Vous êtes sur la page 1sur 9

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

net/publication/228808345

CLASSIFICATION NON SUPERVISÉE POUR LA SURVEILLANCE D'UN SYSTÈME


AUTOMATIQUE

Conference Paper · May 2010

CITATIONS READS

3 138

4 authors, including:

Foued Theljani Kaouther Laabidi


University of Tunis El Manar High National Engineering School of Tunis
14 PUBLICATIONS   33 CITATIONS    48 PUBLICATIONS   250 CITATIONS   

SEE PROFILE SEE PROFILE

Salah Zidi
Qassim University
39 PUBLICATIONS   173 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Hybrid systems View project

All content following this page was uploaded by Foued Theljani on 28 May 2014.

The user has requested enhancement of the downloaded file.


8e Conférence Internationale de MOdélisation et SIMulation - MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
« Évaluation et optimisation des systèmes innovants de production de biens et de services »

CLASSIFICATION NON SUPERVISÉE POUR LA SURVEILLANCE D'UN


SYSTÈME AUTOMATIQUE
Foued THELJANI (1), Kaouther LAABIDI (1), Salah ZIDI (2), M. KSOURI-LAHMARI (1)
foued_theljani@yahoo.fr, kaouther.laabidi@enit.rnu.tn, Salah.Zidi@univ-lille1.fr, moufida_ksouri@yahoo.fr

(1) (2)
Unité de Recherche Analyse et Commande Université des Sciences et Technologies
des Systèmes (UR-ACS) ENIT, Tunisie de Lille Bâtiment P2, Bureau 305 UFR
BP 37, LE BELVEDERE 1002. I.E.E.A. Cité scientifique 59655 Villeneuve
d'Ascq Cedex France.

RÉSUMÉ : L’accroissement incessant de la complexité des systèmes automatiques a fait en sorte que la tâche de la
surveillance devienne de plus en plus moins aisée. De ce fait, les systèmes peuvent fonctionner en plusieurs modes.
Certains de ces modes correspondent à un fonctionnement normal et d’autres représentent des modes défaillants. En
outre, nous pouvons confronter à des modes inconnus qui n’ont jamais été observés sur le système auparavant (modes
imprévisibles). A la vue de ces difficultés, dans cet article, nous nous intéressons à la surveillance des systèmes
automatiques où nous proposons une stratégie de suivi des systèmes fondée sur les techniques de la classification de
données. Elle s’initialise pour construire une bibliothèque dynamique de modèles en exploitant un algorithme dédié à la
classification non supervisée. La stratégie se poursuit par une classification en ligne des données qui se présentent
séquentiellement en exploitant une certaine mesure de cohérence, se référant à la bibliothèque préparée auparavant.
Un système de régulation de niveau d’eau formé de trois réservoirs communicants a été l’objet de notre application
afin de valider la stratégie adoptée.

MOTS-CLÉS : Surveillance, diagnostic, classification non supervisée, k-means, algorithme à seuil.

