Cours

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/323457095
L’application des algorithmes de colonies de fourmis pour le diagnostic des

systèmes dynamiques et complexes
Thesis · June 2013
CITATIONS READS
0 64
1 author:
Ouahab Kadri
Université Batna 2
39 PUBLICATIONS 47 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Phd in industrial engineering View project
Ant Colony Algorithm in Fault Diagnosis View project
All content following this page was uploaded by Ouahab Kadri on 28 February 2018.
The user has requested enhancement of the downloaded file.

Université Hadj Lakhdar –BATNA-
Faculté de technologie
Département de Génie Industriel
Laboratoire d’Automatique et de Productique
DOCTORAT EN SCIENCES
Spécialité :Génie Industriel

présenté par
Ouahab Kadri
Président NASRI Farid Prof Université de Batna

Examinateur BENBOUZID Med. El Hachemi Prof Université Occidentale de Brest
Examinateur BATOUCHE Med. Chawki Prof Université de Constantine
Examinateur BENMOHAMMED Mohamed Prof Université de Constantine
Rapporteur MOUSS Leila Hayet Prof Université de Batna
Co-Rapporteur MOUSS Med. Djamel MCA Université de Batna
O. Kadri L’application des algorithmes de colonies de fourmis pour le diagnostic des systèmes dynamiques et complexes 09/06/2013
Sommaire 2
1 Problématique
2 Le diagnostic Industriel
Les Notions Fondamentales
Les Méthodes de diagnostic industriel
3 Les algorithmes de colonies de fourmis
pour le diagnostic Industriel
L’algorithme AntTreeStoch
L’algorithme Lumer & Faieta
L’algorithme Hybrid wrapper/filter-based
ACO-SVM
4 Conclusion et perspectives
Problématique 3
Fonctionnement
normal
Maintenance Systématique
Usine
Dysfonctionnement Maintenance Conditionnelle
Le développement technologique des outils de production a conduit à

l'apparition de systèmes industriels très complexes et dynamiques.
Problématique 4
Les méthodes de Diagnostic
Méthodes Méthodes
Avec modèle Sans modèle
Outils Outils de
Statistiques IA
Outils de IA
Méthodes à base de Méthodes à base de Méthodes de Reconnaissance

modèles explicatifs modèles comportementaux de formes
Problématique 5
Problématique 6
Tri initial de données

AntTreeStoch
Choix aléatoire
Ant Colony Lumer & Faieta Déplacé plusieurs fois

le même objet
Binay ant colony Plusieurs exécutions

d’un algorithme génétique
Problématique 7
Problématique 8
Schéma synoptique de l’atelier de clinkérisation
stockage broyeur
usine
tapis roulant farine crue
1. BROYAGE CRU
préchauffage
four
refroidissement
clinker
1. BROYAGE CRU : un broyage très fin permet d'obtenir une farine crue.
2. CUISSON : la farine crue est préchauffée puis passe au four : une flamme atteignant 2000 °C porte
la matière à 1500 °C, avant qu'elle ne soit brutalementdeux
refroidie par soufflage
broyeurs d'air. Après cuisson de
de 100t/h
le débit clinker est de 1560 t/h
la farine, on obtient le clinker, matière de base nécessaire à la fabrication de tout ciment.
Problématique 9
Lait cru
Réception et stockage
Séparation
Crème Lait écrémé
Homogénéisation
Aromatisation
Pasteurisation
Aromatisation
Réservoir de stockage
Remplissage / Emballage
Refroidissement, réfrigération et expédition
Problématique 10
Les données
Diagnostic
sommaire 11
1 Problématique
ACO-SVM
La surveillance Industrielle Les Notions Fondamentales 12
En présence de défaillance, la supervision prendra toutes les démarches nécessaires pour le

retour du système vers un mode de fonctionnement normal.
La surveillance Industrielle Les Notions Fondamentales 13
détecter et classer les défaillances en observant l'évolution du système

localiser les éléments défaillants et identifier les causes premières.
13
O Kadri L’application des algorithmes de colonies de fourmis pour le diagnostic des systèmes dynamiques et complexes 09/06/2013
sommaire 14
1
Problématique
ACO-SVM
La surveillance Industrielle Les Méthodes de la surveillance industrielle 15
Méthodologies de la surveillance
Oui
Existence ou pas d’une modélisation formelle
de l’équipement
Techniques d’Automatique
Modèle formel
Entrée de l’équipement + Résidu
-
• Existence d’incertitudes de modélisation dues au manque de connaissances exhaustives sur

