et matrice de variance-covariance :

o`u

x|z,D=C

_k

∼ N(µ

^x_C k

,Σ

^x_C k

), (5.59)

µ

^x_C k

=Uz, (5.60)

Σ

^x_C k

= Γ

_CK

(5.61)

Ce mod`ele propos´e par les auteurs est d´efini de sorte `a ce queUΓ

_CK

U

^T

= 0

et VΓ

C_K

V

^T

= β

C_k

I o`u V est le compl´ement orthogonal de U et W = [U, V].

Ceci donne lieu `a ∆

_Ck

=W

T

S

_Ck

W, un bloc diagonal pouvant ˆetre ´ecrit comme

ceci :

δ

C_k

=diag(Σ

^z_Ck

, β

C_k

I) (5.62)

o`u I est de dimension R

^m−d×m−d

. Ceci signifie que les sous-espaces,

discrimi-nant et non-discrimidiscrimi-nant, sont orthogonaux.

A partir de ce mod`ele, plusieurs autres mod`eles peuvent ˆetre d´eduits en

re-laxant ou ajoutant des contraintes `a ces param`etres (e.g. relaxerβ

_Ck

, contraindre

Σ

C_k

, etc.). Ce mod`ele peut ˆetre repr´esent´e sous un r´eseau Bay´esien comme celui

pr´esent´e dans la figure 5.16.

Ce r´eseau Bay´esien peut ˆetre `a son tour ˆetre utilis´e pour la d´etection et le

diagnostic simultan´es de fautes (avec ou sans rejet de distance). De la mˆeme

mani`ere que les r´eseaux pr´ec´edents, pour d´ecider statistiquement sur

l’appar-tenance d’une nouvelle observationx`a une classeC

_k

il est n´ecessaire de d´efinir

la limite probabiliste lui correspondant comme ceci :

LP

^Ck

∆

= ^p(D=C

^k

^)p(z|D=C

_k

)p(x

^∗

|z,D =C

_k

)

p(x) ^(5.63)

Cette limite correspond `a une statistique quadratique ∆ surveillant la

va-riablex. A partir deLP

CF N

∆

une d´ecision est prise suivant la r`egle ci-dessous :

sip(D=C

_k

|x)≥LP

^Ck

∆

Alors : x∈C

_k

sinon x /∈C

_k

(5.64)

o`up(D=C

k

|x)∝p(D =C

k

)p(x|D =C

k

).

Le r´eseau donn´e dans5.16permet de g´en´eraliser d’autres m´ethodes de

pro-jection/transformation lin´eaire de donn´ees en modifiant les matrices composant

le r´eseau ou contraindre leurs structures. Par exemple, le mod`ele d’analyse en

D

D

CF N F

₁

. . . F

_K

p(CF N) p(F

₁

) . . . p(F

_K−1

)

z

D z

CF N z∼ N(µ

z CF N

; Σ

z CF N

)

F

₁

z∼ N(µ

z F1

; Σ

z F1

)

..

. . . .

F

_K−1

z∼ N(µ

z FK−1

; Σ

z FK−1

)

x

D x

CF N x

_{CF N}

∼ N(µ

x CF N

; Σ

x CF N

)

F

₁

x

_F1

∼ N(µ

x F1

; Σ

x F1

)

..

. .._.

F

_K−1

x

_FK−1

∼ N(µ

x FK−1

; Σ

x FK−1

)

Figure 5.16 – Un r´eseau Bay´esien classifieur traitant le noeud observ´e xet le

noeud z

composantes principales utilis´e dans (Chiang et al., 2001) pour le diagnostic

de fautes (PCA1) peut ˆetre mod´elis´e par ce r´eseau en posant U =A, o`uA est

la matrice de vecteurs propres estim´es `a partir de toutes les donn´ees de fautes,

Γ =vI et Σ

z

Ck

=A

T

Ck

Σ

_Ck

A

_Ck

.

