Diagnostic Industriel par Neuro-Floue Application Un Systme de Production

R.Mahdaoui* H.L Mouss** Laboratoire dAutomatique et Productique (LAP) Universit de Batna 1, Rue Chahid Boukhlouf 05000 Batna * mahdaouiraf@caramail.com ** hayet_mouss@yahoo.fr dans la troisime partie nous proposons un systme neuro-flou pour le diagnostic du systme de production. II.
LES SYSTMES NEURO-FLOUS

Rsum- Dans cet article, nous proposons une approche de reconnaissance de formes neuro-floue (RNF) statistique pour le diagnostic dun systme de production. Les caractristiques de lapproche neuro-flou pour le diagnostic industriel sont prsentes en combinant les concepts des rseaux de neurones artificiels (RNA) et celles de la logique floue(LF). Le systme de production choisie est latelier de clinkrisation de la SCIMAT, cimenterie de Ain Touta Batna .

Mots clefs - Diagnostic, rseaux de neurones artificiels, logique floue, neuro-floue, reconnaissance de formes. I. INTRODUCTION

La fonction de diagnostic est une tche trs complexe et ne peut tre qu'une partie rsolue par la technique de reconnaissance de formes [8], le diagnostic par RdF peut tre prsent comme une solution alternative lapproche modle puisque les modes de fonctionnement sont modliss, pas dune manire analytique, mais en utilisant uniquement un ensemble des mesures de ce modes [8]. Aussi l'expert humain dans sa mission de diagnostiquer la cause d'une dfaillance de tout un systme, utilise des informations quantitatives ou qualitatives. D'un autre ct, malgr les rsultats grandement surprenants obtenus par les RNA en surveillance et prcisment en diagnostic ils restent tout mme assez loin d'galer les capacits sensorielles et de raisonnement de l'tre humain. La logique floue fait un autre axe trs efficace en diagnostic industriel. Aussi, peut-on remplacer l'expert humain pour d'automatiser la tche de diagnostic 100%, en utilisant lapproche neuro-floue ? Et Comment fait l'expert humain pour rassembler toutes les informations lui permettant dapprendre sa dcision ? Notre objectif consiste faire une association (adaptation) de techniques de la logique floue avec les techniques neuronales (un systme neuro-floue), choisir les types de rseaux de neurone, dterminer les rgles floues et enfin la structure du systme neuro-flou pour automatiser le maximum de la tche diagnostic. Afin datteindre cet objectif nous organisons ainsi cet article. La premire partie prsente les principales architectures et principes de fonctionnement des systmes neuro-flous et leurs applications. La deuxime partie est ddie latelier de clinkrisation au niveau de cimenterie. Enfin,

Les Systmes hybrides qui combinent la logique floue, les rseaux neurones, les algorithmes gntiques, et les systmes experts prouvent leur efficacit dans une varit de problmes de monde rel et dans lindustrie. Chaque technique intelligente a des proprits particulires (par exemple capacit d'apprentissage, explication de dcisions). Chaque technique convient rsoudre certains problmes particuliers. En effet, les rseaux neuronaux sont par exemple utiliss pour la reconnaissance des modles. Cependant, ils sont incapables dexpliquer comment ils atteignent leurs dcisions. Aussi pour les Systmes de la logique floue qui peuvent raisonnez avec l'information imprcise et expliquer leurs dcisions mais ne peuvent cependant pas acqurir automatiquement les rgles quils lutilisent pour prendre ces dcisions. Ces limites ont t une raison derrire la cration de systmes hybrides intelligents o ; deux ou plus de techniques sont combines afin de vaincre les limitations dune seule technique. Afin de rsumer lapport du neuro-flou, le tableau 1 regroupe les avantages et les inconvnients de la logique floue et des RNAs.
TABLEAU I
COMPARAISON ENTRE RNA ET LF

RNA la base de rgle ne peut tre utilise Lapprentissage peut tre dmarr de zro Boite noire Complexion des algorithmes dapprentissage Difficult pour extraire la connaissance

SIF la base de rgle peut tre utilise Pas dapprentissage (utilise la connaissance linguistique). Interprtable (la rgle IF-THEN) Universel et implmentation simple La connaissance doit tre disponible

Les applications montrent les avantages de la logique floue quand le modle des systmes est difficile a implment. Malheureusement, avec l'augmentation dans la complexit du modle de l'existence du processus, nous avons rencontrs une difficult pour dvelopper des rgles floues et des fonctions dappartenance.