les paramètres de l’équipement,
• Modélisation impossible pour les équipements de forte complexité technologique.
• Faiblesse devant les systèmes re-configurables (plusieurs modes de fonctionnement).
Méthodologies de la surveillance
NON
Existence ou pas d’une modélisation formelle
de l’équipement
Expert Humain
Expertise des modes
Données mesurables
Cette application utilise un outil de de défaillance
Classification
(diagnostic)
Procédé comme une boîte grise et se base sur une phase
industriel Base de données
d’apprentissage.
Apprentissage
Forme d’entrée Classes
Système de surveillance moderne

Outils de l’Intelligence Artificielle
L'IA peut se caractériser par la capacité à traiter :
Une grande quantité d'informations,

1000……….000000000 observations
Des données non homogènes (numériques/symboliques),

(1;0.1; chaud; rapide)
Des données dépendant du contexte,

(0.1; 0.01; 0.005)
Des données incomplètes.

(12;5;-;14;-;100)
Synthèse sur les méthodes de surveillance
sommaire 19
1 Problématique
ACO-SVM
Les ACO pour le diagnostic Industriel L’algorithme AntTreeStoch 20
Le principe de l’algorithme AntTreeStoch
Le principe de AntTreeStoch est de placer toutes les fourmis sur un

support principal qui représente la racine de l’arbre. Les fourmis
portent des vecteurs de données qui sont les informations à classées.
Critiques et limites de AntTreeStoch
Une exécution séquentielle de l’algorithme
Fourmi non La Source

La Racine Connectée
Fourmi connectée
Fourmi connectée
La non signification de déplacement aléatoire de fourmis
La taille énorme de l’arbre engendré
Les Améliorations
Fourmi non Fourmi non Fourmi non Fourmi non

Connectée Connectée Connectée Connectée
La Source
La Racine
Fourmi non Fourmi connectée Fourmi connectée Fourmi connectée

Connectée au support au support au support
Fourmi non Fourmi connectée

Connectée
Faire déplacer les fourmis d’une façon parallèle va minimiser l’influence

de tri initiale sur la qualité de classification.
Les Améliorations (2)
Fourmi non Fourmi non Fourmi non Fourmi non

Connectée Connectée Connectée Connectée
La Source
La Racine
Fourmi non Fourmi connectée Fourmi connectée Fourmi Des fourmis connectées à
Fourmiconnectée
Fourmi
Fourmi connectée
connectée
connectée
Connectée au support au support au
au support
support la même position selon la
au
au support
support
valeur de Sid
Fourmi non Fourmi connectée

Connectée
Nous avons ajouté un nouveau paramètre appelé Sid qui permet aux
plusieurs fourmis de se connecter à la même position
Utilisation de Netlogo
En Netlogo, on peut
identifier 4 types d’Agents
Les Paramètres d’AntTreeStoch
Les données de test

6000
BD1
fonctionnement
5000 normal
fonctionnnement
anormal
4000
Valeurs
3000
2000
1000
0
0 50 100 150 200 250 300 350 400 450 500
Observations
BD1 clinkérisation 2 classes 30 paramètres 500 observations
BD2 pasteurisation 2 classes 7 paramètres 300 observations
BD3 clinkérisation 4 classes 47 paramètres 200 observations
IRIS fleurs 3 classes 4 paramètres 150 observations
27
Résultats obtenus par une implémentation séquentielle et une autre parallèle de

l'algorithme AntTreeStoch
L'arbre final obtenu par AntTreeStoch avec et sans le permettre Sid
Exemple d’arbre obtenu par AntTreeStoch sur la base IRIS
param ètre 3
4
1
5
8
4
7
3 6
5
paramètre 2 2 4
paramètre 1
Vue en 3D de la base IRIS
Visualisation des quatre modes de dysfonctionnement du premier procédé en utilisant 3

paramètres
1000
Température air secondaire

800
600
400
200
1500
1400
1300
1000 1200
1100
1000
Début gaz 500 900
Température gaz entée
boite à fumée.
Visualisation 3D de l'arbre de classification de la base BD1 (500 nœuds) et de

