Vous êtes sur la page 1sur 243

. . .

Synthse de lactivit scientifique en vue dobtention de lHabilitation Diriger des Recherches

Contribution la Surveillance des Systmes de Production et Utilisant les Techniques de lIntelligence Artificielle
Daniel RACOCEANU
Matre de Confrences lUniversit de Franche-Comt Chercheur au Laboratoire dAutomatique de Besanon UMR-CNRS 6596

. . .

Avants Propos
Les travaux prsents dans ce mmoire ont t raliss au Laboratoire dAutomatique de Besanon, dirig par Monsieur le Professeur Alain Bourjault. Quil soit ici persuad de ma reconnaissance pour mavoir accueilli au LAB et mavoir permis de mexprimer dans le cadre passionnant du mtier denseignant-chercheur. Ma premire pense va tout naturellement vers Monsieur le Professeur Noureddine Zerhouni, responsable de lquipe ingnierie de maintenance et e-maintenance du LAB, auquel je tiens exprimer ici ma profonde gratitude pour les encouragements, la confiance et la sympathie dont il a toujours fait preuve mon gard. Son dynamisme, son ingniosit, sa vision scientifique et sa bienveillance ont constitu pour moi un vrai soutien, tout au long de mes travaux. Quil me soit galement permis de remercier chaleureusement : Monsieur Pierre Borne Monsieur Denis Hammad Monsieur Daniel Noyes pour lhonneur quils mont fait davoir expertis ce travail. Mes remerciements vont galement : Monsieur Alain Bourjault Monsieur Abdellah El Moudni Monsieur Noureddine Zerhouni Quils reoivent ici toute ma gratitude pour lintrt quils portent ces travaux en participant au jury. Enfin, je tiens exprimer mes remerciements tous ceux qui ont particip aux travaux de recherche prsents dans ce document, ainsi qu tous mes collgues et amis du LAB et de lUFR Sciences.

. . .

Table des Matires


NOTATIONS ET ABREVIATIONS............................................................................ 5 PARTIE I - PARCOURS PROFESSIONNEL ........................................................... 7 CHAPITRE 1 CURRICULUM VITAE.................................................................. 9
1.1 RENSEIGNEMENTS GENERAUX ............................................................................ 9 1.1.1 Etat civil ...................................................................................................... 9 1.1.2 Parcours professionnel ............................................................................... 9 1.1.3 Etudes, titres, diplmes ............................................................................. 10 1.1.4 Thse ......................................................................................................... 10 1.2 PARCOURS SCIENTIFIQUE .................................................................................. 10 1.3 RESULTATS SCIENTIFIQUES MAJEURS ............................................................... 11 1.3.1 Simplification des systmes vnements discrets complexes ................. 11 1.3.2 Ingnierie de la maintenance et E-maintenance....................................... 12 1.4 ANIMATION DE LAXE SURVEILLANCE PAR INTELLIGENCE ARTIFICIELLE .......... 13 1.4.1 Co-encadrement de theses ....................................................................... 14 1.4.2 Encadrement de stages DEA et Master Recherche................................... 15 1.5 ANIMATION DE LA RECHERCHE ......................................................................... 17 1.5.1 Au niveau rgional.................................................................................... 17 1.5.2 Au niveau national .................................................................................... 18 1.5.3 Au niveau international ............................................................................ 19 1.6 COLLABORATIONS SCIENTIFIQUES .................................................................... 20 1.7 DIVERS RECHERCHE.......................................................................................... 21 1.7.1 Participation des jurys de thse............................................................. 21 1.7.2 Congres internationaux ............................................................................ 21 1.7.3 Relecture darticles................................................................................... 21 1.8 PUBLICATIONS .................................................................................................. 23 1.8.1 Revues internationales avec comit de lecture ......................................... 23 1.8.2 Confrences sur invitation personnelle .................................................... 24 1.8.3 Communications a des congres internationaux avec comite de lecture et publication des actes..................................................................................................... 24 1.8.4 Communications a des congres nationaux ou a audience francophone avec comite de lecture et publication des actes ............................................................ 26 1.8.5 Communications dans le cadre de groupes de travail et colloques nationaux .................................................................................................................. 27 1.8.6 Rapports de contrats de recherche ........................................................... 27 1.8.7 Rapports de recherche projet europeen.................................................... 28 1.8.8 Communications diverses ......................................................................... 29 1.9 RESUME DES ACTIVITES DENSEIGNEMENT ....................................................... 29 1.10 EXPERIENCE EN ENTREPRISE ............................................................................. 30 1.11 RESUME DES RESPONSABILITES SCIENTIFIQUES, COLLECTIVES ET ADMINISTRATIVES ............................................................................................................. 31 1.12 FORMATIONS SUIVIES ....................................................................................... 31

