Méthodes à partir de données historiques

Par rapport aux méthodes à base de modèles où la connaissance a priori (quantitative ou qualitative) sur le processus est requise, dans les méthodes à partir de données historiques, une large quantité de données enregistrées sur le fonctionnement du système (normal et au cours de défaillances) est nécessaire. L’extraction de l’information peut être de nature quantitative ou qualitative. Deux des plus importantes méthodes d’extraction qualitative d’information d’historique sont les systèmes experts [ZWIN95] et les méthodes de modélisation de tendance [VEDA95]. Les méthodes d’extraction d’information quantitative peuvent être amplement classées en non statistiques et statistiques. Les réseaux de neurones représentent une classe importante des classificateurs non statistiques [KAVU94] ; [LEON90]. L’analyse en composantes principales (ACP) et les méthodes de classification ou de reconnaissance de formes constituent une composante majeure des méthodes d’extraction des caractéristiques statistiques [NONG 96].

5.4.2.1 Méthodes qualitatives

Les applications à l’aide de systèmes experts réalisées avec le plus de succès ont été celles basées sur des systèmes basées sur de règles pour la sélection structurée ou la perspective de classification heuristique du diagnostic. Un système expert est un système informatique destiné à résoudre un problème précis à partir d’une analyse et d’une représentation des connaissances et du raisonnement d’un (ou plusieurs) spécialiste(s) de ce problème. Ils sont composés de deux parties indépendantes : (a) une base de connaissances (base de règles) qui modélise la connaissance du domaine considéré et d’une base de faits qui contient les informations concernant le cas traité, et (b) un moteur d’inférences capable de raisonner à partir des informations contenues dans la base de connaissances. Au fur et à mesure que les règles sont appliquées des nouveaux faits se déduisent et se rajoutent à la base de faits. Les principaux avantages des systèmes experts pour le diagnostic sont leur

Chapitre 5 Diagnostic des Systèmes

explications aux solutions fournies. Leur difficulté spécifique est la capture de la connaissance (faits et règles) c’est-à-dire la définition et la description du raisonnement associé à partir d’une situation donnée.

A - Systèmes experts ou systèmes a base de connaissance

L'extraction des caractéristiques qualitatives basées sur des règles est largement utilisée dans les systèmes experts. Un système expert est un système spécialisé qui résout les problèmes dans un domaine d'expertise spécifique. Les étapes principales dans le développement d'un système expert sont:

• Acquisition de connaissance.

• Choix de représentation de la connaissance.

• Codage des connaissances sous forme d'une base de connaissance. • Développement du moteur d'inférence et les interfaces d'entrées/ sorties.

Il existe de nombreux articles qui traitent de l'application des systèmes experts dans le diagnostic des défaillances [LUNZ91], [HOGA91] et [CHIA00).

• Etape d'apprentissage qui consiste à déterminer l'espace de représentation, à définir l'espace de décision (classes) et à mettre au point une règle de discrimination aboutissant à des frontières de décision entre les classes;

• Etape de décision qui consiste à associer un nouveau vecteur à l'une des classes prédéfinies en appliquant la règle de décision élaborée lors de l'étape d'apprentissage. Le diagnostic par reconnaissance des formes consiste à déterminer le degré de similarité entre des formes fournies par des capteurs et des formes obtenues préalablement par apprentissage, ce qui permet de détecter l'apparition d'un défaut et d'apprécier le degré de bon fonctionnement du système.

B - L’analyse de tendance qualitative (QTA)

Utilise l’information de type tendance présente dans les mesures issues des capteurs. Il y a deux étapes de base, l’identification de tendances dans les mesures, et l’interprétation de ces tendances en terme de scénarios de fautes. Le processus d’identification doit être robuste par rapport aux variations momentanées du signal (dues au bruit) et capturer seulement les variations importantes. Le filtrage peut altérer le caractère qualitatif essentiel contenu dans le signal. On peut par exemple utiliser un système à base de fenêtrage pour identifier des tendances à des niveaux divers (c’est-à-dire à des niveaux de détail différents) et cette représentation peut alors être utilisée pour le diagnostic et la commande

supervisée. Ces tendances dans le processus peuvent être transformées en fautes pour ainsi construire la base de connaissance utilisée pour le diagnostic.

