plus pertinents. Dans cette étude, l’AG a été combinée avec les réseaux de neurones artificiels pour un problème de classification des défauts de roulement. La fonction objective utilisée est le critère de trace de la matrice de dispersion intra-classe. Ce critère a été utilisé pour évaluer la pertinence de chaque sous ensemble généré par les chromosomes de l’AG. Des résultats prometteurs ont été obtenus avec cette approche.