page 2

CHAPITRE 2 -

ACTIVITES DENSEIGNEMENT.............................................. 33

2.1 PREAMBULE ..................................................................................................... 33 2.2 RESUME DES ACTIVITES DENSEIGNEMENT A BELFORT .................................... 33 2.3 BILAN DES ACTIVITES DENSEIGNEMENT A BESANON .................................... 33 2.3.1 Structure de lenseignement avant la mise en place du LMD .................. 33 2.3.2 Structure de lenseignement aprs la mise en place de lorganisation LMD .................................................................................................................. 35 2.3.3 Formation continue .................................................................................. 39 2.3.4 Suivi dapprentis, encadrement de projets et stages ................................ 39 2.3.5 Relations industrielles par lenseignement............................................... 41 2.3.6 Autres activits et responsabilits pour lenseignement........................... 41

PARTIE II - CONTRIBUTION SCIENTIFIQUE .................................................. 43 INTRODUCTION GENERALE ................................................................................ 45 CHAPITRE 3 INTELLIGENTE


3.1 3.2

PROBLEMATIQUE SCIENTIFIQUE : SURVEILLANCE .................................................................................................... 49

INTRODUCTION ................................................................................................. 49 MAINTENANCE ET SURVEILLANCE INDUSTRIELLE DANS LE CONTEXTE DE LA PRODUCTION MODERNE : TELEMAINTENANCE, E-MAINTENANCE, MAINTENANCE ET SURVEILLANCE INTELLIGENTE .......................................................................................... 50 3.3 SURVEILLANCE INDUSTRIELLE : DEFINITIONS, ETAT DE LART ......................... 54 3.3.1 Introduction .............................................................................................. 54 3.3.2 Dfinitions des termes de base utiliss en surveillance............................ 54 3.3.3 Etat de lart des mthodes de surveillance. Intrt de lutilisation des techniques de lIntelligence artificielle ........................................................................ 57 3.4 CONCLUSION ET SYNTHESE .............................................................................. 82

CHAPITRE 4 SURVEILLANCE DYNAMIQUE PAR RESEAUX DE NEURONES RECURRENTS .......................................................................................... 85


4.1 INTRODUCTION ................................................................................................. 85 4.2 PROPRIETES FONDAMENTALES DES RESEAUX DE NEURONES ARTIFICIELS ........ 87 4.2.1 Apprentissage et mmoire ........................................................................ 87 4.2.2 Sous-apprentissage, gnralisation et sur-apprentissage ........................ 88 4.3 UTILISATION DES RESEAUX DE NEURONES POUR LA SURVEILLANCE INDUSTRIELLE ................................................................................................................... 89 4.3.1 Approximation de fonctions et prdiction par RN.................................... 89 4.3.2 Classification ou discrimination par RN .................................................. 91 4.3.3 Surveillance dynamique par RN ............................................................... 92 4.4 REPRESENTATION DU TEMPS DANS LES RESEAUX DE NEURONES ...................... 94 4.4.1 Architectures Neuronales Temporelles .................................................... 94 4.4.2 Analyse comparative entre les reprsentations dynamique et spatiale pour la surveillance dynamique .......................................................................................... 103 4.5 UNE NOUVELLE STRUCTURE DE RESEAU DYNAMIQUE POUR LA SURVEILLANCE LE RRFR RESEAU RECURRENT A BASE DE FONCTIONS RADIALES (RRBF RECURRENT RADIAL BASIS FUNCTION) .............................................................................................. 105 4.5.1 Architecture du RRFR ............................................................................ 106 4.5.2 Mmoire dynamique du rseau RRFR : Architecture LRGF ................. 107 4.5.3 Analyse comparative des trois principaux types de mmoires dynamiques du rseau RRFR.......................................................................................................... 117 4.6 CONCLUSION ET SYNTHESE ............................................................................ 118

