Ecole de printemps

Sûreté de Fonctionnement et Supervision des

Systèmes Industriels

19 21 Mars
19-21 M 2012

Diagnostic par l’approche statistique :

les tests d’hypothèses statistiques

Fayçal BEN HMIDA

Plan de la présentation

 Concepts de base et terminologies

 Tests statistiques d’hypothèses
 Position du problème
 Tests d’hypothèses binaires
 Test de Bayes

 Test minimax

 Test de Neyman-Pearson

 Test de bayes à seuil adaptatif

 Tests d’hypothèses
yp composites
p
 Tests séquentiels d’hypothèses
 Détection de changement de fonctionnement en ligne
 Application

1
 Concepts de base
&
T
Terminologies
i l i

Notions de défaut, défaillance et panne

 Défaillance (failure) «Altération ou cessation de l’aptitude d’un ensemble à
accomplir sa ou ses fonctions requises avec les performances définies dans les
spécifications techniques ». (Norme AFNOR X60 500).
 Panne (breakdown)
P (b kd ) « état
é d’
d’un bi inapte
bien i à accomplir
li une fonction
f i
requise »
 Défaut (fault) « tout écart entre la caractéristique observée sur le dispositif et
la caractéristique de référence lorsque celui-ci est en dehors des spécifications»
 Mécanisme de défaillance (Définition CEN) : « processus physique,
chimique ou autres qui conduisent ou ont conduit à une défaillance.»
 Symptôme : caractère distinctif d’un
d un état fonctionnel anormal
anormal.
 Anomalie : Particularité non conforme à une référence
comportementale ou fonctionnelle. Exemples : les défauts, les
défaillances ou les pannes.

2
 Diagnostic (Diagnosis)
 Le diagnostic consiste à résoudre le problème inverse de la relation de
la cause à l’effet connaissant principalement l’effet par ses symptômes
observables.

Espace des causes Espace des symptômes

D’après G. Zwingelstein « Diagnostic des défaillances : théorie et pratique pour les systèmes industriels », Hermès 1995.

Diagnostic

 Définition du diagnostic selon les normes CEI et AFNOR :

« Le diagnostic est l’identification de la cause probable de la (ou des)
défaillance(s)
f ( ) à l’aide d’un raisonnement logique gq ffondé sur un
ensemble d’informations provenant d’une inspection, d’un contrôle
ou d’un test. »
Observer les symptômes

Interpréter les symptômes :

Détecter la défaillance

Identifier l’origine de la défaillance

Localiser et Diagnostiquer

3
 Surveillance vs Diagnostic
 Surveillance (Monitoring) : Signalisation en temps réel de l’état de
santé du système, c’est-à-dire de déterminer en permanence selon
quel mode le système fonctionne (normale, dégradé ou défaillant) à
partir des informations disponibles.
disponibles
D’après V. Cocquempot (école de printemps mars 2010 en Tunisie)

 Surveillance en ligne (on-line monitoring) :

 Détection et localisation des défauts (FDI : Fault Detection and
Isolation)
 Identification de la nature des défauts détectés
 Diagnostic : inclus la surveillance en cherchant à remonter à
la cause première. Peut être fait en-ligne ou hors ligne.
 Diagnostic : (en + de la surveillance) interpréter l’état réel:
Normal ? Anormal ? Pourquoi le système est il dans cet état
(causes)? …
7

Diagnostic Passif et Actif

D’après V. Cocquempot (école de printemps mars 2010 en Tunisie)
 Diagnostic passif
 On utilise les sollicitations (
(commandes)) p
prévues p
pour
l’exploitation normale du système.

 Diagnostic actif
 On agit volontairement –on choisit les sollicitations -sur le

système pour mettre en évidence certains symptômes

 Hors-ligne
g : démarche de tests de l’opérateur
p de
maintenance
 En-ligne : commande particulière appliquée
temporairement, différente de la commande «normale »et
permettant de sensibiliser les indicateurs à certains
défauts.
8

4
 Classification des défauts
 Classification en fonction de son apparition : Dépendance avec le
temps
 Défaut franc (abrupt fault) : apparait instantanément (stepwise)
f

t
 Défaut naissant ou déviant ou lent (incipient fault) : apparait
progressivement (drift-like)
f

 Défaut intermittent (intermittent fault) : apparaît et disparaît

successivement (with interrupts)
f

t
9

Défaut additif et Défaut multiplicatif

D’après Isermann (2006)

Défaut additif (additive fault)

Défaut multiplicatif (multiplicative fault)

10

5
 Modélisation des défauts
D’après Chen and Patton (1999)

Défauts actionneurs Défauts composants du système Défauts capteurs

11

Architecture du diagnostic à base de modèles

D’après P. M. Frank, 1990
Défauts
Bruit de
Erreurs de modélisation mesure

Bruit du système

u y
actionneurs Composants Capteurs
du système

Informations sur
résidu Les défauts
Génération des Prise de
résidus décision

12

6
 Génération des résidus
 L’objectif est de générer des signaux indicateurs de défauts (résidus)
à partir des informations (entrées et sorties) disponibles sur le
système. En général, ces signaux doivent être :
 Statistiquement nul en fonctionnement normal,
normal
 Non nul en présence de défauts.

 De plus, ces résidus doivent être :

 testables en temps réel,

 robustes vis-à-vis des bruits de mesures, des perturbations et des

incertitudes de modélisation.
 Techniques de génération des résidus :
 Observateurs d’état (Observateur d’ordre plein ou réduit, UIO, filtre
détecteurs, filtre de Kalman, …),
 Espace de parité,
 Identification paramétrique.

13

Techniques de prise de décision

 La prise de décision consiste à traiter les données issues d’une phase
de perception après filtrage, pour prendre une décision reflétant l’état
de fonctionnement du système.
 Le type de traitement de données qu qu’on
on peut rencontrer peut être
effectué dans les différents domaines :
 temporel (logique à seuil, …)
 fréquentiel (transformé de Fourrier, analyse spectrale,…)
 ou statistique (corrélation, tests d’hypothèses,…)
 On se limite ici aux techniques de décision statistiques. Elles se
ramènent généralement à des tests d’hypothèses sur des indicateurs
de défauts issus de la phase de perception.
perception Ces indicateurs sont
considérés comme des signaux aléatoires soumis à des aléas provenant
de l’observation (capteurs), et des perturbations auxquelles le système
est sujet. Le problème est alors de savoir si le vecteur résidu appartient
à l’une ou l’autre des hypothèses de fonctionnement émises.

14

7
 Décision statistique

Tests statistiques
d’hypothèses

Position du problème (d ‘après I. Nikiforov)

 On considère un système dynamique (statique) stochastique à temps
discret :
Y  k    X  k  ,   k  ,   k  , k 

Y  k  : vecteur des mesures

X  k  : vecteur d'état inconnu
  k  : une suite aléatoire à moyenne nulle (bruit blanc)
  k  : vecteur paramétrique du modèle

 Selon que le système est en état de fonctionnement normale ou en

présence d’une p
p panne ((de capteur
p ou dégradation
g d’un sous-système)
y )
se produit à un instant inconnu k0, alors le vecteur paramétrique

  si k  k0 fonctionnement normale
 k    0
l si k  k0 et l  1,..., M  1 en panne

16

8
 Notions de base

 On appelle échantillon de taille n l’ensemble de vecteurs observés :

Y n =(Y(1), ( ),  , Y((n))    r x  n
( ( ), Y(2),

 L’approche statistique repose sur un ensemble d’observations issu

d’une distribution de probabilité P.