Ainsi, nous pouvons les classer comme des méthodes


1 INTRODUCTION basées sur des modèles analytiques, méthodes
relationnelles à base de connaissances et méthodes
La sûreté de fonctionnement est un besoin principal dans fondées sur le traitement de données et la
le milieu industriel. Elle est indispensable pour Reconnaissance Des Formes (RDF), (Zemouri, 2003).
l’amélioration du fonctionnement de l’ensemble Les méthodes à base de modèles considèrent un modèle
matériel, la sécurité des personnes et la réduction du coût exprimé analytiquement par des équations
de la maintenance, (Otilia, 2008). En effet, la détection mathématiques qui découlent des lois physiques internes
d’un dysfonctionnement contribue à éviter toute et externes gouvernant le système, (Baikeche, 2007),
dégradation pouvant toucher le système à surveiller et les (Zouari, 2008). Les méthodes relationnelles exploitent
éléments du milieu voisin (utilisateurs et matériels). Ceci les connaissances relatives aux experts pour les
nous amène à parler d’une notion plus générale appelée transformer en des règles et établir des relations reliant
"surveillance". La surveillance est une discipline les causes aux effets, (Palau, 1999). Quant aux méthodes
inéluctable dans le domaine de la sûreté de à base du traitement des données et la RDF visent à
fonctionnement. Il se résume en trois phases : détection extraire les informations nécessaires caractérisant l’état
d’un dysfonctionnement, localisation et reconfiguration, de processus à partir d’un ensemble de données
(Verron, 2007). historiques, (Casimir, 2003), (Gamero & al., 2006). En
outre, les techniques de la classification de données ont
Les systèmes industriels peuvent se comporter selon prouvé une aptitude considérable pour la contribution à
plusieurs modes de fonctionnement. Certains de ces la prise de décision, (Zidi, 2006). Elles ont été, ainsi,
modes correspondent à un fonctionnement normal et récemment utilisées au diagnostic et à la surveillance des
d’autres représentent des modes défaillants. En outre, systèmes automatiques. Dans cet emploi, nous pouvons
nous pouvons trouver des modes inconnus qui n’ont étaler plusieurs approches. Nous trouvons celles basées
jamais été observés sur le système auparavant. Afin de sur le diagnostic par le raisonnement avant, reposées sur
surveiller des tels systèmes, il convient de concevoir un le calcul de résidus (Aimed, 2007). Cette technique tient
processus de diagnostic admettant les capacités à fonder les phases de diagnostic sur des modèles de
nécessaires pour distinguer le mode de fonctionnement référence, connus a priori, décrivant les états de
dans lequel le système évolue et susceptible de s’adapter fonctionnement normal et défaillant du système. De ce
aux situations inconnues a priori (modes imprévisibles). fait, Elle ne considère pas les états inconnus et
Dans ce contexte, plusieurs approches sont développées n’envisage pas l’actualisation des références. Cette
pour remédier à cette complexité, (Verron, 2007). limitation ne se présente pas dans d’autres approches,
lesquelles reposent sur le concept de degré
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

d'appartenance (adéquation) d'un objet aux classes 2 PRÉPARATION DE LA BIBLIOTHÈQUE


