PRINCIPALES CONTRIBUTIONS

Le réseau RRFR se démarque des autres architectures de réseaux récurrents essentiellement par sa simplicité de paramétrage. Nous avons ainsi mis en évidence ces propriétés en le testant sur trois problématiques distinctes :

- reconnaissance de séquences temporelles

Nous avons montré la simplicité avec laquelle le réseau RRFR est capable d’apprendre plusieurs séquences booléennes simples. Sa capacité de généralisation locale lui permet de reconnaître des séquences proches de celles apprises et de détecter des séquences inconnues. Ce type d’application est très utile pour la surveillance d’un système à événements discrets. Le réseau apprend à reconnaître des séquences de bon fonctionnement et à détecter des séquences de dysfonctionnement connues. En surveillance de paramètres réels, l’apprentissage de séquences temporelles peut servir à la détection précoce d’un palier de dégradation et à éliminer les pics de fausse alarme.

- prédiction temporelle

En ce qui concerne la prédiction temporelle, nous avons choisi la série temporelle chaotique

Mackey-Glass et la prédiction de la sortie en concentration de CO2 d’un four à gaz. Nous

avons amélioré les performances de prédiction du réseau RRFR grâce à une version évoluée de l’algorithme d’apprentissage des k-moyennes. En exploitant la technique Fuzzy Min-Max pour l’initialisation de l’algorithme des k-moyennes, nous pouvons garantir une meilleure stabilité du résultat avec une erreur de prédiction proche du minimum global. Cette initialisation permet également à l’algorithme de converger vers un nombre des centres k garantissant une bonne généralisation en évitant les deux zones de sous-apprentissage et de sur-apprentissage. L’apprentissage du RRFR est ainsi moins dépendant de la phase de paramétrage de l’algorithme d’apprentissage.

- reproduction de séquences temporelles

Grâce à la mémoire dynamique du RRFR, l’apprentissage d’une séquence temporelle n’est autre qu’un problème d’interpolation linéaire. Une fois les paramètres des gaussiennes déterminés, les poids de sortie du réseau RRFR sont calculés de telle sorte à résoudre le problème d’interpolation dont le vecteur d’entrée représente l’évolution de la mémoire dynamique, et la sortie représente la séquence temporelle à reproduire. La seule condition est que la séquence temporelle ne soit pas plus longue que la longueur de la mémoire

Chapitre 5 – Evaluation des Performances et Exploitation Industrielle des RRFR page 155

dynamique du réseau RRFR. L’apprentissage d’une séquence temporelle en utilisant les algorithmes des réseaux globalement récurrents est extrêmement lourd en temps de convergence et en ressources informatique, alors qu’avec le RRFR le calcul des poids de sortie s’effectue par simple inversion matricielle.

Une étude comparative du RRFR par rapport aux structures neuronales dynamiques les

plus appropriés pour la surveillance dynamique (R2BF et DGNN) a mis en évidence la

supériorité de l’outil proposé, dans tous les secteurs d’application liés à ce domaine.

Enfin, du point de vue de l’exploitation industrielle du concept, un des objectifs de notre travail étant de développer un outil neuronal dynamique, facilement paramétrable via la couche de communication TCP/IP pour des applications de surveillance industrielle temps réel, nous avons alors décomposé le réseau RRFR en fonctions élémentaires. Le réseau RRFR est chargé dans un Automate Programmable Industriel (API) et assure une surveillance temps réel. La partie apprentissage et visualisation des variables de surveillance est entièrement gérée à distance grâce au coupleur serveur Web de l’automate. Un expert distant (à l’intérieur ou à l’extérieur de l’entreprise) peut ainsi suivre l’évolution de l’équipement à surveiller et également paramétrer le réseau RRFR à distance. Cette solution profite du traitement temps réel avec la fiabilité du fonctionnement des architectures à automates industriels. L’application de ce concept ouvre des perspectives nouvelles, très intéressantes pour l’externalisation de la maintenance. En effet, beaucoup d’entreprises optent pour ce genre de solution qui leur permet à la fois de mieux maîtriser leur budget maintenance, mais surtout de se recentrer sur leur véritable métier de production.