 Soit P0, P1, …, PM-1 : M distributions de probabilités données qui

caractérisent les différents modes de fonctionnement du système à
surveiller.
ill

 On suppose que l’échantillon Yn est issu de l’une des distributions P0,

P1, …, PM-1 .

17

Test statistique (d’après I. Nikiforov 2001 )

 Définition 1: On appelle test statistique (règle de décision) de choix
entre M hypothèses H0, H1, …, HM-1 une application surjective de
l’espace des échantillons sur l’ensemble des hypothèses envisagées

g :    H 0 , H1 ,  , H M 1

 Le principe des tests statistiques consiste tout d’abord à définir M

hypothèses entre lesquelles on va décider.
 On construit un test g en utilisant la connaissance des distributions P0,
P1, …, PM-1 et en s’appuyant sur un critère d’optimalité.
 Définition 2 : On appelle probabilité d’erreur de jième espèce du test 
la probabilité de rejeter l’hypothèse Hj lorsque l’hypothèse Hj est vraie.

 j  Prj  g Y 1 ,Y  2  , ,Y  n    H j 
avec j  0 ,1, 2, , M  1

18

9
 Construction d’un test d’hypothèses

Critère Construction P0, P1, …, PM

M-11
d’optimalité
d’ ti lité du test

test g

Espace
d’échantillon {H0, H1, …, HM-1}


D’après I. Nikiforov 2001

19

La détection et ses performances

(d’après Brunet 1990)

 Dans la détection de changement de fonctionnement, à

partir des observations effectuées sur le système et des
probabilités conditionnelles aux hypothèses de
fonctionnement il ss’agit
fonctionnement, agit de déterminer si sur ll’horizon
horizon
d’observation, il y a eu apparition d’un changement et si
c’est le cas, l’instant d’apparition de ce changement.
 Critères de performances :
 Réduire le retard à la détection : c-à-d le temps qui
s’écoule entre l’apparition de la défaillance et sa
dé
détection.
i
 Améliorer la sûreté de la détection : c-à-d de réduire le
risque d’avoir une fausse décision.

20

10
 Cas de deux hypothèses

Test d’hypothèses binaires

Position d’un problème simple

 On considère une séquence de v.a. indépendante {yk}k issue d’une
distribution P(y) qui dépend d’un seul paramètre scalaire .
Instant de changement inconnu
temps

0 k0

 Ce problème se ramène à décider entre deux hypothèses

H 0 :   0

H 1 :   1

 L’objectif est de détecter ce changement de fonctionnement le plus

rapidement possible et avec le minimum de risque d’erreurs.

22

11
 Régions de décision pour le cas à deux
hypothèses

H0 P[Y/H0]
E0

Source E1
E0

H1 P[Y/H1]

D’après G. Zwingelstein 1995

 Les tests statistiques de décision considèrent que les lois de

transformations entre les sources H0 et H1 et les observations
mesurées Y sont des lois conditionnelles de densité de probabilité
P[Y/H0] et P[Y/H1].

23

Test d’hypothèses binaires

p  yk / H0  p  yk / H1 


E0  y : y    
E1  y : y   
24

12
 Les risques de premier et second espèces

 La probabilité de fausse alarme : la probabilité de

détecter un changement de fonctionnement alors qu’il
n’en
n en est rien.
rien On comprend aisément les préjudices
engendrés par ce type d’erreurs : arrêts ou reconfiguration
du système en pure perte.

 La probabilité de non-détection : la probabilité

d’omettre
d omettre un défaut qui peut ultérieurement entraîner une
panne. De nouveau, il est possible d’imaginer l’ampleur
des conséquences d’une telle erreur, notamment sur des
systèmes à haut niveau de sécurité (aéronautique,
nucléaire, etc.).
25

Différentes Décisions

H1 est vraie H0 est vraie

D00 : Décision correcte D01 : Erreur de 1er espèce

H0 rejetée
H1 acceptée PD   p y / H 1 dy PF   p y / H 
E1
0
dy
E1

D10 : Erreur de 2ème D11 : Décision correcte

espèce
p
H0 acceptée
té
H1 rejetée PND   p y / H 
E0
1
dy 1  PND

26

13
 Fonction de décision
 Pour une observation {yj, …, yk}, on définie le logarithme du rapport
de vraisemblance (logarithm of the likelihood ratio)

k
P y 
k
S   ln  1
 i

 
j
ij  P yi 
 0   
 Cas d’une distribution Gaussienne et pour une observation fixe de
taille N
yi  N  ,  2 

1   y   2 
P  y   exp   
 2  2  2 

N  P  yi   1   0 N
12   02
S1N   ln  1   yi  N
 P  yi   2 2 2
i 1  0  i 1

27

Test d’hypothèse binaires

 Règle de décision (decision rule ):
 Pour une observation fixe de taille N : {y1, …, yN},

0 si S1N   : H 0 choisie

d
 1 si S1N   : H 1 choisie

 Régle d’arrêt (stopping rule)


ta  min kr : dkr  1 
 dkr est la règle de décision pour le nombre kr de l’échantillon
 ta est l’instant d’alarme.

28

14
 Détermination du seuil de détection

 Test de Bayes

 Test minimax

 Test de Neyman
Neyman-Pearson
Pearson

29

Test de Bayes

Thomas BAYES (1702 – 1761) peut être vu comme le

premier à avoir quitté la théorie des probabilités pour
introduire la notion d’inférence statistique. On peut
voir le théorème et la formule qui portent son nom la
naissance de l’induction formalisé.

15
 Test statistique de Bayes
 Les tests d’hypothèse de Bayes considèrent que le nombre
d’hypothèses et leurs probabilités a priori sont connus.
 On suppose que l’on connaît les coûts Cij associés au décisions Dij et les
probabilités a priori Pi associés aux hypothèses Hi.
 Le critère de Bayes affecte à chaque alternative (décision) Dij du test un
coût Cij.
 Dans le cas binaire, on a :
 C00 : le coût associé à la décision correcte D00
 C01 : le coût associé à la décision incorrecte D01
 C10 : le coût associé à la décision incorrecte D10
 C11 : le
l coût
ût associé
ié à la
l décision
dé i i correctet D11
 Une décision correcte étant moins pénalisante qu’une décision
incorrecte :
 C10 > C00
 C01 > C11

31

Critère d’optimalité de Bayes

 Le test binaire de Bayes optimise les frontières des sous-espace E0 et E1
en minimisant une fonction de coût  moyen défini par :
  C00 P  H 0 choisie et H 0 vraie   C10 P  H1choisie et H 0 vraie 
 C11 P  H1choisie et H1 vraie   C01 P  H 0 choisie et H1 vraie 

 Le test de Bayes suppose également que les probabilités a priori de H0

et H1 sont connues et telles que :

 P0  P  H 0 
 avec P0  P1  1
 P1  P  H1 
 Donc, la fonction globale de coût devient :

  P0 C10  P1 C11    P1  C01  C11  P Y /H1   P0  C10  C00  P Y /H 0  dY

E0

32

16
 Test statistique de Bayes
 Pour déterminer E0 qui minimise le critère , il suffit d’affecter à E0 les
points tels que la quantité sous le signe somme est négative et donc à
E1 les points tels que cette expression est positive.
H1

P1  C01  C11  P Y /H1  P0  C10  C00  P Y /H 0 

H0

 En général la règle de Bayes s’écrit sous la forme :

H1
P Y /H 2   P0  C10  C00 
 Y   
P Y /H1   P1  C01  C11 
H0

H1

ln   Y  ln  

H0

33

Test statistique de Bayes

 Si les coûts attachés aux décisions correctes sont nuls :
C00 = C11 = 0
 Et ceux attachés aux décisions incorrectes sont égaux :
C10 = C01
 Le test de Bayes revient simplement à comparer les probabilités de
réalisation des hypothèses étant donné les observations :
H1
P Y /H1   P0
 Y   
P Y /H 0   P1
H0

 Dans ce cas, on remarque que le paramètre  (seuil) ne dépend que des

lois a priori P0 et P1.