existantes. Ces méthodes se distinguent aux autres
techniques par l’existence d’un engin qui rend compte La tâche de la surveillance consiste principalement à
des adéquations nulles et traite les éléments non confronter les données prélevées instantanément à partir
reconnus. L’idée primordiale consiste à introduire une du système et exploiter ses manifestations extérieures
classe non informative qui regroupe toutes les pour identifier son mode de fonctionnement, (Loures &
ambigüités, (Molina, 2005) ou à considérer chaque objet al., 2006). La classification de ces données suivant leur
non classé comme un premier élément constituant une mode d’appartenance nécessite la construction, a priori,
nouvelle classe (Boubacar & al., 2006). De ce point, bien d’une bibliothèque de références. Pour se faire, il
qu’elles génèrent une actualisation récursive des modèles convient initialement, à classifier, hors ligne, un
et engendrent un dictionnaire dynamique de références, ensemble de données sans "labels" dont leurs classes
ces approches se limitent à la phase de la détection des d’appartenance sont inconnues. De ce point, il a paru
modes inconnus et ne fournissent pas une aide à la mieux d’avoir recours aux algorithmes de la
localisation. Dans ce papier, nous proposons une classification non supervisée. Nous optons, pour cela,
approche de diagnostic par l’outil de la classification de pour l’algorithme k-means type CL. La motivation
données. Un nouveau critère d’adéquation est exploité principale réside dans sa rapidité de convergence et sa
pour rendre compte des informations inconnues et simplicité conceptuelle.
générer une bibliothèque dynamique. Une aide à
l’identification est ainsi rendue possible toute fois Par ailleurs, cet algorithme a montré une sensibilité à
qu’une adéquation nulle est obtenue. En effet, la l’initialisation. Le résultat de la classification peut varier
stratégie développée est décrite selon deux étapes selon selon la configuration initiale de la distribution des
lesquelles est structuré le papier. La première porte sur données et le nombre de classes fixées à l’avance,
l’initialisation d’une bibliothèque contenant des classes (Fuyuan, 2009), (Pena, 1999). En effet, l’algorithme a
de références, à partir d’un registre de mesures prélevé été amélioré et doté d’une fonction de seuil, grâce à elle,
aléatoirement du système. Une version améliorée de le nombre de classes n’est pas imposé a priori par
l’algorithme k-means type CL (Competitive Learning) l’expert. Au contraire, c’est une pure production de
dédiée à la classification non supervisée a été utilisée l’algorithme lui-même. Cette fonction est inspirée de
pour accomplir cette tâche. La deuxième étape vise une certains types d’algorithmes de classification
classification en ligne des exemples qui se présentent automatique à savoir l’ESOM (Evoling-Self Organazing
séquentiellement. Cette classification se réfère à la Map), (Deng & Kasabov, 2002).
bibliothèque préparée auparavant en exploitant une Le principe, décrit par la figure 2, consiste à définir un
certaine mesure d’adéquation que nous l’appelons le seuil minimal ε pouvant séparer deux classes distinctes.
degré de dissemblance D. Nous exposons, à la fin, les L’algorithme à seuil s’initialise avec une première
résultats de l’expérimentation qui a porté sur un procédé donnée créant le prototype d’une première classe. La
de régulation de niveau d’eau formé de trois réservoirs procédure commence par une mesure de proximité
communicants. entre une nouvelle donnée xi et les prototypes wj
existants afin de chercher la classe gagnante. Cette
Système
proximité est définie par une distance euclidienne
incluant le seuil d’appartenance ε fixé à l’avance telle
Mesures et que :
observations
La préparation de la

w j − xi − ε < 0
bibliothèque se fait hors
Traitement de ligne par l’algorithme
(1)
données de k-means à seuil.

Extraction des
caractéristiques Néanmoins, nous pouvons tomber dans un cas où il y a
plus qu’une classe gagnante. En conséquence, la donnée
Détection de Bibliothèque sera naturellement affectée à toutes les classes gagnantes
changement
Références ce qui produit un chevauchement. Pour remédier à cette
Comparaison avec peine, nous affectons la donnée candidate à la classe la
les connaissances de
la bibliothèque
Mise à jour de
la bibliothèque
plus proche parmi les gagnantes. Ceci se fait à travers
une procédure de sélection définie par l’équation :
Identification Mode
Mode prévisible imprévisible
de mode
w g = arg min w j − xi (2)
La classification en ligne
des observations se fait
en utilisant un critère
Nous faisons par la suite une mise à jour itérative après
Décision d’adéquation fondé sur la S.A.D chaque affectation pour calculer le nouveau prototype
mesure de distance.
par une procédure d’adaptation selon l’équation :

Figure 1 : Schéma explicatif de la méthode adoptée. wk +1 = wk + α ( x i − wk ) (3)


MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

avec α est le pas de déplacement de prototype. - La dissemblance Dj(xt,Cj) correspondante est nulle ce
qui satisfait à une cohérence exacte :
Si une nouvelle donnée n’est assimilée à aucune classe,
elle représentera un nouveau prototype constituant une D j (xt , C j ) = 0 (6)
autre classe distincte. L’algorithme se procède par la
créer et l’ajouter à la bibliothèque afin de mettre à jour - La variation de la dissemblance Dj(xt,Cj)
cette dernière. On aboutit à la fin à un partitionnement de correspondante est décroissante ce qui satisfait à une
k classes tenues par la suite comme des références. cohérence accroissante :

