Vers les systèmes prédictifs issus de l'intelligence articielle

II.2.1 Une typologie des systèmes de prédiction

La prédiction (Forecasting en anglais) est le processus d'estimation de situations in- connues dans le futur. Les domaines d'application sont donc larges : inondations se produisant sur une période donnée, planication de la demande dans les entreprises manufacturières, prévision météorologique, prédiction dans le monde nancière, etc. La prédiction joue un rôle essentiel pour prendre une décision, que cela concerne la sécurité ou bien le capital de l'entreprise. Traditionnellement, la prédiction est l'estimation d'une valeur dans l'avenir par l'analyse des données du passé, ou de manière plus informelle, par expertise. Deux familles de méthodes [Fre01] existent pour réaliser la tâche de prédiction (gure II.1) :

1. qualitative : ce type de technique utilise l'expérience et le jugement pour établir les comportements futurs.

2. quantitative : ce type de technique utilise des données historiques pour établir des relations et des tendances qui peuvent être projetées dans l'avenir.

Pour sélectionner la bonne méthode, il est obligatoire de tenir compte du contexte au- quel est appliqué l'outil de prédiction. Les sections suivantes portent sur les critères permettant de choisir un système prédictif, à savoir les contraintes industrielles et la performance d'un modèle prédictif.

II.2 Vers les systèmes prédictifs issus de l'intelligence articielle 35

Qualitative

Technique de prédiction (Forecasting)

Basée sur des Séries Temporelles Quantitative Basée sur un Modèle Outils de Statistique Outils d’Intelligence Artificielle

Fig. II.1  Techniques de prédiction

II.2.2 Critères de choix d'un système prédictif orienté données

II.2.2.1 Contraintes industrielles

L'évolution de la technologie et son incorporation dans les équipements industriels a complexié ces derniers. L'objectif est de rendre les équipements performants et ables. Ces équipements sont devenus de plus en plus complexes, et ils évoluent dans un contexte environnemental dynamique et non-linéaire. Qui plus est, les opérateurs ont des dicul- tés à en comprendre le fonctionnement et à les piloter. En eet ce contexte complexe et évolutif complique la tâche de prédiction. Toutefois, dans le monde industriel, la chaîne d'acquisition des données est généralement opérationnelle et permet de mesurer dié- rentes grandeurs avec précision, ainsi que de collecter et de distribuer un grand volume d'informations en temps réel. Au nal, le monde industriel présente les spécicités sui- vantes :

 équipements complexes,

 environnement dynamique/non-linéaire,  pas de connaissance du comportement,  beaucoup des données.

II.2.2.2 Caractéristiques souhaitables

Un point important pour choisir un outil de prédiction est la possibilité de l'intégrer à notre approche du pronostic, qui consiste d'abord, à détecter une anomalie surveillée par une grandeur physique ou un indice de dégradation et ensuite à en prédire l'évolution future. Il en découle certaines exigences quant au choix d'une technique de prédiction :

36 Chapitre II  application en temps réel : le système prédictif doit être utilisé et évoluer avec

l'équipement réel,

 exibilité : l'outil de prédiction doit pouvoir être adapté sur plusieurs applications et ne pas être limités à des conditions environnementales particulières. De plus, il faut que ce système de prédiction réagisse suivant les diérentes comportements du bien (non-linéaires, dynamique, non-stationnaire, etc.),

 interpretabilité : il faut que l'outil de prédiction garde un niveau minimum de trans- parence an qu'un expert puisse intervenir pour modier les paramètres,

 ouvert : un système ouvert est un système évolutif auquel on peut ajouter des para- mètres en cours d'exécution.

II.2.3 Choix d'une famille d'approches

Cette partie a pour objectif d'argumenter le choix d'un outil de prédiction sur la base des contraintes industrielles et des caractéristiques souhaitables identiées précédemment d'un part, et d'autre part, des limites de cette thèse (approche locale, par prédiction de la dégradation sans connaissance a priori). Revenant, sur les méthodes de prédiction (gure II.1), l'utilisation d'un approche qualitative ou basée sur un modèle (approche quantitative) n'est pas adapté : cela nécessiterait un raisonnement, ou une maîtrise du comportement de l'équipement observé, ce qui n'est pas toujours disponible dans le contexte industriel actuel. Les techniques basées sur les séries temporelles partent du constat suivant : les mesures (entrées/sorties) constituent souvent la plus forte et la plus sûre source d'information pour comprendre les phénomènes de dégradation. On distingue dans la littérature, les techniques statistiques et les techniques d'intelligence articielle (IA). La force de ce type de méthodes réside dans leur aptitude à apprendre (par les exemples) et à capturer les relations subtiles entre données, sachant que ces relations sont inconnues ou dicile à décrire.

Choix d'un outil de prédiction :

Pour choisir une technique adéquate (IA ou statistique1_{), le tableau de la gure II.2}

révèle les points forts et faibles conformément aux contraintes industrielles et aux carac- téristiques d'un système prédictif souhaitables. Le problème de choix se présente, dans notre cas comme une matrice où chaque colonne correspond à une des techniques de prédiction et chaque ligne à un critère. Au croisement des lignes et des colonnes, chaque case exprime l'adéquation de la technique aux critères à respecter. Le signe ++ pré- sente une bonne corrélation entre la technique et le critère, le signe +- présente une corrélation avec limites, et le signe  signie qu'aucune corrélation n'existe entre la technique et le critère.

1_{Les outils statistiques sont parmi les plus populaires pour prédire des séries chronologiques (Auto-}

Regressive (AR) , Auto-Regressive Moving Average (ARMA), Autoregressive Integrated Moving Average (ARIMA)),[PP05].