34

17
 Cas Gaussien :
Détection d’un changement de moyenne connu

 Dans le cas où l’on utilise n mesures yk considérées statistiquement

indépendantes : Y n   y1 , y2 ,  , yn 


0 0 
 H   0 :les mesurent suivent N (0, ( , 2 )
 
H 1 1    0 : les mesurent suivent N (, )
2

 Le rapport de vraisemblance se calcul par :

n
1   yk    2 

P Y n / H1  k 1  2 
exp 
2 2 



 Y  
n

P Y n / H 0  n
1  y2 

k 1  2
exp   k 2 
 2 
 On déduit aisément que le test permettant de choisir entre les deux
hypothèses se formule :
H1
n
 2 n
y
k 1
k
 
Log   
2

H2

35

Détection d’un saut de moyenne connu

4

2
y (k )

-22 H : y~N( =0,=1)

=0 =1) N( =1,=1)
H : yy~N( 1, 1)
0 1

-4
0 10 20 30 40 50 60 70 80 90 100

80

60
Test

40
temps
20 d'alarme
k0
0
0 10 20 30 40 50 60 70 80 90 100

1
P0=0.7
D ‫י‬c is io n

=2.33
0.5
=50.84 H H
0 1
0

0 10 20 30 40 50 60 70 80 90 100
Temps
36

18
 Cas Gaussien : détection de saut de variance connu

 On considère le cas où les hypothèses H1 et H2 sont caractérisées par

des signaux gaussiens conservant la même moyenne mais dont les
variances sont différentes :
 H 0  0   1 : les mesures suivent la loi N  0 ,  1 
2


 H1 1   1  : les mesures suivent la loi N  0,  2 
2

 Le rapport de vraisemblance s’écrit sous la forme :

n
1  yk 2 
P  Y n / H1     2 2 
exp
k 1  2 2  2 
 Y  
n
 n
P Y n / H 0  1  yk 2 
k 1  1 2 
exp   2
 2 1 

37

Application du test Bayésien à la détection d’une

variance inconnue

 Le calcul du logarithme du rapport de vraisemblance conduit alors à

une expression :

H1
1 1 1  n 2   
2  k
  y  n Log  1  Log  
2   1  2  k 1
2
2  
H0

 Le test de Bayes peut s’écrire sous la forme suivante :

H1
n
 2  12  22    
y 2

 2  1 2 
Log    n Log  1    
 2 
k 2
k 1
H0

38

19
 Détection d’un saut de variance connu

4
H0 :  0=1 H1 :  1=2
2
y (k )

-2

-4
0 10 20 30 40 50 60 70 80 90 100

300

200
Test

100  = 187.1

0
0 10 20 30 40 50 60 70 80 90 100
Retard à la détection

1
P0=0.7
D é c is io n

0.5  =2.33 H0 H1

0 10 20 30 40 50 60 70 80 90 100
Temps

39

Courbes COR
 Les tests Bayésien sont d’un usage simple si les lois de densité de
probabilité des mesures correspondent à des lois gaussiennes mais les
calculs se compliquent de façon très sensible pour d’autres lois.
 Pour caractériser les performances de la décision,
décision il est souvent
intéressant de tracer, en fonction des différents paramètres qui
peuvent influencer les décisions, les courbes COR dites
«Caractéristique Opérationnelle du Récepteur » (ROC : Receiver
Operating Characteristic).
 Pour une valeur du paramètre considéré, on trace le point dans le plan
(PF, PD).
 Ce paramètre peut être la valeur :
 De la probabilité a priori P0
 La variance 2
 La moyenne du bruit
 Le quotient /

40

20
Courbes COR en fonction de /

 Le réseau des courbes COR

passe obligatoirement par :
 Le point
L i t (PF=1,P
1 PD=1)
1)
quand  tend vers
l’infini ;
 Et par le point
(PF=0,PD=0) quand 
tend vers 0.

dPD  

dPF  

41

Test du minimax

21
 Test du Minimax

 Les tests Bayésiens font l’hypothèse explicite que les probabilités a

priori des hypothèses sont connues.
 Sur le plan théorique cela ne pose pas de problème particulier mais par
contre pour un matériel industriel il est rare de disposer de données
fiables pour ces valeurs. Seul un retour d’expérience de qualité sur un
grand nombre de matériels identiques est capable de fournir des
informations crédibles.
 Pour cette raison, d’autres techniques ont été développées pour fixer
les zones de décision sans connaître les probabilités a priori tout en
minimisant la
l fonction
f d coût .
de
 Le test du Minimax, dans le cas binaire, consiste à sélectionner la
valeur de la probabilité a priori P1 qui maximise le risque tout en
minimisant la fonction de coût .

43

Test du Minimax
 Ce test suppose que les coûts Cij associés à chaque décision Dij sont
connus mais pas les probabilités a priori.
 Étant donné que P0 + P1 = 1
 O peut dé
On démontrer que lla ffonction
i d û  en fonction
de coût f i d de P1 :

  C00 1  PF   C10 PF  P1 C11  C00   C01  C11  PND   C10  C00  PF 

 Démonstration :
  C00 P0 P Y /H  dY  C
 0 10 P0 E1 P Y
/H 0  dY
E0
  
1  PF PF

 C11 P1 Y /H1  dY  C01 P1 E P Y /H1  dY

E1 P
  0

PD  1  PND PND

  P0 C00 1  PF   P0 C10 PF  P1 C11 1  PND   P1 C01 PND

  1  P1  C00 1  PF   1  P1  C10 PF  P1 C11 1  PND   P1 C01 PND
  C00 1  PF   C10 PF  P1 C11  C00   C01  C11  PND   C10  C00  PF 
44

22
 Test du Minimax

 L’expression de la fonction coût indique qu’elle est linéaire pour le

paramètre P1.
 Pour trouver la valeur optimale
p qui minimise 
P1* de P1 q : il suffit de
dériver  par rapport à P1 (c-à-d on choisit les seuils pour que le
critère soit indépendant de P1).
 Cette équation est appelée l’équation du minimax :

C11  C00   C01  C11  PND   C10  C00  PF  0

 Dans le cas très fréquent où C00 = C11 = 0, ll’équation

équation du minimax
devient :

C01 PND  C10 PF

45

Valeur optimale de P2 déduite

du test Minimax

P1

D’après la courbe du
critère coût  en
fonction de P1, la
valeur optimale P1*
du Minimax
C11
correspond au point
de la courbe  où la
tangente est
horizontale
horizontale.