page 3

CHAPITRE 5 EVALUATION DES PERFORMANCES, ETUDE COMPARATIVE ET EXPLOITATION INDUSTRIELLE DU RRFR .................... 121
5.1 INTRODUCTION ............................................................................................... 121 5.2 EVALUATION DES PERFORMANCES DU RRFR ................................................. 122 5.2.1 Reconnaissance de squences temporelles ............................................. 122 5.2.2 La prdiction temporelle pour le pronostic ............................................ 128 5.2.3 La reproduction de squences ................................................................ 136 5.2.4 Bilan de lvaluation des performances du RRFR.................................. 138 5.3 ETUDE COMPARATIVE DU RRBF PAR RAPPORT AUX STRUCTURES DE RESEAUX DE NEURONES TEMPORELS LES PLUS SIGNIFICATIFS, DANS LOPTIQUE DE LUTILISATION EN SURVEILLANCE DYNAMIQUE............................................................................................ 138 5.3.1 Choix des structures neuronales temporelles etudies ........................... 139 5.3.2 Etude comparative dans le domaine du pronostic.................................. 141 5.3.3 Etude comparative dans le domaine de la surveillance dynamique ....... 143 5.3.4 Bilan de ltude comparative des diffrentes structures neuronales temporelles ................................................................................................................ 145 5.4 EXPLOITATION INDUSTRIELLE DE LA SOLUTION DE SURVEILLANCE DYNAMIQUE PAR RRFR....................................................................................................................... 146 5.4.1 Introduction ............................................................................................ 146 5.4.2 Choix de la solution de surveillance dynamique en temps rel .............. 147 5.4.3 Description de la solution propose ....................................................... 148 5.4.4 Evaluation des performances du prototype ............................................ 152 5.4.5 Bilan de lexploitation industrielle ......................................................... 153 5.5 CONCLUSION ET PERSPECTIVES ...................................................................... 154 5.5.1 Principales contributions........................................................................ 154 5.5.2 Perspectives ............................................................................................ 155

CHAPITRE 6 FLOUS
6.1 6.2

SURVEILLANCE DYNAMIQUE PAR RESEAUX DE PETRI 157

INTRODUCTION ............................................................................................... 157 ETAT DE LART DES RESEAUX DE PETRI FLOUS. UTILISATION DES RESEAUX DE PETRI FLOUS POUR LA SURVEILLANCE DES SYSTEMES A EVENEMENTS DISCRETS ............ 157 6.3 OUTIL DE SURVEILLANCE PAR APPROCHE FLOUE. APPLICATION A LA SURVEILLANCE DYNAMIQUE............................................................................................ 159 6.3.1 Introduction ............................................................................................ 159 6.3.2 Description et dfinition de loutil RdPFS.............................................. 160 6.3.3 Modlisation des rgles logiques de larbre de dfaillance par RdPFS 164 6.3.4 Exemple de modlisation en utilisant le RdPFS ..................................... 164 6.4 ALGORITHME DYNAMIQUE DE SURVEILLANCE PAR APPROCHE FLOUE ............ 165 6.4.1 Approche temporelle floue pour la surveillance des systmes vnements discrets ................................................................................................................ 166 6.4.2 Dynamique des transitions dans le rseau de Petri flou pour la surveillance 167 6.4.3 Algorithme dvaluation dynamique des dfauts.................................... 171 6.5 EXEMPLE DE SURVEILLANCE DYNAMIQUE PAR RDPFS................................... 173 6.6 ACTION DE MAINTENANCE EN UTILISANT UNE BASE DE REGLES FLOUES......... 177 6.6.1 Approche floue dans la fonction de maintenance ................................... 177 6.7 APPLICATION TEMPS REEL DE SURVEILLANCE DANS UNE SOLUTION LOGICIELLE DE E-MAINTENANCE ........................................................................................................ 178 6.7.1 Systme tudi......................................................................................... 178 6.7.2 Implmentation des fonctions dtection et surveillance dynamique....... 179