Cela a men au dveloppement d'une autre approche qui est principalement connu comme approche neuro-floue. L'intgration des rseaux de neurones et les systmes d'infrence flous peut tre formul en trois principales catgories : cooprative, concurrents et neuro-flou hybride [5]. Aussi, on peut dire que les systmes neuro-flous sont des modles de connexion qui permettent lapprentissage comme un RNA, mais leur structure peut tre interprte comme un ensemble de rgles floues. A. Dfinition Un systme neuro-flou hybride est un rseau de neurone avec un signal flou, des poids flous, une fonction de transfert floue et un module dadaptation de la structure de RNF par un apprentissage dun ensemble de donnes [7]. B. Principe de fonctionnement Les Rseaux de neuro-flous hybride apprennent des rapports et des modles en utilisant un algorithme dapprentissage supervis qui examine les donnes dans un ensemble de la formation qui consiste en exemples d'entres et leurs sorties associes. Pendant la phase dapprentissage, un Rseau neuro-flou hybride modifie sa structure interne pour reflter le rapport entre les entres et les sorties dans l'ensemble de la formation (base de connaissance). L'exactitude d'un Rseau neuro-flou est vrifie aprs que le cycle de dapprentissage soit complet en utilisant un ensemble spar d'entres et sorties appel l'ensemble de la validation Fig. 1,.
Fuzzification Infrence Dfuzzification

C. Le perceptron flou Larchitecture du perceptron flou est identique celle du perceptron multi-couche usuel, mais les poids sont modliss par des ensembles flous. Les activations, les sorties, et les fonctions de propagation seront changes. Aussi lintention de ce modle est quil soit interprtable par des rgles linguistiques et peut utiliser des bases de connaissance des rgles priori,donc lapprentissage peut ne pas dmarrer zro (la base de rgles nest pas vide). La Fig. 3. illustre un perceptron flou avec N entres, M rgles floues et P sorties. Les neurones de la premire couche ralisent la premire phase de linfrence floue. A chaque observation correspond des neurones de la premire couche dentre, charges de calculer les degrs dappartenance des variables floues aux diffrents sous ensembles de termes linguistiques. La fonction dappartenance utilise est la fonction triangulaire symtrique. Les neurones de la deuxime couche calculent le degr de vrit des antcdents des rgles floues par lintermdiaire de t-norme. Le nombre de neurones de cette couche est gal la taille de base de rgles. La connexion entre la premire couche et la deuxime nest pas totale car dfinie par la structure de la rgle linguistique. Les valeurs de sortie de la troisime couche sont le maximum des valeurs dactivation de toutes les units de rgles qui sont associ telle classe. Afin dimplmenter ce type de perceptron floue et lexploit pour diagnostiquer un systme de production ddie nous avons proposer un logiciel informatique NEFDIAG. III. PRESENTATION DE NEFDIAG A. Introduction Le NEFDIAG est un programme informatique de simulation interactive, ralis au sein de LAP (universit de Batna) crit sous DELPHI, consacr essentiellement a la cration, lapprentissage et au test dun systme neuro-flou de classification des pannes dun procd industriel ddi. NEFDIAG modlise un classificateur flou Fr avec un ensemble de classes C= {c1,c2cm} .

Fig. 1. Principe de fonctionnement de RNF.

