Académique Documents
Professionnel Documents
Culture Documents
information
Article
Une stratégie de diagnostic des défauts par auto-
apprentissage basée sur la fusion de plusieurs
modèles.
Tianzhen Wang 1,2 , Jingjing Dong 1, Tao Xie 1, Demba Diallo 1,3et
Mohamed Benbouzid 1,2,*
1
Logistics Engineering College, Shanghai Maritime University, Shanghai 201306, Chine ;
tzwang@shmtu.edu.cn (T.W.) ; shirleyjing2010@163.com (J.D.) ; smu_taoxie@163.com (T.X.)
; Demba.Diallo@geeps.centralesupelec.fr (D.D.)
2
Institut de Recherche Dupuy de Lôme UMR CNRS 6026 IRDL, Université de Brest, Brest 29238, France
3
Groupe de génie électrique Paris UMR CNRS 8507, CentraleSupelec, Univ. Paris Sud,
Sorbonne Université, Gif-sur-Yvette 91192, France
*Correspondance : Mohamed.Benbouzid@univ-brest.fr ; Tél : +33-2-9801-8007
ror de
Reçu : 11 janvier 2019 ; Accepté : 13 mars 2019 ; Publié : 17 mars 2019 contrôle
mises à
jour
Résumé : Cet article présente une approche pour détecter et classifier les fautes dans les systèmes
complexes avec de petites quantités d'historique de données disponibles. La méthodologie est
basée sur la fusion de modèles pour la détection et la classification des défauts. De plus, la base de
données est enrichie d'échantillons supplémentaires s'ils sont correctement classés. Pour la
détection des défauts, l'analyse en composantes principales par noyau (KPCA), l'analyse en
composantes indépendantes par noyau (KICA) et la description de domaine par vecteur de support
(SVDD) ont été utilisées et combinées avec un opérateur de fusion. Pour la classification, le moteur
d'apprentissage extrême (ELM) a été utilisé avec différentes fonctions d'activation combinées à une
fonction de fusion moyenne. Les performances de la méthodologie ont été évaluées à l'aide d'un
ensemble de données expérimentales de vibrations recueillies sur un banc d'essai de roulements
testés jusqu'à la défaillance. Les résultats montrent l'efficacité de l'approche proposée par rapport
aux méthodes conventionnelles. La détection des défauts a été réalisée avec un taux de fausses alarmes
de 2,29% et un taux d'alarmes manquantes nul. Les données sont également classées avec succès
avec un taux de 99,17%.
1. Introduction
En raison des exigences accrues en termes d'efficacité et de performances économiques, les
systèmes industriels modernes sont devenus plus complexes [1]. Le nombre croissant de
composants et les modes de fonctionnement complexes augmentent le taux de défaillance [2-4]. Par
conséquent, afin de respecter les exigences de sécurité et de fiabilité, une stratégie de détection et de
diagnostic des défauts doit être mise en œuvre pour surveiller le système. Les approches actuelles
de diagnostic des défaillances peuvent être divisées en deux grandes catégories : les approches
basées sur la physique et celles basées sur les données [3-5]. En raison de la complexité des systèmes
industriels modernes, il est difficile d'établir un modèle analytique précis basé sur la physique [6]. En
outre, la plupart des processus sont de plus en plus contrôlés par des ordinateurs. Par conséquent, une
énorme quantité de données est disponible, ce qui rend les méthodes basées sur les données très
attrayantes [7].
L'analyse statistique multivariée et l'apprentissage automatique deviennent de plus en plus
populaires en tant qu'outils d'extraction et d'analyse de caractéristiques pour le diagnostic des
défauts à l'aide d'une approche axée sur les données [8]. Parmi les méthodes d'analyse statistique,
l'analyse en composantes principales (ACP) a été largement utilisée dans la surveillance des processus
[9-13]. Cependant, l'ACP est optimale lorsque les données suivent une distribution gaussienne [14].