la base BD2 (300 nœuds)
sommaire 34
1
Problématique
ACO-SVM
Les ACO pour le diagnostic Industriel L’algorithme de Lumer & Faieta 35
Les grandes lignes
Les ACO pour le diagnostic IndustrielL’algorithme de Lumer & Faieta 36
Algorithme LF
Pas de
Placer aléatoirement les N objets o1, . . ., oN sur la grille G
condition
pour T = 1 à Tmax faire
pour tout aj ∈ { a1, . . . , aA } faire
si la fourmi aj ne transporte pas d’objet et r(oi) = r(aj) alors
Calculer f(oi) et Pp(oi)
La fourmi aj ramasse l’objet oi suivant la probabilité Pp(oi)
sinon
si la fourmi aj transporte l’objet oi et la case r(aj) est vide
alors
Calculer f(oi) et Pd(oi)
La fourmi aj dépose l’objet oi sur la case r(aj) avec une
probabilité Pd(oi)
finsi
finsi
Déplacer la fourmi aj sur une case voisine non occupée par une
autre fourmi
finpour
finpour
retourner l’emplacement des objets sur la grille
Amélioration de l'algorithme
Configuration de l’algorithme
Résultat de la simulation de l'algorithme Lumer & Faieta avec (S<5)
Résultat de la simulation de l'algorithme Lumer & Faieta avec (S>=5)
Simulation de l’algorithme LF avec et sans des fourmis rapides (BD1)
Simulation de l'algorithme LF avec et sans des fourmis rapides (BD2)
L’algorithme de Lumer & Faieta
sommaire 44
1 Problématique
ACO-SVM
Les ACO pour le diagnostic Industriel L’algorithme Hybrid wrapper/filter-based ACO-SVM 45
L’algorithme binaire de colonie de fourmis
critère
d’arrêt
Critiques et limites de l’algorithme basal
L’initialisation de phéromone sur le réseau Algorithme

Itérations de recherche génétique
Binay ant colony
La loi de déplacement
Très complexe Un temps considérable
Amélioration de l’algorithme
L'ensemble de paramètres sélectionnés par l'algorithme Filter based ACO
F(V ) = trace (∑ −1
W
.∑ B
)
1 M NC
= (
∑ W N ∑ ∑ CV C CV C
X − m )(
. X − m )t
C =1 V =1
1 M
=
∑B N ∑ C (m − m )(
. m C − m )t
C=1
FPi 0
FPi1 + FH i
Max( FH )
PSi1 =
FPi1 + FPi 0
M M −1
m c (α ) − m r (α )
FH (α ) = ∑ ∑
c =1 r =1 N cσ c2 (α ) − N r σ r2 (α )
r ≠c
Nc
m c (α ) = X cv (α )
1
Nc
∑
v =1
Nc 2
σ r2 (α ) = ∑ [X cv (α ) − m c (α )]
1
Nc v =1
1
∆FP =
1 + F (V ) − F V ' ( )
FP ← (1 − ρ )FP + ∆FP
ρ ∈ ]0,1[
L’algorithme Filter based ACO proposé

initialiser la phéromone sur le réseau ;
Calculer FH(a) en utilisant l’équation 2.9 ;
Répéter
Lancer les fourmis de recherche en appliquant l’équation 8 ;
Evaluer les solutions trouvées en utilisant l’équation 2.5 ;
Mis à jour de phéromone sur le réseau par la solution optimale et l’équation 2.13 ;
Jusqu’à satisfaire le critère d’arrêt
52
53
Hybrid wrapper/filter-based ACO-SVM
54
55
Les paramètres de l’algorithme de sélection
Paramètre Valeur Description

N_A 20 Nombre d’Agents
F_a 0.2 Taux de comportement aléatoire
ρ 0.3 Taux d’évaporation
S_Min_FP Min FH Seuil minimal de phéromone
S_Max_FP Max FH Seuil maximal de phéromone
56
Les données de test

Base de Classe Description Base Base de
données d’apprentissag test
e
RCK1 1 Marche perturbée 31 30
30 attributs 2 Déplacement de 20 20
zone
3 Production des 21 21
incuits
4 Perte de calories 29 28
(l’énergie)
Vehicle 1 Double decker bus 100 100
18 attributs 2 Cheverolet van 100 100
3 Saab 9000 100 100
4 Opel Manta 400 100 100
RCK2 1 Fonctionnement 125 125
47 attributs normal
2 Fonctionnement 125 125
anormal
57
x 10
-6
Le facteur heuristique FH
3 -4
x 10
1.2
2.5
1
2
0.8
La valeur de FH
FH
1.5
0.6
1
0.4
0.5
0.2
0
1 2 3 4 5 6 7 0
0 2 4 6 8 10 12 14 16 18
Paramètres Les paramètres de vecteur
Le facteur heuristique FH de la base BD2 Le facteur heuristique FH de la base Vehicle
-4
x 10
-6 x 10
4.2 1.5
4
1
3.8
Fisher discriminant criterion