Lapprentissage par renforcement est une addition rcente aux algorithmes dvelopps pour les rseaux neuro-flous hybrides. Ce type dapprentissage est utilis quand les sorties dsires pour une entre donne n'est pas connue pendant une squence d'actions qui ont lieu. Pendant le renforcement qui apprend le processus, la seule raction donne au systme est une indicatrice rugueuse de performance, tel que bon , mauvais , trop lent , ou trop vite .

B. structure et apprentissage NEFDIAG peut tre reprsent comme un type spcial de perceptron floue, trois couches utiliser pour classifier des dfaillances. NEFDIAG fait son apprentissage par un ensemble de formes, telle que chaque forme sera affecte (classe) vers une des classes prdfinies. NEFDIAG gnre les rgles floues par un parcours des donnes ensuite optimise les rgles par apprentissage les paramtres des sous ensembles floues qui sont utilises pour partitionner les donnes caractristiques des formes classes et les paramtres des donnes.

NEFDIAG modlise un classificateur flou Fr avec un Apres ensemble de classes C= {c1,c2cm} lapprentissage, NEFDIAG peut tre utilis pour classifier une nouvelle observation, le systme peut tre reprsent sous forme de rgles floues : Si Variable1 est A1 Variable2 est A2 Variable3 est A3 Variable n est An Alors la forme (x1, x2, x3,, xn) est classe dans la classe mode de dfaillance 1 . Telle que A1 A2 A3 An sont des termes linguistiques reprsents par des ensembles flous. Cette caractristique permettra de connatre les analyses sur nos donnes, et utiliser ces connaissances pour les classifier.
R1 y

dentre une partition floue initiale est spcifie exp. Un nombre des fonctions dappartenance triangulaire . Apprentissage des rgles : Le systme NEFDIAG peut dmarre avec une base de connaissance partielle de formes, et peut ensuite la raffiner durant lapprentissageFig. 3,. La rgle sera cre par la recherche (pour une forme donne F) la combinaison des fonctions dappartenance tel que chaque entre produite la plus grande fonction dappartenance Fig. 4,. Si cette combinaison nest pas identique pour les rgles existent dans la base des rgles, et le nombre de rgles nest pas maximum, alors une rgles sera cre et ajoute la base des rglesFig. 2,.
y

(1) 1

R2
( 21)

MD1

3(1)
1( 2)
( 22 )

R3
MD p

R4

Fig. 3.

Apprentissage des rgles.

Rm

Le nouveau MD Les nouvelles rgles

Fig. 2. Architecture dun RNF.

Lalgorithme dapprentissage dtecte (calcule) tous les antcdents des rgles et ensuite cre la liste des antcdents. En premier temps cette liste est vide, ou contient des antcdents de rgles des connaissances priori. Lalgorithme slectionne ensuite un consquent pour chercher lantcdent A et crer la liste de base de rgle candidates. Les meilleures rgles seront slectionnes de la base des rgles candidates, en base de mesure de performance [7].

Lapprentissage des rseaux de neuro-flous artificiels est une phase qui permet de dterminer ou de modifier les paramtres du rseau, afin dadopter un comportement dsir. Ltape dapprentissage est base sur la descente de gradient derreur quadratique moyenne commise par le rseau RNF. Le systme NEFDIAG peut dmarre avec une base de connaissance partielle des formes, et peut ensuite la raffiner durant lapprentissage, ou il peut dmarrer avec une base de connaissance vide. Lutilisateur dfini le nombre initial des fonctions dappartenance pour partitionner les domaines des donnes dentres. Et il faut aussi spcifier le nombre k, nombre maximum des neurones des rgles qui seront crs dans la couche cache. Les principales tapes de notre algorithme dapprentissage sont ainsi prsentes. Initialisation : pour chaque donne issue par des capteurs il y a une unit dentre , pour chaque mode de dfaillance il y a une unit de sortie. Pour chaque unit

1 (1) (1) c R( p) s ( p ,t ) 0 si classe( p) = con(R ) c = (2) si non 1 PR =

Dans ce cas quelque classes (mode de dfaillance) ne serait pas reprsent dans la base de rgles, si les rgles pour ce mode de dfaillance une valeur de performance trs petite. Apprentissage des Fonctions dAppartenance : pour lapprentissage des fonctions dappartenance, une simple rtro propagation est utilise. Elle dpend de lerreur de sortie pour chaque unit de rgles. Chaque rgle change ses fonctions dappartenance par le changement des leurs supports Fig. 4,. Fig. 5,.