Par conséquent, Z. Q. Ge a présenté un modèle PCA-1-machine à vecteur de support (SVM) et Y. Zhang
et al. ont appliqué une analyse en composantes indépendantes (ICA) pour la détection des défauts
[15,16]. Cependant, lorsque la distribution est plus complexe, les méthodes habituelles de détection
des défauts sont moins performantes. Ainsi,
L. R. Arnaut et al. ont proposé différentes combinaisons de l'ICA et de la PCA [17,18] au détriment d'une
charge de calcul plus élevée. De plus, les comportements dans les processus industriels réels sont
généralement non linéaires [19,20]. Par conséquent, l'utilisation de transformations linéaires peut
entraîner la perte d'informations importantes et des performances médiocres en matière de détection
des défauts [21]. Pour résoudre ce problème, B. Schölkopf et al. ont proposé la méthode du noyau [22],
comme l'analyse en composantes principales du noyau (KPCA) et l'analyse en composantes
indépendantes du noyau (KICA) [23-26]. Cependant, l'hypothèse de variables indépendantes et
identiquement distribuées doit être maintenue [27-31]. Certaines méthodes d'apprentissage
automatique telles que l'Extreme Learning Lachine (ELM) et le Support Vector Machine (SVM) ont de
bonnes performances avec un processus non linéaire, sans hypothèse sur les variables. Cependant, l'ELM
nécessite souvent une grande quantité de données d'étiquettes pour l'apprentissage hors ligne, qui ne
sont pas toujours disponibles dans les processus industriels réels [27]. Ainsi,
V. Vapnik et al. ont proposé la machine à vecteurs de soutien (SVM) pour traiter la classification de
petits échantillons de données [32]. Le SVM est une autre application de la méthode du noyau, qui
présente de meilleures performances de généralisation et une capacité de traitement non linéaire [33].
Bien qu'il puisse extraire des caractéristiques non linéaires et détecter efficacement les défauts, il
nécessite beaucoup de temps dans les phases de formation et de test. C'est pourquoi Tax et al. ont
proposé la description du domaine vectoriel de soutien (SVDD) à marge souple [34].
De plus, en plus des caractéristiques non linéaires, les processus industriels réels ont différents
points de fonctionnement en régime permanent et transitoire. Il est donc difficile d'obtenir une
surveillance précise avec un seul modèle qui ne peut pas prendre en compte toutes les dynamiques [35].
Toutes les méthodes susmentionnées sont basées sur un seul modèle. C'est pourquoi certains
universitaires ont évalué de nouvelles techniques telles que l'ACP relative (RPCA), l'ELM séquentiel en
ligne (OS-ELM), l'ICA dynamique et le SVM hyper-sphérique dynamique (HSSVM). Certaines
améliorations ont été constatées, mais pas pour tous les modes de fonctionnement.
Dans cet article, nous proposons une approche basée sur la fusion multi-modèles pour prendre
en compte tous les points de fonctionnement. Nous proposons également de combiner différentes
techniques pour la détection et la classification des défauts. De plus, pour élargir la base de données
initiale, tous les nouveaux échantillons bien classés à la fois dans les étapes de détection et de
classification des défauts sont inclus dans la base de données ; ceci est connu sous le nom d'auto-
apprentissage. Pour évaluer notre approche, des données de roulements réels provenant du Center for
Intelligent Maintenance Systems (IMS) de l'Université de Cincinnati sont utilisées [36]. L'article est
organisé comme suit : La section 2 présente la stratégie de diagnostic des défauts. La section 3 décrit
un cas spécifique de diagnostic de défauts dans des conditions complexes. La section 4 présente
l'ensemble des données expérimentales du roulement et les résultats de la détection et de la
classification des défauts. Enfin, les conclusions sont tirées dans la section 5.
Les règles suivantes sont spécifiées lors de la sélection des modèles pour la détection ou la
classification :
➢ Les modèles de classification sont différents les uns des autres, afin d'augmenter la précision
de la classification.
➢ Les modèles de classification doivent avoir une grande précision de classification pour éviter
l'apparition d'erreurs cumulatives.
➢ Le temps de calcul de chaque modèle de classification doit être le plus court possible. En effet,
pour la classification des défauts, la contrainte de temps est moindre.
Information 2019, 10, 116 5sur 13
La fusion est utilisée pour prendre la décision finale à partir des résultats des différents
modèles. Différentes méthodes peuvent être utilisées, comme le vote, l'inférence bayésienne et la
méthode de l'espace de connaissance du comportement. L'inférence bayésienne nécessite davantage
de données et de connaissances préalables, et la méthode de l'espace de connaissance du
comportement nécessite un espace de stockage important pour enregistrer les résultats de
l'identification. Par souci de simplicité, nous utiliserons la méthode du vote, qui est décrite ci-après.