page 4

Implmentation de la fonction de maintenance (reprise)....................... 181 6.7.3 6.7.4 Intgration de lapproche globale de surveillance floue dans une plateforme logicielle ........................................................................................................... 182 6.8 CONCLUSION ET PERSPECTIVES ...................................................................... 184 CHAPITRE 7 VERS UN OUTIL HYBRIDE NEURO-FLOU POUR LA SURVEILLANCE DYNAMIQUE................................................................................. 187
7.1 INTRODUCTION ............................................................................................... 187 7.2 GENERALITES SUR LES SYSTEMES NEURO-FLOUS ........................................... 187 7.2.1 Avantages et inconvnients de la logique floue et des rseaux de neurones ................................................................................................................ 188 7.2.2 Mthodes et combinaisons neuro-floues................................................. 189 7.2.3 systmes neuro-flous hybrides ................................................................ 191 7.2.4 Mthodologie de modlisation neuro-floue............................................ 196 7.2.5 Approche neuro-floue en classification.................................................. 196 7.3 CONCEPTION DUN OUTIL NEURO-FLOU POUR LAIDE AU DIAGNOSTIC ........... 197 7.3.1 Utilisation des systmes neuro-flous pour le diagnostic ........................ 197 7.3.2 Spcifications de loutil en utilisant la demarche UML ......................... 199 7.3.3 Description de loutil neuro-flou utilis ................................................. 205 7.3.4 Exemple dapplication de loutil daide au diagnostic / pronostic ........ 207 7.3.5 Prototypage de loutil neuro-flou daide au diagnostic ......................... 209 7.4 CONCLUSION ET PERSPECTIVES ...................................................................... 212

CONCLUSIONS GENERALES ET PERSPECTIVES DE RECHERCHE........ 213


BILAN, CONCLUSIONS ................................................................................................ 213 PERSPECTIVES DE RECHERCHE ................................................................................... 215

TABLE DES FIGURES............................................................................................. 217 LISTE DES TABLEAUX .......................................................................................... 221 REFERENCES BIBLIOGRAPHIQUES................................................................. 223 INDEX ......................................................................................................................... 241

. . .

Notations et abrviations
ADD AMDEC CG F FN HMI ISO GdC GMAO MIMOSA PMC RPC RdP RdPF RdPFM RdPFS RdPO RdPTO Arbre de dfaillances Analyse des Modes de Dfaillance, de leurs Effets et de leurs Criticit Mcanisme de type "chien de garde" Fonction dappartenance correspondant au fonctionnement dfaillant Fonction dappartenance correspondant au fonctionnement normal Human Machine Interface International Organization for Standardization Graphe de Causalit Gestion de la Maintenance Assiste par lOrdinateur (Central Maintenance Managemente System - CMMS) Machinery Information Management Open Systems Alliance Perceptron Multicouches (Multi Layer Perceptron - MLP) Raisonnement Partir de Cas (Case Based Reasonning CBR) Rseau de Petri Rseau de Petri Flou Rseau de Petri flou pour la maintenance Rseau de Petri flou pour la surveillance Rseau de Petri Objets Rseau de Petri Temporel Objets

RFR (RBF) Rseau Fonctions de base Radiales (Radial Basis Function - RBF) RRFR(RRBF)Rseau Rcurrent Fonctions de base Radiales (Recurrent Radial Basis Function - RRBF) SCADA SED SIF TG Supervisory Control and Data Acquisition (systme de supervision et dacquisition de donnes des processus industriels) Systme vnements discrets Systme dinfrence flou Transition du chien de garde

. . .

Partie I Parcours Professionnel

. . .