Sous ce r´eseau, des m´ethodes `a base de mod`ele d´edi´es `a la surveillance des

syst`emes peuvent ˆetre utilis´ee. Prenons, le cas des r´esidus structur´es. Ces r´

esi-dus se basent une une matrice d’incidence. Cette matrice peut ˆetre repr´esent´ee

par un r´eseau Bay´esien (Atoui et al., 2015a; Verron et al., 2010a; Pernest˚al,

2009; Weber et al., 2008; Schwall and Gerdes, 2002). Le r´eseau Bay´esien lui

correspondant exprime les relations de cause `a effet entre fautes et r´esidus.

Nous proposons de l’´etendre afin de tenir compte de l’´etape de g´en´eration des

r´esidus. Ceci correspond `a regrouper les r´esidus ainsi que les fautes dans de

noeuds joints leurs correspondant. Le r´eseau pr´esent´e dans la figure 5.16

per-met de mod´eliser enti`erement une m´ethode `a base de mod`ele (g´en´eration des

r´esidus + ´evaluation + isolation).

D’autre strat´egies `a base de mod`ele pour l’isolation de fautes se basent

sur l’utilisation d’un banc de g´en´erateurs de r´esidus (Isermann, 2006). Ainsi,

nous pouvons faire de mˆeme avec un banc constitu´e de r´eseaux Bay´esiens

mod´elisant chacun un g´en´erateur de r´esidu(s) (des g´en´erateurs de mˆeme ou

de nature diff´erente) sensible, selon la strat´egie employ´ee, `a une faute ou un

ensemble de fautes. Des bancs de r´eseaux Bay´esiens repr´esentant chacun une

m´ethode `a base de donn´ees d´edi´ee `a la d´etection d’une faute donn´ee, peuvent

ˆetre ´egalement utilis´es pour le diagnostic de fautes.

III.2 Combinaison de m´ethodes pour le diagnostic de

fautes sous r´eseau Bay´esien

Les diff´erentes m´ethodes, que ce soit dans le cadre de la d´etection ou du

diagnostic, mod´elis´ees sous des r´eseaux Bay´esiens peuvent ˆetre facilement

com-bin´ees. Dans ce but, nous proposons de les lier `a un noeud discret de d´ecision.

En d’autres termes, en se basant sur la r`egle de Bayes on vient fusionner les

dif-f´erentes probabilit´es obtenues par chaque m´ethode ou leurs discr´etisation (e.g.

en les comparant `a des seuils ou limites de contrˆoles) Nous pouvons constater

la facilit´e de la manoeuvre ´etant donn´e le fait que les m´ethodes associ´ees sont

de mˆeme nature. De plus, un r´eseau Bay´esien est un outil naturel de fusion.

Le cadre propos´e peut ˆetre vu comme un r´eseau Bay´esien hi´erarchique

`

a deux couches. Chaque couche est caract´eris´ee par des entr´ees et sorties.

Les sorties de la premi`ere couche sont les entr´ees de la seconde. Une couche

correspond `a un ou plusieurs r´eseaux Bay´esiens dans lequel on fera l’inf´erence.

En d’autres termes, dans notre cadre nous sommes amen´es `a faire de l’inf´erence

en deux temps :

— premi`ere inf´erence : entr´ees (observations), sorties (probabilit´es a

pos-teriori de chaque classe donn´ees par chaque m´ethode ou leurs

transfor-m´ees).

— seconde inf´erence : entr´ees (probabilit´es a posteriori de chaque classe ou

leurs transform´ees (la comparaison des probabilit´es a posteriori `a des

seuils), sorties (probabilit´es a posteriori de chaque classe).

Il est ´evident que la premi`ere inf´erence est ´etablie dans chaque r´eseau Bay´

e-sien correspondant `a une m´ethode de diagnostic donn´ee. La seconde inf´erence

peut ˆetre faite dans un r´eseau Bay´esien na¨ıf o`u les noeuds discrets observ´es

sont suppos´es ˆetre ind´ependants ´etant donn´e le noeud de d´ecision (le noeud

ra-cine discret). Nous proposons ainsi de fusionner les d´ecisions d’un nombre bde

m´ethodes sous un r´eseau Bay´esien classifieur compos´e uniquement de noeuds

Dans le document Contributions à la détection et au diagnostic de fautes dans les systèmes par réseaux Bayésiens (Page 152-155)