D j ( xt , C j ) − D j ( xt −1 , C j )
Procédure de <0 (7)
card(Πwin)=0
création ∆t

Plus formellement, une observation xt qui se présente à


Xt, Xt+1…, Xtmax l’instant t appartient à une classe j remplissant la
formulation suivante :
Mesure de card(Πwin)=1 Procédure Mise à jour de
proximité d’adaptation la bibliothèque

 D j ( xt , C j ) = 0
 (8)
 ou
 D (x ,C ) − D (x ,C )
 j t j j t −1
<0
Procédure de j

win sélection  ∆t
card(Π ) >1

Cette formulation donne une mesure fidèle du degré de


cohérence entre le comportement observé et le
Figure 2 : Processus de la classification de l’algorithme comportement de référence. Elle nous exige, ainsi, de
k- means à seuil. travailler sur un horizon et à mémoriser les états
précédents du système.
3 CLASSIFICATION EN LIGNE

3.1 Principe général

La surveillance consiste, essentiellement, à reconnaître le


mode de fonctionnement dans lequel le système évolue.
Elle tient, en premier lieu, à détecter si un changement
de mode est survenu ou non en vérifiant la rupture d’un
certain type de cohérence touchant le comportement
global du système, (Lopez-Varela, 2007). Puis, elle porte
à identifier le nouveau mode de fonctionnement en
affectant l’observation courante à l’une des classes
existantes dans la bibliothèque où chaque classe désigne
un mode bien défini. Cette affectation repose sur
l’évaluation itérative d’une adéquation exprimée par une
dissemblance Dj(xt,Cj), que nous proposons, entre
l’observation candidate xt et les objets d’une classe Cj. Si
on est dans le cas de k classes, nous définissons ainsi k Figure 3 : Illustration du concept de la conservation et
mesures Dj(xt,Cj) : de la rupture de la cohérence pour la détection et
l’identification.
1 n
D j ( xt , C j ) = ∑ xt − w j
n j =1
(5)

Soit à considérer l’exemple illustré dans la figure ci-


avec j={1,2,…k}, t est l’instant du prélèvement, n est le dessus (Figure 3). Nous y exposons la variation de la
nombre des observations atteint jusqu’à l’instant t et wj dissemblance Dj(xt,Cj) (j={1,2}) de deux modes de
est le prototype représentatif le plus proche appartenant à fonctionnement distincts que nous les appelons "mode 1"
la classe C j. et "mode 2". Selon les conditions de la formulation (8),
A l’arrivée de chaque observation, toutes les classes se nous constatons qu’entre les itérations 0 et 100 le
mettent en compétition pour déterminer son système fonctionne en "mode 1" dans la mesure où la
appartenance. La classe gagnante est la classe Cj qui dissemblance D1(xt,C1) correspondante est nulle
remplit l’une des conditions suivantes : (D1(xt,C1)=0) alors que la dissemblance D2(xt,C2) qui
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