Une des retombées de ce travail a été marquée par l’exploitation industrielle en collaboration avec la société Avensy Ingénierie, qui a menée au dépôt d’un brevet

d’invention⁵².

5.5.2 PERSPECTIVES

a) PERSPECTIVES SCIENTIFIQUES

Malgré les résultats grandement surprenants et prometteurs obtenus par les réseaux de neurones artificiels, ces derniers restent tout de même assez loin d’égaler les capacités sensorielles et surtout de raisonnement d’un expert humain. Nous avons vu que les réseaux de neurones en général, et le RRFR en particulier sont très efficaces dans la détection d’une défaillance, détection d’une dégradation (palier de dégradation), modélisation et prédiction d’une évolution temporelle d’un signal non linéaire ; par contre, la fonction de diagnostic est à notre avis une tâche très complexe, et ne peut être qu’en partie résolue par la technique de reconnaissance des formes. La raison principale est que l’expert humain dans sa mission de tenter de diagnostiquer la cause d’une défaillance de toute une machine ou d’un sous ensemble de cette machine, fait souvent appel à d’autres informations que les valeurs quantitatives (les données capteurs).

La question qu’on peut se poser et qui peut ouvrir deux perspectives complètement antagonistes est de savoir est-ce que l’on veut à tout prix remplacer l’expert humain afin

d’automatiser à 100% cette tâche de diagnostic ?

52Brevet intitulé : « Système de surveillance temps-réel basé sur les réseaux de neurones dynamiques, accessible à

distance par un serveur web » , auteurs : D. Racoceanu, R. Zemouri, N. Zerhouni, R. Labourier, dépositaires du brevet : ENSMM (50%) et Avensy (50%), date de dépôt du brevet : 30 septembre 2002, numéro d’enregistrement : 021 2205. Le brevet est actuellement en cours de réactualisation.

page 156

Dans l’affirmatif, les recherches s’orienteront dans ce cas plutôt vers les neurosciences et le développement propre des réseaux de neurones artificiels afin de développer des architectures neuronales qui tendent à se rapprocher davantage vers les réseaux de neurones biologiques.

Par contre la deuxième option, qui nous semble la plus intéressante, est de savoir comment faire pour extraire le bon vecteur caractéristique associé à une cause bien précise. Comment fait l’expert humain pour rassembler toutes les informations lui permettant de prendre sa décision ? Nous pensons que des systèmes hybrides de type Neuro-Flous

Temporels (association des techniques de la logique floue avec les techniques neuronales

temporelles) peuvent offrir une piste intéressante, permettant l’extraction et l’exploitation des connaissances supplémentaires empiriques de l’expert humain.

b) PERSPECTIVES D’EXPLOITATION INDUSTRIELLE

Plusieurs perspectives restent à entreprendre concernant l’exploitation industrielle. La première est de tester les capacités dynamiques du réseau RRFR chargé dans l’automate. En effet, les capacités du réseau RRFR à détecter un palier de dégradation, un pic de fausse alarme ainsi que ses capacités de prédiction n’ont pas été testées sur le prototype de l’automate programmable bien qu’elles soient validées par la simulation. Le problème récurrent à tout test d’un système de détection et de diagnostic de défaillances réside justement dans l’existence de ces défaillances. L’idée de provoquer une défaillance réelle ne serait évidemment pas envisageable de peur de détruire l’équipement. Le plus judicieux serait donc de concevoir un simulateur de pannes. On pourrait ainsi perturber les variables de surveillance, en générant une situation similaire à une défaillance réelle. Par ailleurs, toute une combinaison de défaillances et de dégradations peut être générée pour tester le réseau RRFR.

La seconde démarche est bien évidemment d’adapter l’interface homme machine en concordance avec le type d’équipement industriel à surveiller. En effet, l’interface actuelle présente un caractère générique qui nous a servi pour effectuer la validation des fonctions de communication de base et de la structure neuronale. Cette adaptation fait partie de la suite du projet de collaboration entre le LAB et la société AVENSY.

. . .

Chapitre 6 - Surveillance dynamique par