Chaque modèle de classificateur émet un vote (y ipour le classificateur i) et le vote accumulé pour
chaque classe est
calculé comme suit :
y = f (wi , y i), i = 1, . . . , s (1)
KP SV
y yKI y
1 2 3
Fu
R
Figure 2. Organigramme de la détection des défauts.
2
< cl
1−1T2 T détails de cette méthode peuvent être
où Tcl 2 est la limite de confiance de la statistique T2. Les
trouvés dans
Référence [13].
Information 2019, 10, 116 6sur 13
1d2
y3= ( ≥ r2 (4)
-1d2 < r2
Si Re = 1, un défaut est détecté. Si Re = 0 ou -1, l'échantillon est utilisé pour mettre à jour le ou les
modèles qui ont détecté qu'aucun défaut ne s'est produit.
Université de Cincinnati [36]. Le banc d'essai détaillé et le schéma de l'installation sont présentés à la
figure 3 [37].
Quatre roulements ont été installés sur un arbre entraîné par un moteur, et la vitesse de rotation a
été fixée à 2000 tr/min. Une charge radiale de 6000 livres était appliquée sur l'arbre et le roulement
par un mécanisme à ressort. Les données ont été collectées à l'aide d'une carte NI DAQ 6062E, et le
taux d'échantillonnage était de 20 kHz (chaque fichier contenait 20 480 points). Trois ensembles de
données étaient inclus dans le paquet de données, et chaque ensemble de données consistait en une
expérience de test à la défaillance. Pour évaluer les performances de l'approche proposée, les
données ont été organisées en différentes sections, comme décrit dans le tableau 1, avec les données
saines et trois types de défauts.
L'ACP et l'ACP-SVDD ont également été évaluées avec les mêmes données. La figure 5 montre
le résultat de la détection des défauts avec deux métriques : Le T2 de Hotelling et la statistique de
l'erreur prédictive carrée (SPE), respectivement. Les performances étaient manifestement très
faibles. Des améliorations significatives ont été obtenues lorsque le SVDD a été utilisé pour analyser
les caractéristiques extraites avec l'ACP. Les résultats sont représentés sur la figure 6.
Enfin, une stratégie multi-modèle sans auto-apprentissage a été évaluée avec les mêmes
échantillons de données. Les résultats représentés sur la figure 7a montrent une nette amélioration
de la détection des défauts pour les trois défauts. Cependant, cette méthode a souffert d'un taux élevé
de fausses alarmes. L'auto-apprentissage a été introduit avec un opérateur de fusion et les résultats
sont représentés sur la figure 7b. Tous les échantillons défectueux ont été détectés, et les données
des défauts 2 et 3 sont toutes classées avec précision. En outre, la précision de la classification du défaut
1 a atteint 97,5 %.
KPCA x 105KIC A
80 3
70
2.5
60
2
50
leur
Val
eur
2Va
T2
401.5
I
30
1
20
0.5
10
080160 0
0 240320 400 480 080160240320400480
Point d'échantillonnage Point d'échantillonnage
1.4
1.2
1
Dist
anc
e
0.8
0.6
0.4
0.2
080160
0 240320 400480
Point d'échantillonnage
(c) SVDD
PCA PCA
10 0.09
90. 08
80. 07
7
0.06
6
ur de
Vale
0.05
SPE
Val
eur
T2
la
5
0.04
0.03
3
0.02
2
0.01
1
0
0 080160240320400480
080160240 320 400480
Point Point d'échantillonnage
d'échantillonnage
PCA-SVDD
1.3
1.2
1.1
Dist
anc
e
0.9
0.8
0.7
0.6
0.5
0 80160240320400 480
Point d'échantillonnage
3
iagnostic
R ésultat
détection
Résultat
2
de la
du d
0 0
0 80 160 240 320 400 480 0 80 160 240 320 400 480
Point Point
d'échantillonna d'échantillonna
ge ge
Les résultats de la détection des défauts sont résumés dans le tableau 2 avec les taux de fausses
alarmes et d'alarmes manquantes. La fusion des modèles et l'auto-apprentissage ont clairement
montré de meilleures performances. Son taux de fausses alarmes était bien inférieur à 5 %, ce qui
est un paramètre couramment adopté dans les processus industriels.
ou 0, ils étaient faux. Nous avons utilisé les quatre modèles pour classer les défauts respectivement,
puisque les différents modèles ELM ont eu des résultats différents dans la classification des défauts.