Chapitre 1 - Curriculum Vitae


1.1 RENSEIGNEMENTS GENERAUX
1.1.1 ETAT CIVIL
Daniel Racoceanu N le 11 juin 1968 Petrosani, Roumanie Nationalit franaise

Coordonnes personnelles : Coordonnes professionnelles :

13 rue les hauts du Vorin 25770 Serre les Sapins Tl. : 03 81 48 20 80 Laboratoire dAutomatique de Besanon LAB UMR 6596 UFR Sciences et Techniques 24 rue Alain Savary 25000 Besanon Tl. : 03 81 40 27 92 / Fax : 03 81 40 28 09 Courriel : daniel.racoceanu@ens2m.fr

1.1.2 PARCOURS PROFESSIONNEL


- du 01/09/1993 au 31/08/1994 : Enseignant vacataire dans le dpartement OGP de lIUT de Belfort - Montbliard, Universit de Franche-Comt, - du 01/09/1994 au 31/08/1996 : ATER lIUT de Belfort - Montbliard, Universit de Franche-Comt, dpartements organisation et gestion de la production et gnie tlcommunication rseaux, - 1997-1998 : responsable logistique - ordonnancement, socit Gaussin S.A., Hricourt (70), concepteur et fabricant dautomoteurs industriels, systmes spciaux de manutention pour lindustrie, les ports et aroports. CA : 10 M, 78 personnes, - 1998-1999 : responsable daffaires, Alstom Gaz Turbines / General Electric France, Belfort (90), Concepteur et fabricant de turbines gaz, CA : 1,2 Md, 1800 personnes, - 1999-2005 : matre de confrences lUFR des Sciences et Techniques de lUniversit de Franche-Comt, chercheur au Laboratoire dAutomatique de Besanon LAB UMR CNRS 6596. - depuis le 01/09/2005 : en dlgation CNRS au laboratoire Image Processing Application Lab IPAL FRE CNRS 2339 de Singapour

page 10

1.1.3 ETUDES, TITRES, DIPLOMES


Juin 1986 Juin 1992 Juin 1993 Baccalaurat, srie C Diplme dIngnieur de lEcole Polytechnique de Timisoara, Roumanie, spcialit Gnie Mcanique et Productique, option Mcatronique DEA en Automatique et Productique, Ecole Nationale dIngnieurs de Belfort, major de promotion, mention Trs Bien (1986 1987 Service militaire)

Janvier 1997 Thse de Doctorat en Automatique et Informatique lUniversit de FrancheComt, soutenue lEcole Nationale dIngnieurs de Belfort (ENIBe), mention Trs Honorable avec les Flicitations du Jury

1.1.4 THESE
Thse de Doctorat de lUniversit de Franche-Comt, intitule Contribution la modlisation et lanalyse des Chanes de Markov chelles de temps et chelles de pondrations multiples. Application la gestion dun systme hydro nergtique EDF , soutenue le 10 janvier 1997 au Laboratoire de Mcanique et Productique de lEcole Nationale dIngnieurs de Belfort, spcialit Automatique et Informatique , mention Trs Honorable avec les Flicitations du Jury. Directeur scientifique : Prof. A. El Moudni (ENIBe puis UTBM), actuellement directeur du laboratoire SET (Systmes et Transport) de lUTBM. Jury : Prof. Lj T. Grujic (ENIBe puis UTBM - prsident du jury), Prof. I. Zambettakis (Institut Universitaire de Technologie - Universit Paul Sabatier - Toulouse III rapporteur), Prof. G. L. Gissinger (Universit de Haute Alsace - ESSAIM Mulhouse rapporteur), Prof G. Draghici (Universit Polytechnique de Timisoara rapporteur), Prof. J-M. Henrioud (Universit de Franche-Comt), Prof. N. Zerhouni (ENIBe UTBM ENSMM), Prof. M. Ferney (ENIBe - UTBM), M. J. Mesnier (responsable EDF).

1.2 PARCOURS SCIENTIFIQUE


Mes activits de recherche ont dbut en octobre 1992 au sein du Laboratoire de Mcanique et Productique de lEcole Nationale dIngnieurs de Belfort (ENIBe). Dans cette premire partie de mon activit de recherche, mes travaux se sont orients vers la simplification des modles de systmes vnements discrets complexes, sous la direction du Professeur A. El Moudni. Cest ainsi que nous avons dvelopp une mthode innovante de simplification des chanes de Markov. Cette mthode, inspire des techniques de perturbations singulires, a t adapte aux modles probabilistes, en permettant de mettre en vidence lchelle de pondration multiple de ces modles dans leur comportement permanent. Nous avons ainsi propos une rduction des modles markoviens de grandes dimensions, en permettant de garder uniquement lensemble des tats caractriss par une probabilit dtat importante en rgime permanent (long terme). Les applications dveloppes concernent ltude de la fiabilit oprationnelle des systmes de production et loptimisation de la gestion dun systme hydro nergtique mene en collaboration avec EDF. Ces travaux de recherche ont permis une poursuite des travaux de laxe dans le domaine de la simplification des rseaux de Petri Stochastiques base sur les mmes principes (Amodeo, 1999).