C00 P1*

P1

46

23
 Détermination graphique du seuil

 En traçant dans le plan (PF, PD),

les droites définies par :

C01 1  PD   C10 PF
C10
PD  1  PF
C01

 On obtient aux points C10/C01=1

d’intersection avec les courbes
COR, la valeur du paramètre 
en prenant la l pente de
d lal C10/C01=2
2
tangente.

47

Test de Neyman-Pearson

Karl PEARSON (1857 – 1936) mathématicien anglais. Il

est devenu célèbre par sa contribution à la fondation
des statistiques modernes. Il développa en particulier le
calcul des corrélations. Ses autres centres d’intérêt
furent la politique et la littérature, et c’est lui qui créa
en 1901 la revue Biometrika.

24
 Test de Neyman-Pearson
 Le test de Neyman-Pearson ne fait aucune hypothèse sur les
probabilités a priori.
 Un bon test est tel que la probabilité à fausse alarme soit la plus faible
possible et la probabilité de détection la plus grande.
grande
 Ces deux objectifs sont contradictoires, le test de Neyman-Pearson
consiste à maximiser la probabilité de détection PD étant donné la
probabilité de fausse alarme PF = .
 Comme PD + PND = 1, maximiser la probabilité de détection PD est
équivalent à minimiser la probabilité de non détection PND avec la
contrainte PF = .
 Soit en utilisant les multiplicateurs de Lagrange :

  PND    PF   

49

Test de Neyman-Pearson
 Il vient :  
   P  / H 2  d     P  / H1  d   
 
E1  E1 
   1      P  / H1    P  / H 0  d
E0

 Le minimum du critère est obtenu en affectant à E0 c’est à dire H0 les

points tels que :
P  / H1    P  / H 0   0

 C’est à dire : H1
P  / H1  
    
P  / H 0  
H0

 Le paramètre  doit de plus vérifier la contrainte :

PF   P  / H 0  d  
E1

50

25
 Test d’hypothèses à seuil
adaptatif

Approche basée sur l’estimation

des probabilités a priori

Techniques d’estimation

 Méthode d’approximation stochastique

(SA : Stochastical Approximation)
 Méthode de réduction du biais
d’estimation (RBE : Reduction Biais
Estimation)
 Méthode des noyaux
y Gaussiens (GK :
Gaussian Kernel)

52

26
 Estimation des probabilités a priori par la
méthode d’approximation stochastique (S.A )

D’après Naim 94 et Moran 01

53

Estimation des probabilités a priori: la méthode

par réduction du biais d’estimation (R.B.E )
D’après Naim 94 et Moran 01

54

27
 Exemple

Probabilité a priori P0
1
SA
0.95 RBE

0.9

0.85

0.8

0.75

0.7

0.65

0.6
0 500 1000 1500 2000 2500 3000
Itérations

Algorithme Valeur moyenne de P0 Biais

SA 0.8914 0.1914
RBE 0.7074 0.0074
55

Estimation des probabilités a priori par la

méthode des noyaux gaussiens (GK )

56

28
Test de Bayes à seuil adaptatif vs à seuil fixe

57

58

29
 Tests d’hypothèses composites

Application à la détection d’un saut de

moyenne inconnu

Test d’hypothèse composite

 Les tests composites s’adressent au cas de figure où l’on ne

dispose pas d’information sur la nature des hypothèses.
 Dans les tests composites, chaque hypothèse est caractérisée
par un vecteur paramètres  de dimension q tel que :

  1 ,  2 , ..., q 
T

 Le vecteur paramètre peut être considéré :

 Comme un vecteur aléatoire dont on connaît les lois de

densité de probabilité ;
 Ou comme une grandeur déterministe inconnue.

60

30
 Régions de décision pour le test composite

Espace des Espace des

paramètres observations

 E0

Source H0 H1 E1
E0

61

Rapport de vraisemblance généralisé (GLR)

GLR : Generalised Likelihood Ratio
 Si  est une variable aléatoire de statistique inconnue p(/H0) et
p(/H1), il suffit, dans ces conditions, d’utiliser la formule de Bayes
 P  |  , H1  p  | H1 
    
 P  |  , H 0  p  | H 0 

Où  est l’espace des paramètres .
 Si  est une variable déterministe, la solution consiste à utiliser un test
sur le rapport de vraisemblance généralisé :

max P  | 1 , H1  H 1

 
g    2

max P  |  0 , H 0  
1 H 0

Où 1 prend toutes les valeurs de  telles que H1 est vrai et 0 toutes

les valeurs telles que H0 est vrai.
62

31
 Application à la détection d’un saut de moyenne
inconnu

 On considère le cas où les hypothèse H0 et H1 sont caractérisées par des

signaux gaussiens conservant la même variance mais dont la moyenne
pour l’hypothèse de panne est une variable déterministe inconnue :
 H 0 : les mesures suivent la loi N  0 ,  2 

 H1 : les mesures suivent la loi N   ,  
2

 Le rapport de vraisemblance généralisé s’écrit sous la forme :

  N  y   2  
max exp    k 2  
max P Y / H1  n
  k 1 2 
g Y n        
P Y n / H 0   N yk 2 
exp    2 
 k 1 2 

63

Application à la détection d’une moyenne inconnue

 La maximum du numérateur est obtenu pour :

N

yk

 k 1
N
 Le test du rapport de vraisemblance généralisé devient :
H 1

  
Log g Y N

1  N 2
 yk
2 N  2  k 1 


Log  
H 0

 Soit encore :
N H
 yk 
1

k 1
  2  2 Log  
N 
H 0

64

32
 Tests séquentiels
d’hypothèses

Analyse séquentielle

 Dans les tests d’hypothèses globaux la taille de l’échantillon

est fixée a priori.
 Par contre les tests séquentiels
q traitent de façon
ç séquentielle
q
les données et ne requièrent pas des séquences fixes
d’échantillon dont le nombre est fixé à l’avance. Ces tests
s’arrêtent dès que le nombre d’échantillons est suffisant pour
prendre une décision sans ambiguïté.
 Wald en 1947 a développé un test séquentiel du rapport de
vraisemblance (SPRT : Sequential Probability Ratio Test) qui
permet de minimiser la taille moyenne d’échantillon (le
nombre moyen d’observations) nécessaire pour accepter l’une
des hypothèses envisagées avec les probabilités d’erreur
données.