On peut voir que les résultats de la classification n'étaient pas bons. Et la précision moyenne de ces
quatre modèles ELM a été utilisée pour exprimer la précision de classification de l'ELM. La précision
globale de l'ELM n'était que de 75,20%. La raison principale est la suivante : L'échantillon historique
était faible, ce qui signifie que le modèle n'a pas reçu suffisamment de formation. Nous avons établi le
SVDD, qui a utilisé ces trois différentes données de défaut dans la phase de classification, et le résultat
de la classification du SVDD, comme le montre la figure 9a. Le résultat de la classification était bon
pour les défauts 2 et 3, mais pas pour le défaut 1. La figure 9b représente le résultat de la
classification du modèle BP. Les données du défaut 2 ont toutes été classées correctement, mais la
précision globale de la classification n'était pas idéale, puisqu'elle n'était que de 74,58 %. Le modèle BP
nécessite beaucoup de temps dans la phase de formation, ce qui rend difficile la réalisation de la
surveillance en ligne. La figure 9c illustre le résultat de la classification du RVM. Il a obtenu une bonne
précision de classification dans les données des défauts 2 et 3. Cependant, un grand nombre
d'échantillons de défauts 1 ont été mal classés en tant que défauts 3. La précision globale du RVM
était supérieure à celle de l'ELM, du BP et du SVDD. Mais le RVM est un classificateur binaire, qui
nécessite l'établissement d'une pluralité de classificateurs RVM, lorsqu'il est utilisé dans des diagnostics
de défauts multiples. Par conséquent, cela a considérablement augmenté la complexité des calculs.
Comme pour la phase de détection, cet article utilise également une stratégie multi-modèle pour
illustrer l'effet de la stratégie proposée. La figure 9d montre les résultats de la classification avec le
multi-modèle. La précision globale de la classification était de 92,5 %. La précision de la classification
a donc été améliorée avec le multi-modèle par rapport à l'approche à modèle unique. Le tableau 3
montre les résultats de classification d'une comparaison lorsque les cinq approches ont été utilisées
pour la classification des défauts du test de roulement pour la même condition. Les défauts 1, 2 et 3
ont été bien classés en utilisant la stratégie proposée. En outre, sa précision globale était supérieure
à celle de l'approche multi-modèle unique, ce qui prouve l'effet positif de l'auto-apprentissage.
ELM ELM
3.5 3.5
33
classificati
classificati
Résultat
Résultat
22
de la
de la
on
on
11
0
080160
0 240
320400480 080160240320400480
Point
Point d'échantillonnage
d'échantillonn
age
33
classificati
classificati
Résultat
Résultat
22
de la
de la
on
on
11
080160240320400480
Point d'échantillonnage
0
080160240320400480
Point d'échantillonnage
Information
0 2019, 10, 116 14sur 13
(c) Troisième modèle avec fonction radbas (d) Quatrième modèle avec
fonction sigmoïde
SVDDBP
3.5
33
classificati
classificati
Résultat
Résultat
22
de la
de la
on
on
11
0
080160
0 050100150200250300350400450500
240320400480 Point d'échantillonnage
Point d'échantillonnage
33
classificatio
Résultat de
Défailla
classificati
Résultat
22
de la
on
la
11
0
080160240320400480
0 080160240320400480
Point d'échantillonnage
Point
(c) Machine à vecteur de pertinence d'échantillonna
ge
Précision
ApprocheClassification
Défaut Défaut Défaut En
1 2 3 général
ELM 40.5/80 60/80 80/80 75.20%
SVDD 44/80 74/80 73/80 79.58%
BP 22/80 80/80 77/80 74.58%
RVM 56/80 74/80 79/80 87.08%
Multi-modèle 62/80 80/80 80/80 92.50%
Stratégie 78/80 80/80 80/80 99.17%
proposée
D'après les résultats affichés dans le tableau 3, nous pouvons déduire que les meilleures
performances de détection et de classification ont été obtenues avec le multi-modèle combiné à la
stratégie d'auto-apprentissage.
