Académique Documents
Professionnel Documents
Culture Documents
19 21 Mars
19-21 M 2012
Plan de la présentation
Test minimax
Test de Neyman-Pearson
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
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.
D’après G. Zwingelstein « Diagnostic des défaillances : théorie et pratique pour les systèmes industriels », Hermès 1995.
Diagnostic
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)
Diagnostic actif
On agit volontairement –on choisit les sollicitations -sur le
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
t
9
10
5
Modélisation des défauts
D’après Chen and Patton (1999)
11
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.
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
14
7
Décision statistique
Tests statistiques
d’hypothèses
si k k0 fonctionnement normale
k 0
l si k k0 et l 1,..., M 1 en panne
16
8
Notions de base
Y n =(Y(1), ( ), , Y((n)) r x n
( ( ), Y(2),
17
g : H 0 , H1 , , H M 1
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
test g
Espace
d’échantillon {H0, H1, …, HM-1}
19
20
10
Cas de deux hypothèses
0 k0
H 0 : 0
H 1 : 1
22
11
Régions de décision pour le cas à deux
hypothèses
H0 P[Y/H0]
E0
Source E1
E0
H1 P[Y/H1]
23
p yk / H0 p yk / H1
E0 y : y
E1 y : y
24
12
Les risques de premier et second espèces
Différentes Décisions
H0 rejetée
H1 acceptée PD p y / H 1 dy PF p y / H
E1
0
dy
E1
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
ij 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
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
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
P0 P H 0
avec P0 P1 1
P1 P H1
Donc, la fonction globale de coût devient :
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
H1
ln Y ln
H0
33
34
17
Cas Gaussien :
Détection d’un changement de moyenne connu
0 0
H 0 :les mesurent suivent N (0, ( , 2 )
H 1 1 0 : les mesurent suivent N (, )
2
35
2
y (k )
-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
H1 1 1 : les mesures suivent la loi N 0, 2
2
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
H1
1 1 1 n 2
2 k
y n Log 1 Log
2 1 2 k 1
2
2
H0
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 /
dPD
dPF
41
Test du minimax
21
Test du Minimax
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 :
Démonstration :
C00 P0 P Y /H dY C
0 10 P0 E1 P Y
/H 0 dY
E0
1 PF PF
22
Test du Minimax
45
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
C01 1 PD C10 PF
C10
PD 1 PF
C01
47
Test de Neyman-Pearson
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
C’est à dire : H1
P / H1
P / H 0
H0
PF P / H 0 d
E1
50
25
Test d’hypothèses à seuil
adaptatif
Techniques d’estimation
52
26
Estimation des probabilités a priori par la
méthode d’approximation stochastique (S.A )
53
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
SA 0.8914 0.1914
RBE 0.7074 0.0074
55
56
28
Test de Bayes à seuil adaptatif vs à seuil fixe
57
58
29
Tests d’hypothèses composites
1 , 2 , ..., q
T
densité de probabilité ;
Ou comme une grandeur déterministe inconnue.
60
30
Régions de décision pour le test composite
E0
Source H0 H1 E1
E0
61
max P | 1 , H1 H 1
g 2
max P | 0 , H 0
1 H 0
31
Application à la détection d’un saut de moyenne
inconnu
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
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
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
SPRT : Sequential
Probability Ratio Test
34
Test séquentiel de Wald
P(Y/H0) P(Y/H1)
PND
PF
Y
H0 retenue H1 retenue
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
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
2 k
k exp k y i
2 2 i1
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
2 k
k exp k y i
2 2 i1
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
75
k
y k
i 1
2
Log S2
2
Log S1
76
38
Test séquentiel « SPRT » sur la variance
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
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 i1
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
80
40
Exemple d’application du test SPRT sur la variance
81
41
Position du problème (I. Nikiforov 2001)
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 :
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 :
85
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
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
90
45
Rapport de vraisemblance généralisé (GLR)
max PY | H 1 , r
H 1
g Y r
P Y | H 0
H 0
91
L g Y max max 2 yi
Log Log
L
r i r 2
H
0
92
46
Exemple
Test GLR
4
-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
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
N inf n 1: g n h'
g n g n 1 y n 0 1 0
2
g 0 0
h2
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
h2
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
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)
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 mn
V V T I m H( H T H )1 H T
105
La p
procédure de détection est de tester les hypothèses
yp suivantes :
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
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
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
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
X k 1 Fk .X k Gk .U k Vk
Yk H k .X k Wk .a
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
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
Vk Vk* G k , .a
ou G(k,) : est une fonction caractéristique du défauts.
117
Test GLR
118
59
Évolution du test GLR
ré si d u rd 1
0.5
-0.5
0 100 200 300 400 500 600 700 800 900
15000
0
0 100 200 300 400 500 600 700 800 900
119
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
Dekker, 1998.
J. Chen and R.J. Patton. Robust model-based fault diagnosis for dynamic
2000
2000.
Rolf Iserman. Fault-diagnosis systems : An introduction from fault detection
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
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
Email : faycal.benhmida@esstt.rnu.tn
126
63