66

33
 Position du problème
 Les algorithmes de détection/localisation de défaillance doivent
calculer un couple (N,V) sur la base des observations y(1), y(2), …,y(N)
où N est l’instant de détection/localisation de la défaillance et la
valeur V, de 1 à k
k-1,
1, représente la décision finale.
finale
signature
Détecteur

A
(N, V) A

k
k
k
0 k N
0

 Définition 1: on appelle instant d’arrêt N  1 une v.a. à valeurs

entières, markovienne par rapport à la suite y1, y2, …, c’est à dire {N =
m} dépend seulement des observations y1,y2, …, ym.
 Définition 2: on appelle test séquentiel de H0 contre H1 un couple
(N,V), où N est l’instant d’arrêt et V est la décision finale.
67

Test séquentiel de Wald

SPRT : Sequential
Probability Ratio Test

34
 Test séquentiel de Wald

P(Y/H0) P(Y/H1)

PND
PF
Y

H0 retenue H1 retenue

 Dans le test séquentiel d’hypothèses, il faut à tout instant k définir

deux seuils S1(k) et S2(k),
(k) et suivant la valeur du rapport de
vraisemblance par rapport à ces seuils prendre les décisions suivantes

 k  S1  k  : on choisit l'hypothèse H1

S1  k   k  S2  k  : on fait une observation supplémentaire

 S2  k   k : on choisit l'hypothèse H2
69

Test séquentiel à hypothèses binaires

 Wald a proposé de déterminer simplement ces seuils en les reliant aux
probabilité de fausse alarme PF et de non détection PND.
 Soit y1, y2, …, yk la séquence des observations, le rapport de
vraisemblance est donné par :
P  y1 , y2 ,...,yk | H2  k P yi | H2  k
k    i
P y1 , y2 ,...,yk | H1  i1 P yi | H1  i1

 Soit en prenant le logarithme :

k
Log  k   Log  i 
i 1

 Si les probabilités d’erreur PF et PND sont imposés, on en déduit les

seuils :
P 1  PND
S1  ND et S2 
1  PF PF
70

35
 Test séquentiel du rapport de vraisemblance
Test séquentiel Décisions
Rapport de
vraisemblance

 < S1 Hypothèse H
1
k

Signature
k 

P Y k | H2 S1  S2 Indécision
P Y | H1 
< k <
k

S2 <  Hypothèse H
k 2

PF 1  PND
S1  ; S2 
1  PND PF

P P
F ND

71

Application à la détection d’un biais positif

 On considère un signal distribué selon une loi normale de variance
connue 2 et de moyenne nulle en fonctionnement normal. On désire
détecter dans ce signal des biais d’amplitude supérieure à /2.
 Recherche dd’un
un biais positif :
 H1 : y est de moyenne nulle
 H2 : y est de moyenne  avec  > 0
 Le rapport de vraisemblance après k observations s’écrit :

 2  k 
 k  exp  k  y i 
2  2 i1 

 Le test SPRT s’écrit :

2 k H k H
2 k
Log  S1   y i Log  S2  
1 2

 
 2 i 1  2

72

36
 Application à la détection d’un biais positif
k
 yi
i 1

Pente /2

2
Log  S2 


2
Log  S1 k


73

Recherche d’un biais négatif

 H1 : y est de moyenne nulle

 H2 : y est de moyenne -

 Le rapport de vraisemblance après k observations s’écrit :

 2  k 
 k  exp  k  y i 
 2  2 i1 

 Le test SPRT s’écrit :

2 k H k H
2 k
Log  S1    y i  Log  S2  
1 2

 2 i 1  2

74

37
 Recherche d’un biais de signe quelconque
 Lorsqu’on recherche un biais de signe inconnu, on peut appliquer
successivement les deux tests précédents, c’est-à-dire rechercher s’il y
a un biais positif ou un biais négatif.
 Ces deux tests peuvent se ramener à un seul :

2 k H k H
2 k
Log  S1   y i  Log  S2  
1 2


 2 i 1  2

 Ce test nécessite un certain nombre d’observations avant de pouvoir

se prononcer pour un fonctionnement sans panne ; il faut avoir, en
effet :
k 2
Log  S1   0
2 2
2 2
soit k   Log  S1   k0
2

75

Recherche d’un biais de signe quelconque

k
y k
i 1

2
Log  S2 


2
Log  S1 


76

38
 Test séquentiel « SPRT » sur la variance

 On considère une v.a. y distribuée selon une loi normale de

moyenne connue 0.
 H1 : y est de variance 1
2

 H2 : y est de variance 2
2

 Le SPRT, s’écrit :

2 2
k   k  
g  S1   Logg  2  H
Log Logg  S2   Logg  2 
 1    1 
2 k H 2
 yi   
1 2
2

1 1 1 i 1 1 1 1
 2  2  2  2
2  1  2  2  1  2 

77

SPRT sur la variance

k
  yi   0 
2

i 1

Seuil S = A
Seuil S1 = B
2

78

39
 Test sur la variance
 Cherchons au-delà de quel écart type ce test nous entraînera vers le
seuil positif.
 Une estimation de la variance est donnée par :
k
 yi  0 
2

 2  i1
k
 On ira vers le seuil de panne si :
   1 1 1
Log  1    2  2   2  0
  2  2   2 1 
2 2
   
Log  2  Log  2 
2   1    2  1 
1 2
1 1  1 
 2 
1  2
2 1  
 2
79

Test sur la variance

 En traçant la fonction :
  
 f 2
1  1 
2
 
Log  2 
  1  1 
2
 
1  1 
 2 
 Si on décide qu’il y a panne
lors d’une
d une augmentation de
bruit supérieure à 1.7 1, il
faudra considérer les
hypothèses suivantes :
 H1 : variance 12
 H2 : variance 4 12

80

40
Exemple d’application du test SPRT sur la variance

81

Détection d’un changement de

fonctionnement
en ligne

41
 Position du problème (I. Nikiforov 2001)

 Dans le cas de deux hypothèses simples

 Soit (Yk)k≥1 une suite aléatoire indépendante observée
séquentiellement :

P si k  k0
Yk   0 , k0  1, 2,...
 P1 si k  k0
 L’instant k0 de rupture est inconnu.
 Le problème consiste à détecter la rupture dans le plus brefs délais.
 Les tests de détection doivent calculer l’instant N de détection de
rupture (instant d’arrêt).

83

Retard à la détection et fausse alarme

 Retard à la détection :

  N  k0  1 | N  k0
Temps

1 k N
0
Conditions normales Panne

 Fausse alarme :
 Si le test de décision s’arrête avant l’instant k0 (N < k0), il s’agit alors de
fausse alarme.

84

42
 Critère d’optimalité (I. Nikiforov 2001)
 Le critère d’optimalité doit favoriser la rapidité de détection avec peu
de fausses alarmes.
 En d’autres termes :
 Le t d  = N – k0 + 1,
L retard 1 avec N ≥ k0, devrait
d it êt
être stochastiquement
t h ti t ffaible
ibl
 et N | Y(1), …, Y(N) ~ P0 devrait être stochastiquement grand.
 La solution optimale est un compromis entre ces deux exigences
 Le retard moyen à la détection est donné par l’espérance
conditionnelle :

  Ek1 N  k0 1| N  k0 ,Y 1 ,...,Y  k0 1

0

 Dans de nombreux cas pratiques, il est utile de disposer d’un

algorithme qui soit indépendant de la distribution de l’instant k0 et de
la trajectoire de l’échantillon d’observations Y(1), …, Y(k0-1).

85

Test d’hypothèses sur un horizon glissant

 Un changement de fonctionnement d’un système se traduit par des
hypothèses différentes sur des intervalles de temps distincts.
 L’instant de commutation peut être déterminé en utilisant l’un des
tests d’hypothèses
d hypothèses présentés sur un horizon d’observation
d observation glissant ou
sur des horizons consécutifs.