Il faut que lerreur de chaque rgle soit calcule [5].

r = r (1 r )
r

1 m (2 r( j ) (t j ) 1) E j m j =1

(3) o

ciment seffectuent partir de deux stations, une pour les camions et une autre pour les wagons Fig. 6,.

est le degr daccomplissement dune rgle r.

Aprs lapparition dun autre nouveau mode de dfaillance dans la phase dapprentissage notre systme neuro-floue va faire une adaptation ou une restructuration du systme pour tre adapt a la nouvelle situation Fig. 2,.

Fig. 6 Prototype datelier de clinkeristaion par NEFDIAG aprs lapparition dun dfaut.

V. 4. DIAGNOSTIC PAR NEURO-FLOUE A. Analyse de dysfonctionnements Cette tape pour objectif lidentification des dysfonctionnements pouvant affecter la mission du systme. Cette analyse est grandement facilite par la reconnaissance des modles structurels et fonctionnels de linstallation. Pour lanalyse des dysfonctionnements nous avons retenu la mthode danalyse des modes de dfaillance, de leurs effets et leur criticit (AMDEC). En se basant sur ltude ralise par [6], sur latelier de cuisson, nous avons labor une AMDEC en ne considrant que les modes de dfaillances les plus critiques (criticit>10) et ceci pour des raisons de simplicit [6]. Donc nous avons un systme neuro-floue de 27 entres et quatre sorties qui ont t crs pour faire un diagnostic de notre systme. Les rgles qui sont crs avec le systme sont des connaissances a priori, c- a- d la base de rgle a priori. Chaque variable ayant une partition initiale sera modifie au long de la phase dapprentissage (nombre de ensembles floue pour chaque variable). Le raisonnement pour le diagnostic est dcrit sous forme de rgles floues lintrieur de notre systme neuro-floue. Lavantage principal de lutilisation de la base de rgles floues rside dans sa modularit et sa facilit dextension (suppression ou rajout dautres rgles). La base de rgles initiale pour tablir le diagnostic des dfaillances est construite en exploitant le modle labor en phases dysfonctionnement de notre systme (AMDEC). En effet, cette analyse permet dtablir les liens de causes effets entre les composantes dfaillants et les symptmes observs. Ces liens seront reprsents sous formes de rgles floues construisant la base de connaissances qui sera apprenties a plus tard et ensuite tests, pour effectuer les raisonnements floues ncessaire et

Fig.

4.

Partition de vitesse rotation de four avant et aprs apprentissage.

Dabord les couches de rgles (ou la base de rgles) ajout touts les rgles du mode de dfaillance dtect. Ensuite dans la couche des modes de dfaillance, un autre nud sera connect au rseau neuro-flou Fig. 2,
,( x)

1.0 0.85 0.5 0.15 a x b c X

Fig. 5.

apprentissage des FA

IV. LATELIER DE CLINKERISATION Notre application est illustre sur un procd industriel de fabrication du ciment. Cette installation fait partie de cimenterie de Ain-Touta (SCIMAT). Cette cimenterie dune capacit de 2.500.000 t/an Deux fours est compose de plusieurs units qui dterminent les diffrentes phases du processus de fabrication du ciment. Latelier de cuisson regroupe deux fours dont le dbit clinker est de 1560 t/h. le broyage de ciment comprend deux broyeurs de 100t/h chacun. Les expditions du

Aboutir aux rsultats exprimant la fonction de diagnostic.