5.4.2.2 Méthodes quantitatives

Quand la connaissance sur le procédé à surveiller n’est pas suffisante et que le développement d’un modèle de connaissance du procédé est impossible, l’utilisation de modèles dits « boîte noire » peut être envisagée. C’est le cas de l’utilisation de :

A - composantes principales (ACP) : ont été utilisées avec succès dans le domaine du diagnostic. C’est un outil capable de compresser des données et qui permet de réduire leur dimensionnalité de sorte que l’information essentielle soit conservée et plus facile à analyser que dans l’ensemble original des données. Le but principal de l’ACP est de trouver un ensemble de facteurs (composantes) qui ait une dimension inférieure à celle de l’ensemble original de données et qui puisse décrire correctement les tendances principales. Une limitation importante de la surveillance basée sur l’ACP est que la représentation obtenue est invariante dans le temps, alors qu’elle aurait besoin d’être mise à jour périodiquement.

B - Réseau de neurones : Les principes de fonctionnement des réseaux de neurones sont inspirés du cerveau humain. Le calcul neuromimétique, né du rapprochement de la biologie et de l'informatique, présente des perspectives d'applications particulièrement intéressantes pour l'aide au diagnostic. En effet, cette méthode possède des propriétés similaires à celles de reconnaissance des formes pour la classification automatique de signatures [DUBU90], [BERG95] et [ZWIN 95] .

Un réseau de neurones artificiels est composé d'automates connectés en réseau et fonctionnant en parallèle dans lequel les connexions contiennent la connaissance du domaine particulier. Les décisions sur une connaissance sont prises dans les interconnexions et en relation avec les fonctions de transition.

C - Reconnaissance des formes : Méthodes de diagnostic par analyse des signatures externes s'appliquent dans les situations où la modélisation des mécanismes reliant les causes des défaillances n'est pas techniquement possible. Elles sont basées sur le retour d'expérience. En effet, le diagnostic des défaillances est essentiellement un problème de classification [VENK 03], donc sa traduction sous forme d'un problème classique de

Chapitre 5 Diagnostic des Systèmes

Les méthodes de reconnaissance des formes sont des outils performants lorsqu'on s'intéresse à une automatisation du diagnostic des systèmes industriels, ceci en raison de leur capacité à réaliser la discrimination des signatures externes généralement interprétées par les spécialistes des matériels surveillés. En effet certaines de ces méthodes sont implantées dans des systèmes de surveillance vibratoire des machines tournantes [DUBU90].

La reconnaissance des formes est une science de définition d'algorithmes qui permettent de classer les objets (ou formes) par comparaison à des prototypes (objets types). Il s'agit de définir à quelle forme-type une forme observée ressemble le plus. Le processus de reconnaissance des formes s'effectue souvent en deux étapes :

• Étapes de la détection de défauts

Plusieurs étapes sont nécessaires afin de satisfaire les objectifs de réduction du nombre d’arrêts non planifiés, d’augmentation de la disponibilité, de prévention de l’usure et de maintien de la qualité de l’onde. Dans la littérature, le processus de détection de défauts est généralement divisé en trois étapes [GERT98] :

• Détection du défaut : Déterminer la présence d’une variation sur le système • Isolation du défaut : Déterminer la localisation du défaut sur le système • Identification du défaut : Déterminer l’ampleur du défaut

La figure 5.3 résume les différentes étapes décrites de manière séquentielle. • Etape de l’observation du procédé

L’observation du procédé consiste à extraire des données durant une plage d’opération qui est significative pour le type de détection de défauts à effectuer. Par exemple, utiliser des valeurs en régime permanent s’avère un choix judicieux pour la détection des pertes sur les lignes de transport de matières. Dans le cas qui nous intéresse, puisque l’objectif est de déterminer la qualité de l’asservissement, l’observation du procédé est effectuée en régime transitoire.

Figure 5.3 : Étapes du processus de détection de défauts