correspond au "mode 2" ne l’est pas. Nous pouvons


également signaler un changement de mode à partir de xt
Adéquation
l’itération 100 vu que les mêmes conditions ne non nulle
Dissemblance
demeurent pas vérifiées pour "mode 1" alors qu’elles le Décision
Dj(xt,Cj)
sont pour le "mode 2" (la variation de D2(xt,C2) est
décroissante) . Dans ce cas, on parle d’une rupture de la Adéquation
cohérence contribuant à la détection de changement de xt nulle
mode et à la localisation.
Descripteurs xt1 ............ xti ……….. xtm
3.2 Cas des modes imprévisibles
Dissemblance 1 i
DM j ( xtm , C j )
Le système à surveiller peut fonctionner en modes marginale DM j ( xt , C j ) DM j ( xt , C j
connus et qui admet des exemples de référence dans la
bibliothèque initiale. En outre, il est possible qu’il se
décline vers un fonctionnement en mode inconnu qui
n’a jamais été observé sur le système auparavant. Nous
appelons ce type de modes les modes imprévisibles. ∑
La détection de cette manifestation se fait lorsqu’une
nouvelle observation, lors de la recherche de son
appartenance, n’est affectée à aucune classe parmi les
classes existantes. Ceci est interprété lorsque les Aide à la
conditions étalées dans la formulation (8) ne sont pas décision
vérifiées dans un aucun cas. On la considère, alors,
comme une adéquation nulle. En revanche, l’observation Figure 4 : Processus de l’aide à l’identification pour les
constituera une nouvelle classe désignant un nouveau modes imprévisibles.
mode distinct.
Nous considérons les pannes multiples de notre système En évaluant le degré de la dissemblance
comme étant des modes imprévisibles. Pour les marginale DM j ( xti , C j ) , nous pouvons fournir une aide à
identifier, nous proposons une méthode inspirée de la
technique LAMDA (Learning Algorithm for la décision contribuant à l’identification de mode de
Multivariate Data Analysis) et adaptée selon nos fonctionnement du système. En effet, le mode de
exigences. Etant que le vecteur d’observation xt est formé fonctionnement envisageable est une association
d’un ensemble de descripteurs ( xt1 , xt2 ,....xtm ) , l’idée modérée des modes dont la dissemblance DM j ( xti , C j )
consiste à définir une mesure de dissemblance marginale correspondante, remplit les conditions retracées dans (8).
qu’on la note DM j ( xti , C j ) entre le descripteur xti de
l’observation candidate xt et les objets d’une classe Cj. 4 APPLICATION

1 n i
DM j ( xti , C j ) = ∑ xt − w j
n j =1
(9) 4.1 Description du procédé pilote

Le procédé considéré est un système de régulation de


avec i={1,2,…m}, m est la dimension du vecteur niveau d’eau formé de trois réservoirs communicants
d’observation et n est le nombre des observations atteint que nous appellerons R1, R2 et R3 et qui ont une hauteur
jusqu’à l’instant t. maximale identique Hmax.
Les réservoirs de l’extrémité R1 et R3 admettent une
De même, la méthode se poursuit en évaluant le degré de section identique S (S= S1= S3). Ils sont connectés au
la dissemblance marginale de chaque descripteur réservoir R2, d’une section S2>S, par l’intermédiaire de
singulièrement. En effet, nous considérons uniquement deux électrovannes V12 et V23 de type " TOR". Il est
les descripteurs xti dont leur dissemblance marginale associé au chacun des réservoirs R2 et R3 deux
électrovannes de vidange V1 et V2. Le remplissage de
correspondante DM j ( xti , C j ) est nulle ou se décroit
l’eau est assuré par deux pompes P1 et P2 au niveau de
progressivement conformément aux conditions de la réservoirs 1 et 2.
formulation (8). L’aide à l’identification est fournie en Soit à considérer :
fonction de tout l’ensemble des évaluations réalisées sur
les descripteurs considérés. - Q1 : le débit de remplissage de la pompe P1,
- Q2 : le débit de remplissage de la pompe P2,
- qf1, qf2 et qf3 : les débits de transfert associés,
respectivement, aux électrovannes V1, V2 et V3,
- q12 et q23 : les débits de transfert associés,
respectivement, aux électrovannes V12 et V23.
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

Trois capteurs ultrasons sont placés au sommet de aussi d’un ensemble de 2400 échantillons pris
chaque réservoir pour prélever les niveaux d’eau H1, H2 aléatoirement à partir de procédé. Chaque échantillon est
et H3. un vecteur d’observation formé de trois
descripteurs xt = ( xt1 , xt2 , xt3 ) .
xt1 : Le niveau d’eau dans le réservoir 1,
xt2 : Le niveau d’eau dans le réservoir 2,
xt3 : Le niveau d’eau dans le réservoir 3.
La distance entre les points est la distance euclidienne,
elle déduite de la façon suivante :
2

d ( xt , w j ) = xt − w j = [∑ ( xtk − wkj ) ]1/ 2


3
(10)
k =1

avec w j ( w1j , w2j , w3j ) le prototype condidat d ' une classe Cj.

