Chapitre 1: Diagnostic par reconnaissance de formes
5 Outils d’intelligence artificielle pour le diagnostic industriel
Aujourd’hui, les techniques classiques sont peu utilisées dans le domaine de diagnostic industriel. Les chercheurs sont orientés vers l’utilisation des techniques d’intelligence artificielle [Kadri et al., 2012b]. Ces techniques peuvent être appliquées sur différents types de système industriel (simple, complexe ou dynamique). Elles présentent une grande capacité d’apprentissage même avec un ensemble restreint de données. Parmi ces méthodes, on peut citer les réseaux neurones et la logique floue [Mahdaoui et Mouss, 2008].
5.1 Réseaux de Neurones
L'idée des réseaux de neurones vient originalement de la modélisation biologique du neurone [Mahdaoui et Mouss, 2008]. Ils utilisent des neurones formels basés sur une représentation mathématique. Ils montrent de grandes capacités à résoudre les problèmes de classification pour le diagnostic de systèmes complexes. Ils présentent une grande capacité d’apprentissage et de généralisation de leurs connaissances à des observations inconnues. En pratique, les réseaux de neurones peuvent être utilisés en tant que règle de décision dans un processus d’automatisation de l’opération du diagnostic.
Les réseaux de neurones sont structurés en plusieurs couches interconnectés (une couche d’entrée, une ou plusieurs couches cachées et une couche de sortie). La couche d’entrée correspond aux observations. Donc, le nombre de neurones de cette couche est égale au nombre de paramètres du vecteur forme. Les couches cachées comprennent les prototypes des classes. Le nombre de neurones de la couche de sortie correspond au nombre de classes connues. Un résultat de cette couche représente le degré d’appartenance d’une observation à une classe.
Chapitre 1 : Diagnostic par reconnaissance de formes
24
La figure 1.7 illustre un exemple d’un réseau de neurones de type RBF (Radial Basis
Function).
Fig. 1.7 : Structure du réseau de type RBF pour le diagnostic
L'équation générale d’un neurone est défini par :
7
]) = ∑
I ))])
) (1.15)
^
]) = 47
]))
(1.16) Sachant que :yi(t) : est l’état interne du neurone i ;
ui(t) : est l’état de sortie ou l’activation de sortie du neurone i ; wij : sont les poids d’interconnexions entre les neurones.
Pour chaque nouvelle observation présentée à l’entrée d’un réseau de neurones, les degrés d’appartenance de cette observation sont évalués par rapport aux différents prototypes des classes. Dans la phase d’exploitation, le réseau est capable de classer des nouvelles observations. Les observations non classées sont rejetées par ambiguïté.
Dans plusieurs applications de diagnostic industriel [Mahdaoui et Mouss, 2008], l’apprentissage peut être long, difficile et gourmand en temps de calcul. Par ailleurs, il doit être réalisé sur toutes les données à la fois, avec le risque que le réseau ne conserve pas les expériences précédentes. Il est nécessaire de posséder une variété de données qui reflètent toutes les conditions de fonctionnement et de dysfonctionnement du système étudié. Les réseaux de neurones ne fonctionneront pas forcément correctement hors l’espace de données
Couche d’entrée Couche de sortie Couche cachée W1ij W2ij Xn Xn1 Xni Xnd S1 Sk SK
Chapitre 1 : Diagnostic par reconnaissance de formes
25
d’apprentissage. Une fois entraîné, un réseau de neurone n’est pas flexible. Si de nouvelles données interviennent, il faut refaire un nouvel apprentissage.
5.2 La logique floue
La logique floue est l’une des techniques d’intelligence artificielle la plus connue. Elle a été proposée par Lotfi Zadeh en 1965. Elle est utilisée dans plusieurs domaines de recherche et d’application [Mahdaoui et Mouss, 2008], on peut citer : l'automatisme, la robotique, la gestion financière, la médecine, le diagnostic et bien d'autres.
Dans la logique classique, une variable, qui désigne l’appartenance ou non d’un élément à un ensemble, ne peut pas prendre que la valeur 0 ou 1. Cette logique ne traite pas les cas où on manipule des données vagues, imprécises, contradictoires ou dans le cas où les frontières entre les différentes classes sont mal définies. Par contre, dans la logique floue, les variables sont de type inexact et prennent des valeurs réelles entre 0 et 1.
Dans un système de diagnostic, on modélise les connaissances d’un expert sur le système étudié sous forme d’un ensemble de règles [Mouss, 2006]. Donc la construction d’un système de diagnostic flou se compose de deux phases : l'acquisition des données et la conception des règles. Les règles expriment la relation entre les symptômes et les causes. Elles permettent de localiser l’élément défaillant. En général, une règle possède la forme suivante :
SI condition ALORS conclusion
La condition comporte tous les symptômes observés par l’expert et la conclusion représente l’élément défaillant indiqué par l’expert. Alors, la classification des données par cette technique est réalisée par l’identification des propriétés communes qui caractérisent l’ensemble d’éléments de même classe. Le fonctionnement d’un système flou se décompose en Fuzzification, Inférence et Défuzzification [Mahdaoui et Mouss, 2008].
La phase de Fuzzification consiste à déterminer le degré d’appartenance de chaque observation à un état de fonctionnement ou dysfonctionnement. Cette phase est réalisée en utilisant des fonctions d’appartenances qui consistent de trois à sept états flous.
Les degrés d’appartenance permettent d’appliquer les règles floues. Donc, La logique floue propose des formalismes rigoureux permettant d'inférer le degré d’appartenance des variables de sortie.
La phase de Défuzzification permet de trouver à partir des données floues des données précises. Cette phase est réalisée soit par la sélection de grand degré d’appartenance, soit par
Chapitre 1 : Diagnostic par reconnaissance de formes
26
le calcul de la moyenne pondérée ou bien par la détermination de centre de gravité des valeurs obtenues.
La logique floue permet de donner une vision globale et plus complète sur l’état courante du système complexe en indiquant le degré d’appartenance. Elle aide par exemple l’expert à prendre des décisions pour prévenir un basculement vers un état de défaillance dans le cas où le système fonctionne normalement, mais présente un degré d’appartenance élevé à un état de défaillance. L’inconvénient majeur d’utiliser des règles floues est la génération d’un grand nombre d’erreurs. Donc pour mettre en place un système de diagnostic flou, il faut refaire la phase de test plusieurs fois pour réduire le taux d’erreurs [Meunier et al., 1996].