Fisher discriminant criterion
3.6 0.5
3.4
0
3.2
3 -0.5
2.8
-1
2.6
2.4 -1.5
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30
Features Features
Le facteur heuristique FH de la base RCK1 Le facteur heuristique FH de la base RCK2
58
La configuration du classifieur
Nom de la base de Nombre de paramètres Nombre de classes Nombre de données
données
Ex8a 2 2 863
Four_classe 2 2 862
Heart_scale 13 2 270
Résultats obtenus pour les différentes valeurs de couple (C, σ)

C 1 10 100, 1 1, 0.5 0.5,
σ 0.07 0.07 0.07 =1 10 10 100
T 95.666 99.333 99.333 99.333 99.333 67 66.333
N 287 298 298 298 298 201 199
t 0.0618 0.0103 0.10552 0.0119 0.0123 0.0121 0.0117
n 279 244 243 287 293 283 274
En changeant le type de la fonction noyau, nous obtenons les résultats suivants :
59
Les résultats de classification
La base de données Ex8a La base de données Four_classe
Le système de pasteurisation de lait La base de données Heart_scale

60
Les entrées de GATOOL

Fitness function @init11
Number of variables 18
Options Population Population type Bit string
Population size 18
Fitness scaling Scaling function Rank
Selection Selection function Tournament.
Reproduction Elite count 2
Crossover fraction 0.8
Mutation Mutation function Uniforme.
Crossover Crossover function Two point.
Migration Direction Both.
Fraction 0.2
Interval 20
Hybrid function Hybrid function None.
Stopping criteria Generations 100
Time limit inf
Fitness limit -inf
Stall generations 50
Stall time limit 20
Display to command window Level of display Off
61
O. Kadri Vectorize
L’application des algorithmes Fitness
de colonies de fourmis pour le diagnostic functiondynamiques
des systèmes is vectorized Off
et complexes 09/06/2013
Les performances de classification en utilisant les différentes entrées
RCK1 RCK2 BD2
Algorithme Paramètres Taux F (V) Taux F (V) Taux F (V)

d’erreur d’erreur d’erreur
Hybrid Sous-ensemble 11 % 0.4717 10 % 0.5078 13 % 0.7418
wrapper/filter-based généré
ACO-SVM
Filter based ACO Sous-ensemble 13 % 0.6537 15 % 0.0210 17 % 0.0221
généré
Filter-based Sous-ensemble 11 % 0.7717 15 % 0.0210 17 % 0.0221
GA généré
Tous les algorithmes Un seul 75 % 0.0325 46 % 0.0061 72 % 0.0091

paramètre
Tous les 07 % 0.7875 10 % 0.0218 8% 0.7806
paramètres
62
Les valeurs de FV dans la dernière itération (Vehicle)
63
La meilleure solution obtenue dans chaque itération (BD2)
0.743
0.742
0.741
0.74
F( V )
0.739
0.738
0.737
0.736
0.735
0 2 4 6 8 10 12 14 16 18 20
Numéro d'itération
64
La valeur de FV obtenue par chaque agent dans la dernière itération (RCK1)
65
Le meilleur résultat obtenu à la fin de chaque itération (RCK1)
66
Le meilleur résultat obtenu à la fin de chaque itération (RCK2)
67
Description des paramètres sélectionnés