Figure 5 : Système de régulation de niveau d’eau.

Le mode de fonctionnement normal de ce système est


établi lorsque toutes les électrovannes sont ouvertes et
les deux pompes sont fonctionnelles. Néanmoins,
plusieurs pannes élémentaires peuvent être survenues.
Nous traiterons dans la suite le fonctionnement normal et
les pannes élémentaires envisageables comme étant des
modes de fonctionnements distincts :

Mode 1 l’arrêt de la pompe P1 et P2


Mode 2 fonctionnement normal Figure 6 : Préparation de la bibliothèque de références.
Mode 3 L’électrovanne V2 est fermée
Six classes sont considérées dont chacune représente un
Mode 4 L’électrovanne V23 est fermée mode de fonctionnement singulier. L’ensemble de ces
Mode 5 L’électrovanne V12 est fermée classes sont mis dans une bibliothèque employée par la
Mode 6 L’électrovanne V1 est fermée suite pour faire la classification en ligne des nouvelles
observations.
Tableau 1: Modes de fonctionnement et pannes
envisageables. 4.2.2 Classification en ligne
Considérons le tableau (1) illustrant le mode de
Ainsi, nous appellerons un mode imprévisible toute
fonctionnement et l’ensemble des pannes possibles.
panne multiple qui correspond à une association de deux
pannes élémentaires.

4.2 Simulation

4.2.1 Préparation de la bibliothèque


Pour construire une bibliothèque primitive, nous nous
profitons de la proximité qui existe entre les points
appartenant naturellement à la même classe. De cet
aperçu vient l’idée d’utiliser l’algorithme à seuil, fondé
sur la notion de voisinage. Comme initialisation de
l’algorithme, nous considérons :

- Un seuil ε = 5,0001,
- Un pas de déplacement de prototype α = 1.

La valeur du seuil ε est fixée d’une façon empirique


après des essais d’épreuve permettant de retenir la bonne Figure 7 : Réponse du système lors d’un passage du
valeur reproduisant la partition optimale. Nous disposons mode normal à un mode défaillant.
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

Afin de prouver l’affinité de la méthode adoptée décrite


auparavant et sa contribution à la détection et à
l’identification de mode de fonctionnement, nous
proposons de simuler le système pendant un intervalle de
temps au cours duquel il y a un passage d’un mode à un
autre à l’itération 100 (changement de mode) comme le
montre la figure ci-dessus (Figure 7).

Figure 9 : Comportement du système lors d’un


changement de mode (cas de mode imprévisible).

Considérons la dynamique illustrée par la figure 9 qui


décrit le comportement du système lors d’une panne
multiple à partir de l’itération 150, sous l’hypothèse que
cette panne est considérée imprévisible.

Comme il est paru dans la figure ci-dessous (figure 10),


entre les itérations 0 et 150, le mode de fonctionnement
du système est le mode 2 qui correspond au mode de
Figure 8 : Détection de changement de mode et fonctionnement normal. Ceci est interprété dans la mesure
identification des modes prévisibles par le suivi de la où D2(xt,C2)=0. En outre, à partir de l’instant t=150, nous
variation de Dj(xt,Cj). constatons aisément qu’un changement de mode a eu lieu.
Ainsi, le système se dévie vers un état de fonctionnement
On désigne par Dj(xt,Cj) le degré de la dissemblance entre en mode imprévisible puisque aucune mesure de la
le comportement du système à l’instant t et la classe Cj. dissemblance Dj(xt,Cj) remplit l’une des conditions de la
En évaluant itérativement l’énergie Dj(xt,Cj) associée à formulation (8) à partir de cet instant. Il s’agit, donc,
chaque mode, il est possible de faire les constatations d’une adéquation nulle.
nécessaires sur l’état de processus et sur son mode de
fonctionnement. En effet, nous percevons à partir de la
figure 8 que le système, entre les itérations 0 et 100,
fonctionne en mode 2 puisque l’énergie D2(xt,C2)=0. Nous
constatons aussi qu’il y a un changement de mode à partir
de l’itération 100 et le système tend vers un
fonctionnement en mode 5 vu que le degré de la
dissemblance D5(xt,C5) se décroit progressivement
conformément aux conditions de la formulation (8).