CONCLUSION

Donnes issues par des capteurs (vecteur dentre)

Systme neuro-floue
C1 C2 C3 Cd Cr Restructuration de Systme neuro-flou

Rejeter Dfauts classifi Une autre Classe

(Panne, composante, criticit) Fig. 7. Le diagnostic par RDFSNF.

Critre de
classement

Ensuite la dtection des anomalies est reprsente sous forme de message dalarme destin signaler loprateur (utilisateur) lapparition dune anomalie (ou des anomalies) et permet didentifier le composant responsable laide dune base de donne qui stock toutes les informations fournies par lAMDEC (mode de dfaillance, causes possibles, quipement, effets sur le systme).
Lapparition dune dfaillance Intervention de NEFDIAG

Dans cet article, nous avons prsent un nouvel outil de diagnostic neuro-flou en suivant lapproche AMDEC, nous avons dtaill la mise en uvre dun exemple dapplication industrielle par loutil de dveloppement NEFDIAG. Nous avons illustr dutilisation de notre outil daide au prdiction diagnostic sous forme dun prototype NEFDIAG installer sur un PC, ce dveloppement a t ralis au LAP . Nous avons abord les diffrentes tapes suivre pour llaboration dun systme daide au diagnostic partir des mthodes de classification et des reconnaissances floues des formes. NEFDIAG est reprsent comme un type spcial de perceptron floue, trois couches utilis pour classifier des dfaillances, en utilisant le systme neuro-flou de type 3. NEFDIAG fait un apprentissage deux phases. Un apprentissage de rgles, et gnre les rgles floues par le parcours de donnes et optimise les rgles par apprentissage des paramtres des ensembles flous qui sont utiliss pour partitionner les donnes des formes classer et les paramtres des donnes. REFERENCES [1]
[2] H.K. Kwan and Y.Cai, A fuzzy neural network and its application to pattern recognition IEEE Transactions on Fuzzy Systems, 3 pp. 185-193. 1994 J.-S. Roger Jang ANFIS: Adaptive-network-based fuzzy inference system ,IEEE Trans. Syst., Man, and Cybernetics, 23(1993) 665-685. J.M. Keller and H.Tahani Implementation of conjunctive and disjunctive fuzzy logic rules with neural networks International Journal of Approximate Reasoning,6(1992) 221-240. G. Zweingelstein Diagnostic des dfaillances, thories et pratique pour les systmes industriels Col. Trait des nouvelles technologies, sries diagnostic et maintenance, Herms ,1995. L.-X wang and J.M Mendel Generation fuzzy rules by learning from examples IEEE trans. Syst., Man, and Cybernetics, (1992) 22(6):1414-1427. D. Mouss Diagnostic et conduite des systmes de production par approche a base de connaissances Thse de doctorat Universit de Batna, 2006. D. Nauck Neuro-fuzzy systems: review and prospectsEuropean congress on intelligent technique and sift computing (EUFIT97), Aachen, sep.8.11, (1997), pp.1044-1053. D. Racoceanu contribution la surveillance des systmes de production en utilisant les techniques de lintelligence artificielle habilitation diriger des recherches, universit de Franche Comt de Besanon, 2006.

[3]

[4]

[5]

[6] Fig. 8. la vitesse de rotation aprs lapparition dune anomalie ensuit lintervention de NEFDIAG. [7]

Aprs apparition dune anomalie, un message dalarme permet loprateur de dtecter le dysfonctionnement et aussi de localiser le composant responsable. La Fig. 2, illustre le systme de cuisson avec la prsence dun dysfonctionnement. Notons que dans cette tude, les anomalies ou dysfonctionnements dsignent des anomalies fonctionnelles. Aprs laffichage du message, loprateur peut consulter ce dernier pour plus dinformation ou bien le supprimer Fig. 6,. Ensuite NEFDIAG fait des interventions pour rguler les variables qui sont lorigine de la dfaillance couranteFig. 8,.

[8]