N° paramètre Symbole Description paramètre. N° paramètre Symbole Description paramètre.
paramètre paramètre
P1 W01P3 Pression sortie boite à fumée. P16 W01P1 Pression entrée boite à fumée.
P2 COC Teneur CO sortie cyclone A50 P17 W01T1 Température gaz entée boite à
fumée.
P3 A50T1 Température gaz sortie cyclone P18 V31F1 Début gaz.
A50.
P4 A50P1 Pression sortie cyclone A50. P19 V01F1 Début gaz.
P5 A52T1 Température gaz sortie cyclone P20 W01X1 Moment four
A52.
P6 A52P2 Pression cyclone A52. P21 CCS Consommation calorifique
spécifique.
P7 A53T1 Température gaz cyclone A53 P22 W01S1 Vitesse four.
P8 A53T2 Température matière cyclone A53 P23 TV Température virole four
P9 A53P1 Pression cyclone A53. P24 W01T4 Température de cuisson.
P10 A54T1 Température gaz cyclone A54 P25 V07P1 Pression air primaire.
P11 K01P1 Pression air secondaire. P26 PAL Poids au litre.
P12 A54P2 Pression cyclone A54t. P27 U01T1 Température clinker.
P13 O2F Teneur O2 boite à fumée. P28 FCAO Chaux libre.
P14 COP Teneur CO boite à fumée. P29 A54T2 Température matière cyclone A54
P15 O2C Teneur O2 sortie cyclone A50 P30 K01T1 Température air secondaire.
68
sommaire 69
1 Problématique
ACO-SVM
Les ACO pour le diagnostic Industriel Conclusion 70
70
71
72
Les ACO pour le diagnostic Industriel Perspectives 73
73
Les ACO pour le diagnostic Industriel Production Scientifiques 74
Production Scientifique
74
Les ACO pour le diagnostic Industriel Production Scientifiques 75
Communications dans des conférences internationales
75
76
View publication stats
76

Cours

Transféré par

Informations du document

Description :

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

Cours

Titre original :

Transféré par

Description :

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

L’application des algorithmes de colonies de fourmis pour le diagnostic des

Thesis · June 2013

Phd in industrial engineering View project

Ant Colony Algorithm in Fault Diagnosis View project

The user has requested enhancement of the downloaded file.

Spécialité :Génie Industriel

Président NASRI Farid Prof Université de Batna

Dysfonctionnement Maintenance Conditionnelle

Le développement technologique des outils de production a conduit à

Les méthodes de Diagnostic

Méthodes à base de Méthodes à base de Méthodes de Reconnaissance

Tri initial de données

Ant Colony Lumer & Faieta Déplacé plusieurs fois

Binay ant colony Plusieurs exécutions

Schéma synoptique de l’atelier de clinkérisation

Crème Lait écrémé

Refroidissement, réfrigération et expédition

En présence de défaillance, la supervision prendra toutes les démarches nécessaires pour le

détecter et classer les défaillances en observant l'évolution du système

• Existence d’incertitudes de modélisation dues au manque de connaissances exhaustives sur

Forme d’entrée Classes

Système de surveillance moderne

L'IA peut se caractériser par la capacité à traiter :

Une grande quantité d'informations,

Des données non homogènes (numériques/symboliques),

Des données dépendant du contexte,

Des données incomplètes.

Synthèse sur les méthodes de surveillance

Le principe de l’algorithme AntTreeStoch

Le principe de AntTreeStoch est de placer toutes les fourmis sur un

Critiques et limites de AntTreeStoch

Une exécution séquentielle de l’algorithme

Fourmi non La Source

La non signification de déplacement aléatoire de fourmis

La taille énorme de l’arbre engendré

Fourmi non Fourmi non Fourmi non Fourmi non

Fourmi non Fourmi connectée Fourmi connectée Fourmi connectée

Fourmi non Fourmi connectée

Faire déplacer les fourmis d’une façon parallèle va minimiser l’influence

Les Améliorations (2)

Fourmi non Fourmi non Fourmi non Fourmi non

Fourmi non Fourmi connectée

Les Paramètres d’AntTreeStoch

Les données de test

BD2 pasteurisation 2 classes 7 paramètres 300 observations

BD3 clinkérisation 4 classes 47 paramètres 200 observations

IRIS fleurs 3 classes 4 paramètres 150 observations

Résultats obtenus par une implémentation séquentielle et une autre parallèle de

L'arbre final obtenu par AntTreeStoch avec et sans le permettre Sid

Exemple d’arbre obtenu par AntTreeStoch sur la base IRIS

Vue en 3D de la base IRIS

Visualisation des quatre modes de dysfonctionnement du premier procédé en utilisant 3

Température air secondaire

Visualisation 3D de l'arbre de classification de la base BD1 (500 nœuds) et de

Les grandes lignes

Résultat de la simulation de l'algorithme Lumer & Faieta avec (S<5)

Résultat de la simulation de l'algorithme Lumer & Faieta avec (S>=5)

Simulation de l’algorithme LF avec et sans des fourmis rapides (BD1)