86

43
 Test d’hypothèses sur un horizon glissant
 Si N est le nombre d’observations de l’horizon, à l’instant n, le test
portera sur des observations en-N, en-N+1, …, en-1, en
 La figure représente l’apparition d’un biais à l’instant 5 et des horizons
d’observations de longeur 4.
 Pour le 4ème horizon, on a l’hypothèse initiale pas de biais
 et pour le 8ème horizon la nouvelle hypothèse présence d’un biais
 Par contre, pour les horizons intermédiaires, on a une situation mixte pour
laquelle le test d’hypothèses binaires (biais ou pas de biais) est mal adapté
; son utilisation entraînera un retard à la détection d’autant plus grand que
N est grand.
grand

 En pratique, le test n’est pas effectué à tous les instants mais avec un
pas d’échantillonnage choisi en fonction de la longueur d’horizon.

87

Test d’hypothèses sur un horizon glissant

 La détection de l’apparition d’un biais revient à effectuer un test de
moyenne.
 Si la taille et le signe du biais sont connus, nous avons vu que le test
est :
N
eni  
i 1

 Dans ce cas, le test d’hypothèse sur un horizon glissant est équivalent

à un filtrage de type « rectangulaire » suivi d’un seuil.

88

44
 Utilisation du test séquentiel d’hypothèses
 Le test séquentiel du rapport de vraisemblance (SPRT) choisit lui-
même l’horizon d’observations pour déterminer l’hypothèse de
fonctionnement du système et minimise le nombre d’observations
nécessaires p
pour p
prendre une décision.
 Pour réduire le retard à la détection, une solution consiste à
réinitialiser le SPRT lorsqu’il délivre l’hypothèse H0, mais dans ce cas,
le retard à la détection dépend de l’intervalle entre l’initialisation du
SPRT et l’instant du changement.

89

Rapport de vraisemblance généralisé (GLR)

 Soient les hypothèses binaires suivantes :

 H0 : il n’y a pas eu de modification de fonctionnement pendant N
observations Le système a toujours fonctionné suivant ll’hypothèse
observations. hypothèse H0 ;
 H1 : Il y a eu changement de fonctionnement : les r premières observations
ont été faites avec l’hypothèse H0 et les suivantes avec une hypothèse
différente H1.
 Si r est l’instant du changement de fonctionnement :
 L’hypothèse H0 correspond à r ≥ N
 hypothèse H1 correspond à r  N
et ll’hypothèse
 L’instant du changement étant une variable déterministe inconnue r

90

45
 Rapport de vraisemblance généralisé (GLR)

 La détection d’un changement de fonctionnement peut être obtenue

par le test GLR :

max PY | H 1 , r 
H 1


g Y   r

P Y | H 0  
H 0

 L’instant r qui est inférieure à N est obtenu par le maximum de

vraisemblance dans l’hypothèse H1.
 La détermination de r nécessite le calcul des densités de probabilités
pour toutes les valeurs de r comprises entre 1 et N.
 Si les observations dépendent d’un paramètre , le GLR comporte en
plus une maximisation par rapport à ce paramètre.

91

Application à la détection de l’apparition d’un biais

 Considérons une séquence aléatoire de N observations yi

indépendantes gaussiennes de moyenne nulle et de variance 2, qui
présente à partir de la rième observation un biais de taille connue .
 Pour i < r-1
r1 yi = bi
 Pour r  i  N yi = bi + m
Où bi est une séquence blanche gaussienne de moyenne nulle et de
variance 2.
 Le test GLR, s’écrit :
H
 N   
1

L  g Y    max max  2  yi  
Log Log    
L
r   i r  2  
H
0

 L’amplitude du biais est estimée par :

N
 1
 
N  r 1 ir
yi

92

46
 Exemple

Test GLR
4

H0 : =0, =0.5 instant de rupture H1 : =1, =0.5

2
yk

-2
0 10 20 30 40 50 60 70 80 90 100

1.5
 e s tim é

0.5
e=1.017

0
0 10 20 30 40 50 60 70 80 90 100

150

100
k

50
kr=41
0
0 10 20 30 40 50 60 70 80 90 100
Temps

93

Test CUSUM (ou de Page-Hinkley)

 La solution classique optimale, au problème de détection d’un
changement dans une suite (Yk)k≥1 , est constituée par l’algorithme de
la somme cumulée (CUSUM) proposé par Page en 1954 et Hinkley en
1971.
1971
 Ce test est une adaptation séquentielle de la détection d’un
changement brusque d’un signal.
 Il est fondé sur la comparaison à chaque instant de la différence entre
la valeur du rapport de vraisemblance et sa valeur minimale courante
avec un seuil h donné :

Z  n,
n 1  min Z  kk,1  max Z  nn,kk 
0 k  n 1 k  n

n  P Y  i |H1  
avec Z  n,k    Log  1 
i k  P0 Y  i |H0  

94

47
 Test CUSUM
 L’algorithme CUSUM s’arrête à l’instant Ñ si, pour une valeur k < Ñ, les
observations Y(k), …, Y(Ñ) sont significatives pour permettre d’accepter
l’hypothèse de changement :

 
  inf n 1 : max Z  n, k   h  inf n 1 : g  n  h
N
1 k  n

g  0  0

  P Y  n | H1  
avec g  n   g  n 1  Log  1 
  P0 Y  n | H0  
et x  max  0,x

95

Cas gaussien
 Soit (y(k) k ≥ 1 ) une suite de variables gaussiennes indépendantes :

 
 y1 , y2 ,..., yk 1  N 0 ,  2
avec 1 0  0
0

 yk , yk 1 ,..., yk  N 1 ,  2 
0 0

 Dans ce cas, l’algorithme CUSUM peut se calculer récursivement à

l’aide de la formule :

 
N  inf n 1: g  n  h' 

   
g  n   g  n 1  y  n  0  1 0 
 2 
g  0  0
h2
h' 
1  0
96

48
 Cas gaussien
 Si le signe du biais (1 - 0) est inconnu a priori, on peut alors utiliser
les deux algorithmes CUSUM parallèlement :


   
N  inf n 1: g  n  h'  g  n  h' 

   
g  n   g  n 1  y  n  0  1 0 
 2 
g  0  0
h2
h' 
1  0

97

Exemple

98

49
 Application

Système hydraulique

Système hydraulique

q
Colonne de
distribution V V V
1 2 3

qe qe qe
1 2 3

Les trois A ,H
réservoirs 1 1 A ,H
qs qs 3 3
1 2

A ,H
2 2
qs
3

100

50
 1er sous système :
Colonne de distribution du liquide

Détection des fuites

1er Sous-système : Colonne de distribution

Fuite f Fuite f Fuite f

V V
q 1 2

qe qe qe
1 2 3

   
1 2 3 4

chaîne de mesure

 Les quatre débits : q, qe1, qe2, qe3 sont observés à l’aide du système de
mesure

102

51
 Système de mesure
 y1 , y2, y3 et y4 représentent un mélange additif de valeurs physiques
et de bruits :
 où 1 ,... 4 sont des bruits de mesure, supposés gaussiennes de
moyennes
y nuls et de variance 2 .
 En utilisant l’équation de bilan de masse (théorème de conservation de
masse qui traduit la conservation d’une quantité dq du liquide pendant
une durée dt), on trouve la relation suivante :
y1  q  1 (3-1)

y2  qe1   2 (3-2)

y3  qe3  3 (3-3)

y4  qe4   4 (3-4)

 Cette relation est donnée dans des conditions normales de

fonctionnement.
103

Modèle statique
 Dans le cas où il existe une (ou plusieurs) fuite(s) du liquide, l’équation
de bilan massique devient :

q  qqe1  qe
q 2  qqe3  f
où f >0 est le débit total de fuite dans les trois zones de fuite potentielles
 Dans le cas linéaire le vecteur de mesure Y est relié à la grandeur
vectorielle q par un modèle linéaire.

