Académique Documents
Professionnel Documents
Culture Documents
SOUS GROUPE : 02
I. Introduction
Le diagnostic des défauts est une tâche importante qui consiste à identifier la cause d'un problème
ou d'une défaillance. Dans le passé, le diagnostic des défauts était un processus manuel, mais avec
l'augmentation de la complexité des systèmes, il est devenu de plus en plus difficile et coûteux.
Les systèmes experts sont une approche prometteuse pour le diagnostic des défauts dans les
systèmes complexes. Ils utilisent une base de connaissances des défauts potentiels et de leurs causes
pour identifier la cause la plus probable d'un défaut.
Les réseaux de neurones sont un type d'apprentissage automatique qui peut être utilisé pour
améliorer la précision et l'adaptabilité des systèmes experts. Ils peuvent être utilisés pour apprendre
les relations entre les symptômes d'un défaut et la cause du défaut.
Dans ce travail, nous nous concentrons sur le diagnostic de défauts par des systèmes experts utilisant
des réseaux de neurones. Nous présentons une revue de la littérature sur les systèmes experts pour
le diagnostic des défauts
"Les systèmes experts sont définis de différentes manières par divers auteurs. Selon Riche et Knight
(1991), ce sont des programmes résolvant des problèmes typiquement traités par des experts
humains, nécessitant une vaste base de connaissances.
Frenzel (1987) les décrit comme des programmes d'Intelligence Artificielle agissant en tant que
conseillers intelligents dans des domaines spécifiques. Ces systèmes cherchent à reproduire le
raisonnement des experts humains et reposent sur la séparation entre une base de connaissances et
un moteur d'inférence informatique, nécessitant la capacité de stocker et de lier des connaissances."
À travers ces deux définitions transparaissent les principaux traits des systèmes experts. D'un point
de vue conceptuel. ils visent à restituer le raisonnement d'un expert humain dans un domaine
particulier.
2
USTHB Diagnostic des défauts par système expert 2ème Année MASTER AIP
1- à l'ampleur et à la variété des connaissances mises en œuvre par les experts humains;
2- 2- à la difficulté d'extraire ces connaissances souvent inconscientes des experts humains et
de les structurer de façon cohérente et efficace.
3
USTHB Diagnostic des défauts par système expert 2ème Année MASTER AIP
De ce fait, la propriété principale de ces systèmes experts est de pouvoir représenter et restituer les
connaissances acquises par les spécialistes d'un domaine technique précis. Les connaissances
utilisées, dans la plupart des cas, pour le développement d'un système expert d'aide au diagnostic,
reposent sur l'apprentissage des relations entre les causes et les effets observés pour chaque
défaillance.
1- Types de défauts
Les défauts dans un système peuvent provenir de trois sources principales :
Les capteurs : les capteurs sont utilisés pour mesurer les états du système. Si un capteur est
défectueux, il peut fournir des données erronées, ce qui peut entraîner un diagnostic inexact.
Les actionneurs : les actionneurs sont utilisés pour appliquer les signaux de commande du contrôleur
au système. Si un actionneur est défectueux, il peut ne pas fonctionner correctement, ce qui peut
entraîner une perte de contrôle.
Le processus : le processus lui-même peut être défectueux. Cela peut se produire en raison d'une
défaillance matérielle, d'une modification des conditions environnementales ou d'autres facteurs.
Il est important de comprendre les différentes sources de défauts dans un système afin de pouvoir
les identifier et les traiter de manière appropriée.
Pour identifier des défauts dans un système, il faut disposer d’un nombre suffisant d’exemples de
bon fonctionnement et de défauts que l’on fait apprendre au réseau. Pendant la phase
d’apprentissage, les exemples sont présentés au réseau en entrée avec les diagnostics
4
USTHB Diagnostic des défauts par système expert 2ème Année MASTER AIP
correspondants à la sortie. Le réseau s’auto-organise, apprenant à relier les exemples montrés aux
diagnostics. Apres l’apprentissage, le réseau ne reconnait pas seulement les exemples appris mais
également des paradigmes leur ressemblant ce qui correspond à une certaine robustesse par rapport
aux déformations de signaux par bruit.
Pour un traitement par réseau de neurones, les exemples doivent être mis en forme pour être entres
dans le réseau. Ce sont des grandeurs caractéristiques des défauts à diagnostiquer, filtrées et
prétraitées par exemples par une discrétisation ou une analyse de Fourier.
Base de faits
d'acquisition
d'explication
Module
Module
Base de règles
Méta-règles
Base de
connaissance
Moteur
d'apprentissage
Structure générale d'un SE
Les faits (données) :Toute description d'une situation implique des entités liées par des relations