Ainsi, il est intuitif d’indiquer que d’autres pannes


peuvent se manifester en combinant les pannes
élémentaires citées précédemment. Nous appellerons ces
pannes "les pannes multiples" et nous les traiterons dans
la suite comme des modes imprévisibles de
fonctionnement.

Figure 10 : Détection de changement de mode et


identification (cas d’un mode imprévisible).
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

Afin de fournir une aide contribuant à identifier le Pour être sûr de l’état de fonctionnement du système,
nouveau mode, nous calculons itérativement le degré de aucune décision ne sera prise qu’après l’écoulement
dissemblance marginale DM j ( xti , C j ) de chaque d’une temporisation. Le jugement final sera fondé sur
i
l’ensemble de toutes les détections durant cette période
descripteur xt selon le principe décrit dans le paragraphe en favorisant la détection qui s’est répétée la plus
(3.2). souvent. C’est une technique de confirmation de pannes
qui se fait par une répétition de la détection dans un
intervalle de temps. Elle permet de ne pas prendre en
compte aucune décision qu’après une certaine durée.

CONCLUSION

Dans ce travail, nous avons proposé une stratégie pour le


diagnostic et la surveillance en ligne des systèmes
automatiques. Une méthodologie complète est suivie
pour accomplir ce travail qui se repose sur deux étapes.
La première consiste à la construction d’une
bibliothèque initiale de références représentant les modes
de fonctionnement normaux et défaillants. Afin de
générer les meilleurs résultats, nous avons utilisé un
algorithme dédié à la classification non supervisée et
amélioré afin d’aboutir à un partitionnement optimal de
Figure 11 : Variation de degré de la dissemblance classes. La deuxième étape consiste à identifier en ligne
associée au mode 4. le mode de fonctionnement du système en se référant sur
la bibliothèque préparée avant. Ceci est achevé en
A partir des résultats de simulation donnée par la figure employant un critère d’adéquation reposé sur la mesure
11, nous constatons qu’à partir de l’itération 150, le de degré de la dissemblance entre l’observation agrégat
degré de dissemblance entre la classe 4 (mode4) et le et les objets de chaque classe présente. Ce critère tient
troisième descripteur xt3 se décroit progressivement. compte des informations inconnues et des adéquations
nulles qui peuvent être rencontrées. De ce fait, nous
Ceci signifie que le comportement réel du système est aboutissons à la création d’une bibliothèque dynamique
partiellement cohérent à celui du mode 4. permettant d’y ajouter tout nouveau mode non reconnu
auparavant, Nous avons, ainsi, introduit une approche
conduisant à fournir une aide pour l’identification et la
localisation de ce type de modes par le suivi d’une
adéquation marginale proposée.

RÉFÉRENCES

Aimed, 2007. Diagnostic des systèmes hybrides :


développement d’une méthode associant la
détection par classification et la simulation
dynamique. Thèse de Doctorat, INSA Toulouse,
France.