Y  HX   (  F )
 où X est le vecteur de débits inconnus tel q
que :
 y1  1 1 1  1  f
     x2     
y 1 0 0    0
Y   2 , H=  , X =  x3  ,  =  2  , F =  
 y3  0 1 0    3  0
 y   0 
  x4     

 4  0 1  4  0
x1  q  x2  x3  x4 , avec x2  qe1 , x3=qe2 et x4  qe3
104

52
 Équation de parité statique
 On doit chercher la matrice de projection de dimension (m-n) x m où
m : nombre de capteur de mesure et n = rang (H) telles que les
propriétés suivantes

 VH  0
 V V T  I mn
 V V T  I m  H( H T H )1 H T

 Soit on calcul la matrice de projection

 0.25 0.25 0.25 0.25 

 
1  0.25 0.25 0.25 0.25 
P  I 4  H( H H ) H 
T T
 0.25 0.25 0.25 0.25 
 
 0.25 0.25 0.25 0.25 

105

Formulation du test d’hypothèse

 Le rang de la matrice P est : rang P = m-n = 4-3 =1, le vecteur de parité
est :
 0.5 
 
0.5 
VT  
 0.5 
 0.5 
 
 Y1n  ( Y1 ,......,Yn ) : ensemble des observations et supposons que ces
observations sont issues du modèle

 La p
procédure de détection est de tester les hypothèses
yp suivantes :

 H 0   F :VF  0   f  0  fonctionnement normal


et
 H  F :VF  0  f  0  Présence de défaut (fuite) dans le système de distribution
 1    

106

53
 Rapport de vraisemblance
 Le rapport de vraisemblance
n
1 T n
ln    i ,....., n      i  2 T
i 1  2
2

avec :   V ,   VY
i i
 Le rapport de vraisemblance est une fonction des vecteurs de parité ,
obtenu par la projection de Y sur l’espace de parité.

n
1  n
ln   1 ,...., n    f  i  2 f 2
i 1  2
2

 y  y  yi ,3  yi ,4
avec : f  Vf  0.5 f et  i  i ,1 i ,2
2

107

Test de Bayes

 Soit l’algorithme de décision est donnée par

 n
nf 2
 yi,1  yi,2  yi,3  yi,4   8 2 <  Absence
f
si Ab de déf  H0
d défaut
 4 2 i=1

si
n
nf 2
 yi,1  yi,2  yi,3  yi,4   8 2   Présence de défaut  H1
f
 4 2 i=1

 avec  : le seuil de décision qui dépend des probabilités a

priori (P0 ,P1) dans le cas d’hypothèses binaires et des
coûts Cij.

108

54
 Application du test de Bayes
Amplitude du fuite : f  50 % Q

T td
Test de Bayes
B à seuil
il fi
fixe T t de
Test d Bayes
B à seuil
il adaptatif
d t tif

Te s t d e Ba ye s à s e u i l fi xe Te s t d e B a ye s à s e u i l a d a p ta ti f
5 5
Amplitude

Amplitude
0 Résidu 0
Seuil fixe
Résidu
seuil adaptatif
-5 -5
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200

D é ci s i o n Déc is ion

1 1

H
0.5 0.5 0 H
1
H H
0 1

0 0
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
No mb r e de pint s No mb r e de po in ts

109

Application du test GLR

Test GLR à seuil fixe Test GLR à seuil adaptatif

Rés idu r R és i d u r
5 5

0 0

-5 -5
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
Te s t GL R à s e u i l fi xe Te s t GL R à s e uil ad ap ta ti f
10 10

0 0
 
-10 -10
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
d é ci s i o n d éci s i on
1 1

0.5 0.5

0 0
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
Nombr e de points Nombr e de points

110

55
 2ème sous système :
Montage de trois cuves

Système de stockage

Schéma de principe

qe qe qe
1 2 3

A ,H A ,H
1 1 3 3
qs qs
1 2

A ,H
2 2
qs
3

112

56
 Représentation d’état discrète

 h1  k  1  1  a11 .Te 0 0   h1  k  
    
 h2  k  1    a21 .Te 1  a22 .Te a23 .Te   h2  k   
 h  k  1   1  a33 .Te   h3  k  
 3   0 0

 Te / A1 0 0   qe1  k    e1  k  
 0   qe k    e k 
 Te / A 0  2     2   
 0 A   qe3  k    e3  k  
 0 Te /
avec
 e1  k  
 
e  k    e2  k   R  diag  e2 , e2 , e2 
suit une loi (0,R) ;

 e k  
 3 

113

Représentation d’état discrète

 X k 1  Fk .X k  Gk .U k  Vk

 Yk  H k .X k  Wk   .a

X   h1 h2 h3  ; U   qe1 qe2 qe3 

T T

1  a11 .Te 0 0   Te/A1 0 0 


F   a21 .Te 1  a22 .Te a23 .Te  ; 
G=  0 Te/A2 0 
 1  a33 .Te   0 Te/A3 
 0 0  0

H  0 1 0 
T

a : amplitude du défaut
 : échelon unité retardé de , instant d’apparition du défaut.

114

57
 Valeurs numériques

1. l / min
Qe1,0 Débit d’entrée de la cuve 1 1 l / min
Qe2 ,0 Débit d’entrée de la cuve 2 0.8 l / min
Qe3,0 Débit d’entrée de la cuve 3

H1,0 Hauteur du fluide dans la cuve 1 400 mm

H 2 ,0 Hauteur du fluide dans la cuve 2 600 mm
H 3 ,0 Hauteur du fluide dans la cuve 3 400 mm

R1 , A1 Rayon et section de la cuve 1 7 cm , 0,0154 m²

R2 , A2 Rayon et section de la cuve 2 7 cm , 0,0154 m²
R3 , A3 Rayon et section de la cuve 3 7 cm , 0,0154 m²

115

Filtre de Kalman
 La phase de prédiction :


X k /  k 1  Fk 
X  k 1 /  k 1  GkU  k 1
 k /  k 1  Fk   k 1 /  k 1 FkT  Qk
 La phase de filtrage :

1
K k   k /  k 1 H kT  H k  k /  k 1 H kT  Rk 

X k/k  
X k / k 1  K k Yk  H k  X k / k 1 
 
k/k  
  k / k 1  K H   k / k 1
k k

116

58
 Test GLR

 La technique du rapport de vraisemblance généralisé permet

de détecter et d’identifier des changements abrupts dans les
systèmes dynamiques donc des pannes additives sur les
mesures.

 Le vecteur d’innovation du filtre de Kalman est égal à la

somme de l’innovation en l’absence de défauts, , à la quelle
s’ajoute l’effet du défauts ;

Vk  Vk*  G  k ,  .a
ou G(k,) : est une fonction caractéristique du défauts.

117

Test GLR

 Le rapport de vraisemblance généralisé, , qui dépend des

inconnues conduit à l’algorithme du test de décision suivant :

L og   k   L  k ,  >   On retient l'hypothèse H 1

L og   k   L  k ,  <   On retient l'hypothèse H 0

 avec  : le seuil de décision dépend de des probabilités à

priori et les coûts de bayes.