5. Conclusions
Dans les processus industriels actuels, la compétitivité passe par la maintenance conditionnelle afin
de réduire les arrêts intempestifs et les coûts de maintenance. La surveillance de l'état de santé est l'un
des outils permettant d'atteindre ces objectifs. Cependant, les processus sont plus complexes car ils
impliquent différents phénomènes physiques et des comportements hautement non linéaires. Les points
de fonctionnement sont également variables. Par conséquent, un modèle unique ne serait pas en mesure
de saisir toute la dynamique des données pour la surveillance de la santé. Cet article propose donc une
stratégie de diagnostic des défauts basée sur le multi-modèle et l'auto-apprentissage. Dans l'étape de
Information 2019, 10, 116 16sur 13
détection des défauts, les modèles KPCA, KICA et SVDD ont été utilisés et combinés avec un opérateur de
fusion. Dans la classification
Information 2019, 10, 116 17sur 13
Dans l'étape de fusion, le modèle ELM a été utilisé avec différentes fonctions d'activation combinées à une
fonction de fusion moyenne. Cette stratégie a été évaluée avec les données de vibration de l'expérience
de test à la rupture d'un roulement. La détection des défauts a été réalisée avec un taux de fausses
alarmes de 2,29% et un taux d'alarmes manquantes nul. Les données ont également été classées avec
succès avec un taux de 99,17%. La méthode proposée peut également être appliquée à d'autres
domaines [38-42]. Il convient de mentionner que la stratégie proposée pourrait augmenter le temps de
calcul. Heureusement, les processeurs sont de plus en plus puissants et le logiciel peut être
judicieusement partitionné sur plusieurs processeurs dans un système multicœur pour une surveillance
en temps réel. La surveillance peut également être engagée périodiquement si cela est nécessaire pour
réduire la charge de calcul.
Contributions des auteurs : T.W. a proposé l'approche de fusion multi-modèle ; J.D. et T.X. ont réalisé les simulations
et les tests ; T.W., D.D. et M.B. ont vérifié les résultats des simulations et des tests et ont supervisé l'ensemble
de la procédure de recherche de cet article.
Financement : Cette recherche est soutenue par la National Natural Science Foundation of China (61673260)
et la Shanghai Natural Science Foundation (16ZR1414300).
Conflits d'intérêts : Les auteurs ne déclarent aucun conflit d'intérêt.
Références
1. Gao, Z. ; Ding, S. ; Cecati, C. Real-time fault diagnosis and fault-tolerant control. IEEE Trans. Ind. Electr. 2015,
62, 3752–3756. [CrossRef]
2. Xu, X. ; Li, S. ; Shen, X. ; Wen, C. The optimal design of industrial alarm systems based on evidence theory.
Control Eng. Practice 2016, 46, 142-156. [CrossRef]
3. Wen, C. ; Wang, Z. ; Hu, J. ; Liu, Q. ; Alsaadi, F. Recursive filtering for state-saturated systems with randomly
occurring nonlinearities and missing measurements. Int. J. Robust Nonlinearity Control 2018, 28, 1715-1727.
[CrossRef]
4. Wang, T. ; Liu, L. ; Zhang, J. ; Schaeffer, E. ; Wang, Y. Une stratégie M-EKF de détection des défauts du
système d'isolation d'une turbine marine à courant. Mechanical Syst. Signal Process. 2019, 115, 26–280.
[CrossRef]
5. Costamagna, P. ; Giorgi, A. ; Magistri, L. ; Moser, G. ; Pellaco, L. ; Trucco, A. A Classification approach for
model-based fault diagnosis in power generation systems based on solid oxide fuel cells. IEEE Trans. Energy
Convers. 2016, 31, 676–687. [CrossRef]
6. Wan, L. ; Ding, F. Decomposition- and gradient-based iterative identification algorithms for
multivariablesystems using the multi-innovation theory. Circuits Syst. Signal Process. 2019, 38. [CrossRef]
7. Li, Z. ; Outbib, R. ; Giurgea, S. ; Hissel, D. Diagnostic pour les systèmes PEMFC : Une approche guidée par
les données avec les capacités d'adaptation en ligne et une nouvelle détection des défauts. IEEE Trans. Ind.
Electr. 2015, 62, 5164-5174. [CrossRef]
8. Ma, M. ; Wong, D. ; Jang, S. ; Tseng, S. Fault detection based on statistical multivariate analysis and
microarrayvisualization. IEEE Trans. Ind. Inform. 2010, 6, 18–24.