Chapitre 1 Curriculum Vitae

page 11

A partir de septembre 1999, date de mon arrive au Laboratoire dAutomatique de Besanon (LAB UMR 6596), jai particip la cration de lquipe ingnierie de maintenance et e-maintenance , quipe travaillant sous la direction du Professeur N. Zerhouni, dans le cadre du groupe Conception et Commande des Systmes de Production . Profitant des connaissances acquises dans le domaine de la fiabilit lors de mes travaux de thse et sensibilis par mon exprience industrielle sur limportance accrue de la Fonction Maintenance, janime depuis septembre 1999 au sein de cette quipe les activits de laxe Surveillance en utilisant des techniques de lIntelligence Artificielle . Mon arrive au LAB sest donc accompagne dune reconversion thmatique non pas totale, compte tenu de la connotation productique des thmes de lquipe ingnierie de maintenance et e-maintenance , mais nanmoins sensible, due la ncessit la raliser un tat de lart des techniques de lintelligence artificielle susceptibles dapporter une plusvalue intressante au domaine de la surveillance. Lobjectif de laxe surveillance par IA consiste crer un ple de comptence autour de la surveillance industrielle, en proposant des outils de plus en plus souples, adaptatifs et facilement reconfigurables. En effet, les sujets abords dans nos diffrents partenariats (partenariats industriels, projets europens, nationaux, rgionaux, contrats de recherche,) dans le domaine de la maintenance, ont mis en vidence la ncessit de mettre au point des outils de surveillance flexibles, faciles initialiser, configurer et reconfigurer, capables de prendre en compte lexprience humaine, le raisonnement imprcis et de mettre jour leurs informations en temps rel pour une efficacit optimale. Dans ce contexte, nos travaux de recherche se sont orients essentiellement vers : la dtection dynamique des dfauts, le diagnostic, le pronostic, problmatiques qui constituent les verrous technologiques du mtier. Du point de vue scientifique, lapprentissage dynamique, lautoapprentissage ainsi que la prise en compte du raisonnement humain nous ont men naturellement vers des techniques innovantes de lintelligence artificielle comme : les rseaux de neurones dynamiques, les rseaux de Petri flous et les systmes neuro-flous.

1.3 RESULTATS SCIENTIFIQUES MAJEURS


1.3.1 SIMPLIFICATION DES SYSTEMES A EVENEMENTS DISCRETS COMPLEXES
(doctobre 1992 janvier 1997) Les travaux que jai mens Belfort jusquen janvier 1997 on notamment conduit aux rsultats suivants, correspondant aux publications en revues internationales [MMS, 1995], [SAMS, 1994] et en confrences internationales [IFAC, 1997], [IMACS, 1995], [IEEE ICRA, 1994], [MATHMOD, 1994], indiques au paragraphe 1.8 : mthode innovante de simplification des modles markoviens de grande dimension, en introduisant la notion dchelle de pondration multiple de ce type de modles probabilistes situs la limite de la stabilit . Cette nouvelle

page 12

mthode est inspire de la proprit dchelle de temps multiple associe aux techniques des perturbations singulires des systmes stables. application de la mthode de simplification propose, ltude de la fiabilit oprationnelle des systmes de production, en mettant en vidence les nouveaux points de vue engendrs par ltude prliminaire (dans le cadre du systme rduit) des tats fortes probabilits en rgime permanent (comportement long terme du systme). tude et optimisation de la commande dun systme hydro nergtique EDF situ sur le cours suprieur du Doubs, en utilisant la double chelle de pondration du modle probabiliste caractrisant le systme. Ltude prend en compte des critres doptimisation globale de la productivit dnergie lectrique et des critres de protection de lenvironnement (dbit rserv, minimisation des variations de niveau deau, etc.). Cette tude, mene en collaboration avec EDF (rapports [EDF, 1995, 1996] paragraphe 1.8.6 ) a ncessit une tude statistique de 3 ans et a donn suite une gestion globale automatise des centrales, gres jusqu lors individuellement.