118

59
 Évolution du test GLR
ré si d u rd 1
0.5

0 Présence d'un biais positif

-0.5
0 100 200 300 400 500 600 700 800 900
15000

10000 Retard à la détection

Td
5000
Seuil de décision
0
0 100 200 300 400 500 600 700 800 900
1

0.5 Hypothèse H0 Hypothèse H1

0
0 100 200 300 400 500 600 700 800 900

119

Estimation de l’amplitude du biais

Esti m a ti o n d e l 'a pm i l tu d e d u b i a i s
0.5

0.4

0.3

0.2

0.1

-0.1

-0.2
0 100 200 300 400 500 600 700 800 900 1000

120

60
 Quelques références bibliographiques
Diagnostic à base de modèles :
 J. Brunet, M. Labarrère, D. Jaume & A. Rault. Détection et diagnostic de

pannes- Approche par modélisation. Edition Hermès, 1990.

 G.
G Z Zwingelstein
i l t i « Diagnostic
Di ti des
d défaillances
déf ill : thé
théorie
i ett pratique
ti pour lles
systèmes industriels », Hermès 1995.
 J. Gertler. Fault detection and diagnosis in engineering systems. Marcel

Dekker, 1998.
 J. Chen and R.J. Patton. Robust model-based fault diagnosis for dynamic

systems. Kluwer Academic Publishers, 1999.

 D. Maquin & J. Ragot. Diagnostic des systèmes linéaires. Edition Hermès,

2000
2000.
 Rolf Iserman. Fault-diagnosis systems : An introduction from fault detection

to fault tolerance. Springer-Verlag, 2006.

 P.M. Frank. Fault diagnosis in dynamic systems using analytical and

knowledge based redundancy - a survey and some new results. Automatica,

26(3):459474,1990.
121

Quelques références bibliographiques (suite)

Diagnostic par l’approche statistique :
Ouvrages :
 A. Wald. Sequential analysis. John Wiley & Sons, New York, 1947.
 A. Wald. Statistical decision functions. John Wiley & Sons, New York, 1950.
 M. Basseville and I.V. Nikiforov. Detection of abrupt changes: theory and
application. Information and system science series. Prentice Hall,
Englewood Cliffs, NJ.,1993.
 F. Gustafsson. Adaptive filtering and change detection. John Wiley & Sons,
LTD, 2000.
 I. Nikiforov. Automatique et statistiques pour le diagnostic : approche
statistiques Chapitre-4. Edition Hermès, 2001.

122

61
 Quelques références bibliographiques (suite)
Articles de revues et conférences :
 D.-V. HINKLEY «Inference about the change point cumulative sum test», Biometrika, vol.
58, n°3, 1971.
 M. Basseville «Edge g detection usingg sequential
q method ffor change
g in level. Part II :
Sequential detection of change in mean», IEEE Transaction on ASSP, vol. ASSP-29, n°1,
1981.
 M. Basseville & I.V. Nikiforov. «Fault isolation for diagnosis: nuisance rejection and
multiple hypotheses testing». Annual Reviews in control, 26, pp. 189–202.
 A.S. Willsky and H.L. Jones. «A generalized likelihood ratio approach to the detection
and estimation of jumps in linear systems». IEEE Transactions on Automatic Control,
21:108-112, 1976.
 J.K. Tugnait. «Detection and estimation for abruptly changing systems». Automatica,
18:607-615, 1982.
 M. Thomson, P. M. Twigg, B. A. Majeed, and N. Ruck. « Statistical process control
based fault detection of CHP units». Control Engineering Practice, 8(1):13-20, 2000.
 Wesel R., Zhang Q. & Varshney P.K.. «Optimal bi-level quantization of independent
and identically distributed sensor observation for binary hypothesis testing». IEEE
Transaction on Information Theory, 48(7), pp. 2105–2111.

123

Quelques références bibliographiques (suite)

 D.P. Malladi and J.L. Speyer. A generalized Shiryayev sequential probability
ratio test for change detection and isolation. IEEE Transactions on Automatic
Control, 44(8):1522-1534, 1999.
 F Gustafsson.
F. Gustafsson The marginalized likelihood ratio test for detecting abrupt
changes. IEEE Transactions on Automatic Control, 41(1):66-78, 1996.
 Naim A. & Moshe K. (1994). On-line estimation of probabilities for distributed
Bayesian detection. Automatica, 30(4), pp. 633–642.
 Moran A.W., O’Reilly P.G. & Irwin G. W. (2001). Probability estimation
algorithms for self-validating sensors. Control Engineering Practice, 9, pp. 425–
438.
 Chien T.T. & Adams M.B. (1976). A sequential failure detection technique and
its application. IEEE Transaction on Automatic Control, (4), pp. 750–757.
 Gustafsson F. (2007). Statistical signal processing approaches to fault detection.
Annual Reviews in Control, 31, pp.41–54.
 Lai T. L. & Shan J. Z. (1999). Efficient recursive algorithms for detection of
abrupt changes in signals and control systems. IEEE Transaction on Automatic
Control, 44(5), pp. 952–956.
124

62
 Quelques références bibliographiques (suite)
 J.-M. OLIVE, F. BEN HMIDA, M EGEA « A detection and diagnosis approach
state estimation applied to production machines », 34th IEEE Conference on
Decision and Control, vol.3, December 13-15, 1995, pp. 2403-2405, New Oleans,
Louisiana,, USA.
 F. BEN HMIDA, J.-M. OLIVE, J.-C. BERTRAND « Statistical Assessement of
Fault Indicator Signals for On-line Detection and Location », CESA’96 IMACS
Multiconference, IEEE-SMC, Lille-France, July 9-12, 1996, Lille-France.
 Ben Hmida F., Olive J.-M., Bertrand J.-C. (1998). On-line failure detection
and alarm generation for production machines axes », CESA’98 IMACS
Multiconference, IEEE-SMC, Nabeul-Hammamet, Tunisia, April 1-4, 1998.
 Moulehi M. H. & Ben Hmida F. (2006). Détection des défauts en ligne par
l’
l’approche
h statistique
t ti ti : Application
A li ti d test
du t t GLR à fenêtre
f êt glissante.
li t 4ème
4è
conférence internationale JTEA’06 du 12 au 14 mai 2006 à Hammamet,
TUNISIE.
 Moulehi M. H., Ben Hmida F. & Gossa M. (2008). Detection of Average
Jump by Bayes Test with Adaptive Threshold. Journal of Automation &
Systems Engineering (JASE), Vol. 2, Issue 4, December 2008.
http://jase.esrgroups.org/2_4_4_08%20proof.pdf.
125

Pour me contacter
 Fayçal BEN HMIDA

 Maître de Conférences à l’Ecole Supérieure des Sciences

et Techniques de Tunis (ESSTT)

 Chercheur à l’Unité de Recherche en Commande,

Surveillance et Sûreté de fonctionnement des Systèmes
(C3S)

 5, avenue Taha Hussein, BP 56, 1008-Tunis, Tunisie.

 Site web : www.esstt.rnu.tn

www esstt rnu tn

 Email : faycal.benhmida@esstt.rnu.tn

 Tel. (+216) 71 49 60 66 (poste 121)

126

63