9. Harmouche, J. ; Delpha, C. ; Diallo, D. Détection et diagnostic de défauts naissants basés sur la divergence
de Kullback-Leibler en utilisant l'analyse en composantes principales : Part I. Signal Process. 2014, 94, 278–
287. [CrossRef]
10. Harmouche, J. ; Delpha, C. ; Diallo, D. Détection et diagnostic de défauts naissants basés sur la divergence
de Kullback-Leibler en utilisant l'analyse en composantes principales : Part II. Signal Process. 2015, 109, 334–
344. [CrossRef]
11. Wang, T. ; Xu, H. ; Zhang, M. ; Han, J. ; Elbouchikhi, E. ; Benbouzid, M.E.H. Diagnostic des défauts d'un
système d'onduleurs multiniveaux à pont en H en cascade à l'aide d'une approche PCA et d'une machine
vectorielle de pertinence multi-classes. IEEE Trans. Power Electr. 2015, 30, 7006-7018. [CrossRef]
12. Jiang, Q. ; Yan, X. ; Huang, B. Performance-driven distributed PCA process monitoring based on fault-
relevantvariable selection and Bayesian inference. IEEE Trans. Ind. Electr. 2016, 63, 377-386. [CrossRef]
13. Wang, T. ; Wu, H. ; Ni, M. ; Zhang, M. ; Dong, J. ; Benbouzid, M.E.H. An adaptive confidence limit for
periodicnon-steady conditions fault detection. Mechanical Syst. Signal Process. 2016, 72–73, 328–345.
[CrossRef]
14. Yu, J. Évaluation de la dégradation des performances des roulements à l'aide de projections préservant la
localité et de modèles de mélange gaussien. Mechanical Syst. Signal Process. 2011, 25, 2573–2588.
[CrossRef]
15. Ge, Z. ; Song, Z. A distribution-free method for process monitoring. Expert Syst. Appl. 2011, 38, 9821-9829.
Information 2019, 10, 116 18sur 13
[CrossRef]
Information 2019, 10, 116 19sur 13
16. Zhang, Y. ; An, J. ; Ma, C. Fault detection of non-Gaussian processes based on model migration. IEEE Trans.
Control Syst. Tech. 2013, 21, 1517–1526. [CrossRef]
17. Arnaut, L. ; Obiekezie, C. Comparaison des composantes principales et indépendantes complexes pour les
émissions radiées quasi-gaussiennes des cartes de circuits imprimés. IEEE Trans. Electromag. Compat.
2014, 56, 1598–1603. [CrossRef]
18. Javidi, S. ; Took, C. ; Mandic, D. Fast independent component analysis algorithm for quaternion valued
signals. IEEE Trans. Neural Netw. 2011, 22, 1967-1978. [CrossRef] [PubMed]
19. Peng, K. ; Zhang, K. ; He, X. ; Li, G. ; Yang, X. Nouvelle approche de surveillance de processus basée sur l'analyse
indépendante du noyau et l'analyse en composantes principales avec application au processus de laminoir à
bandes à chaud. IET Control Theory Appl. 2014, 8, 1723-1731. [CrossRef]
20. Papaioannou, A. ; Zafeiriou, S. Analyse en composantes principales avec noyau complexe : Le modèle
largement linéaire.
IEEE Trans. Neural Netw. Learn. Syst. 2014, 25, 1719–1726. [CrossRef]
21. Mehrabian, H. ; Chopra, R. ; Martel, A. Calcul du signal intravasculaire en IRM dynamique avec
renforcement du contraste à l'aide d'une analyse complexe adaptative en composantes indépendantes.
IEEE Trans. Medical Imag. 2013, 32, 699–710. [CrossRef] [PubMed]
22. Schölkopf, B. ; Smola, A.J. Learning with Kernels ; MIT Press : Cambridge, MA, USA, 2002.
23. Schölkopf, B. ; Smola, A. ; Müller, K. Kernel principal component analysis. Adv. Kernel Methods - Support
Vector Learn. 2003, 27, 555–559.