Baikeche, 2007. Diagnostic des systèmes linéaires en


boucle fermée. Thèse de Doctorat, Institut National
Polytechnique de Lorraine, France.
Figure 12 : Variation de degré de la dissemblance
associée au mode 5. Boubacar, G. Mercere, S. Lecoeuche, 2006. Suivi de
Systèmes Non-stationnaires basé sur une approche
de Reconnaissance des Formes. Conférence
D’une manière analogue, nous constatons ainsi à partir Internationale Francophone d'Automatique
de la figure 12 que le comportement observé et (CIFA06, ed.). Bordeaux, France.
partiellement similaire à celui d mode 5.
En effet, une aide à la décision est fournie le fait que le Boubou, 2007. Contribution aux méthodes de
système évolue selon un nouveau mode résultant de classification non supervisée via des approches pré
l’association du mode 4 et mode 5 vue que son topologiques et d’agrégation d’opinions. Thèse de
comportement semble proche à celui associé à ces deux Doctorat, Université Claude-Bernard Lyon I,
modes. France.
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

Casimir, 2003. Diagnostic des défauts des machines Zemouri M-R, 2003. Contribution à la surveillance des
asynchrones par reconnaissance des formes. Thèse systèmes de production à l’aide des réseaux de
de Doctorat, Ecole Centrale de Lyon, France. neurones dynamiques : Application à la e-
maintenance. Thèse de Doctorat, L’UFR des
Deng D. and N. Kasabov, 2002. On-line pattern analysis sciences et techniques, Université de Franche-
by Evolving Self-Organizing Maps", Science Comté, France.
Direct, Neurocomputing, p. 87-103.
Zidi, S. Maouche et S. Hammadi, 2006. Nouvelle
Fuyuan Cao, J. Liang and G. Juang, 2009. An approche pour la régulation des réseaux de transport
initialisation method for the K-Means algorithm multimodal. MOSIM’06, Modélisation,
using neighbourhood model. Science Direct, Optimisation et Simulation des systèmes : Défis et
Computers & Mathematics with Applications, Vol. opportunités, Maroc.
58, Issue 3, p. 474-483.
Zouari, K. Laabidi and M. Ksouri, 2008. Multimodel
Gamero Fco-I, J. Colomer, J. Melendez and P. Warren, approach applied for failure diagnosis. International
2005. Predicting aerodynamic instabilities in a blast Journal of Sciences and Techniques of Automatic
furnace. Science Direct Engineering Applications of control & computer engineering IJ-STA, Vol. 2, No.
Artificial Intelligence, p.103–111. 1, p. 500-515.

Lopez-Varela C-G, 2007. Détection et diagnostic basés


cohérence pour les systèmes à événements discrets :
vers la prise en compte des erreurs de modélisation.
Thèse de Doctorat, Université de Toulouse, France.

Loures E-R, Paula M.A.B, Pascal J.-C, 2006.


Maintenance integration in a control-monitoring
architecture based on Petri net with objects.
Application to a flexible manufacturing system.
Emerging Technologies and Factory Automation
ETFA '06. IEEE Conference, p. 929-936. Prague.

Molina A-O, 2005. Méthodologies pour le placement


des capteurs à base de méthode de classification en
vue de diagnostic. Thèse de Doctorat, INSA
Toulouse, France.

Otilia E-V, 2008. Contribution au pronostic de


défaillances par réseau neuro-flou : maîtrise de
l’erreur de prédiction. Thèse de Doctorat, L’UFR
des sciences et techniques, Université de Franche-
Comté, France.

Palau A., E. Velo and L. Puigjaner. 1999. Use of neural


networks and experts systems to control a gas/solid
sorption chilling machine. International Journal of
refrigeration, Vol. 22, Issue 1, p. 59-66.

Pena J-M, J.A Lozano and P. Larranaga, 1999. An


empirical comparison of four initialization methods
for the K-Means algorithm. Science directe, Pattern
Recognition Letters, Vol. 20, Issue 10, p. 1027-
1040.

Verron, 2007. Diagnostic et surveillance des processus


complexes par réseaux de neurones bayésiennes.
Thèse de Doctorat, Université d’Angers, France.

View publication stats

Vous aimerez peut-être aussi