24. Li, D. ; Liu, C. Extending attribute information for small data set classification. IEEE Trans. Knowledge
Data Eng. 2012, 24, 452-464. [CrossRef]
25. Ni, J. ; Zhang, C. ; Yang, S. Une approche adaptative basée sur KPCA et SVM pour le diagnostic en
temps réel des défauts des HVCBs. IEEE Trans. Power Deliv. 2011, 26, 1960–1971. [CrossRef]
26. Kocsor, A. ; Toth, L. Kernel-based feature extraction with a speech technology application. IEEE Trans. Signal
Process. 2004, 52, 2250–2263. [CrossRef]
27. Zhou, F. ; Park, J. ; Liu, Y. ; Wen, C. Méthode de détection de défauts dynamiques par ACP hiérarchique
basée sur des caractéristiques différentielles. Neurocomputing 2016, 202, 27-35. [CrossRef]
28. Ge, Z. Process data analytics via probabilistic latent variable models : A tutorial review. Ind. Eng. Chem. Res.
2018, 57, 12646–12661. [CrossRef]
29. Wang, Y. ; Ding, F. Algorithme d'estimation du gradient multi-innovation basé sur le filtrage et analyse des
performances pour les systèmes dynamiques non linéaires. IMA J. Appl. Math. 2017, 82, 1171–1191.
[CrossRef]
30. Li, Z. ; Kruger, U. ; Xie, L. ; Almansoori, A. ; Su, H. Adaptive KPCA Modeling of Nonlinear System. IEEE Trans.
Signal Process. 2015, 63, 2364–2376. [CrossRef]
31. Cai, L. ; Tian, X. ; Chen, S. Monitoring nonlinear and non-Gaussian processes using Gaussian mixture model-
based weighted kernel independent component analysis. IEEE Trans. Neural Netw. Learn. Syst. 2017, 28, 122–
135. [CrossRef]
32. Vapnik, V. Technologie d'apprentissage universel : Support vector machines. NEC J. Adv. Tech. 2005, 2, 137–144.
33. Wang, T. ; Qi, J. ; Xu, H. ; Wang, Y. ; Liu, L. ; Gao, D. Méthode de diagnostic des défauts basée sur FFT-RPCA-
SVM pour un onduleur en cascade à plusieurs niveaux. ISA Trans. 2016, 60, 156–163. [CrossRef] [PubMed]
34. Tax, D. ; Duin, R. Description des données des vecteurs de support. Machine Learn. 2004, 54, 45–66. [CrossRef]
35. Dong, J. ; Wang, T. ; Tang, T. ; Benbouzid, M.E.H. ; Liu, Z. ; Gao, D. Application d'une stratégie hybride KPCA-
KICA-HSSVM dans la détection de défauts de roulements. Dans les actes de l'édition 2016 de l'IEEE IPEMC
ECCE ASIA, Hefei, Chine, 22-26 mai 2016 ; pp. 1863-1867.
36. Lee, J. ; Qiu, H. ; Yu, G. ; Lin, J. Rexnord Technical Services. Bearing Data Set. IMS, Université de Cincinnati,
NASA Ames Prognostics Data Repository. 2007. Disponible en ligne : http://data-acoustics.
com/measurements/bearing-faults/bearing-4/ (consulté le 1er décembre 2018).
37. Qiu, H. ; Lee, J. ; Lin, J. ; Yu, G. Wavelet filter-based weak signature detection method and its application
onroller bearing prognostics. J. Sound Vib. 2006, 289, 1066–1090. [CrossRef]
38. Xu, X. ; Zheng, J. ; Yang, J. ; Xu, D. ; Chen, Y. Data classification using evidence reasoning rule. Knowl. Based
Syst. 2017, 116, 144–151. [CrossRef]
39. Wen, C. ; Wang, Z. ; Liu, Q. ; Alsaadi, F. Recursive distributed filtering for a class of state-saturated systems
with fading measurements and quantization effects. IEEE Trans. Syst. Man Cybern. Syst. 2018, 48, 930–941.
[CrossRef]
Information 2019, 10, 116 20sur 13
40. Wang, Y. ; Ding, F. ; Wu, M. Algorithme d'estimation récursive des paramètres pour les systèmes à erreurs de
sortie multivariées.
J. Frankl. Inst. 2018, 355, 5163-5181. [CrossRef]
41. Ge, Z. ; Liu, Y. Analytic hierarchy process based fuzzy decision fusion system for model prioritization and
process monitoring application. IEEE Trans. Ind. Inform. 2019, 15, 357–365. [CrossRef]
42. Luo, Y. ; Wang, Z. ; Wei, G. ; Alsaadi, F. Non-fragile fault estimation for Markovian jump 2-D systems with
specified power bounds. IEEE Trans. Syst. Man Cybern. Syst. 2018. [CrossRef]
© 2019 par les auteurs. Titulaire de la licence MDPI, Bâle, Suisse. Cet article est un article
en accès libre distribué selon les termes et conditions de la licence Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).