1.3.2 INGENIERIE DE LA MAINTENANCE ET E-MAINTENANCE


( partir de septembre 1999) Les travaux que jai mens dans lquipe ingnierie de maintenance et emaintenance au LAB Besanon, ont notamment conduit aux rsultats les plus marquants suivants : tablissement dun modle neuronal dynamique le RRFR - rseau rcurrent base de fonctions radiales (en anglais RRBF recurrent radial basis function) capable deffectuer de la dtection dynamique de dfauts. Cet outil, bas sur le principe du rseau de neurones de type RFR (RBF), prsente les avantages de celui-ci (approche locale, apprentissage dynamique, capacit de quantifier le degr de pertinence de sa classification) en y rajoutant une mmoire dynamique, matrialise par un neurone boucl. Ce nouveau rseau de neurones dynamiques possde entre autres la capacit danalyser lvolution dun signal, de reconnatre les fausses alarmes et de dtecter de manire prcoce les paliers de dgradation, qualits trs recherches dans les systmes modernes de surveillance. ralisation dun prototype de systme de surveillance temps rel bas sur les rseaux de neurones dynamiques RRFR, accessible distance par un serveur web. Le prototype a t ralis en collaboration avec la socit Avensy Ingnierie de Besanon, spcialiste dans le suivi de production, automatisme et informatique industrielle. Il a donn lieu un dpt de brevet dinvention ENSMM-AVENSY intitul : Systme de surveillance temps-rel bas sur les rseaux de neurones dynamiques, accessible distance par un serveur web 1. tude et mise au point dun modle de surveillance dynamique bas sur les rseaux de Petri flous et baptis rseau de Petri flou pour la surveillance (RdPFS). Le principe de cet outil consiste transformer un arbre de dfaillance

Auteurs : D. Racoceanu, R. Zemouri, N. Zerhouni, R. Labourier, dpositaires du brevet : ENSMM (50%) et Avensy (50%), date de dpt du brevet : 30 septembre 2002, numro denregistrement : 021 2205. Ce brevet est actuellement en cours de ractualisation avec la socit Avensy, dans une nouvelle optique marketing.

Chapitre 1 Curriculum Vitae

page 13

en une structure de type rseau de Petri, en y ajoutant un marquage flou et en y introduisant des rgles spcifiques de propagation des dfauts. Par consquent, larbre de dfaillance devient un outil dynamique de surveillance, capable par lintermdiaire de son marquage flou volutif de prdire une dfaillance avant quelle napparaisse effectivement. prototypage Labview base sur lapproche homogne rseaux de Petri flous avec essais de surveillance entre le site de Besanon (systme flexible avec systme dacquisition) et le site de lUniversit Valahia de Targoviste (systme distant de surveillance). tude et spcification dun systme neuro-flou daide au diagnostic. Lutilisation conjointe du principe neuronal et de la logique floue permettent de concentrer les avantages des deux formalismes : la capacit dapprentissage des rseaux de neurones et la prise en compte des incertitudes de la logique floue. Les spcifications de ce systme daide au diagnostic effectues dans le langage UML ont fait lobjet de dlivrables dans le cadre du projet europen ITEA PROTEUS2 [PROTEUS-D2.1, 2003], [PROTEUS-D2.2, 2003], [PROTEUS-D2.3, 2004]. prototypage dun systme daide au diagnostic, bas sur les approches neurofloues dveloppes, en utilisant le langage Labview (National Instrument) et des systmes embarqus de type carte FPGA (systme PXI), dans le cadre dun projet ANVAR [ANVAR, 2004].

1.4 ANIMATION DE LAXE SURVEILLANCE PAR INTELLIGENCE


ARTIFICIELLE
Dans le cadre de mes travaux de recherche au LAB et la mise en place de laxe Surveillance par Intelligence Artificielle de lquipe ingnierie de maintenance et emaintenance , je co-encadre actuellement trois doctorants, aprs avoir co-encadr deux thses dj soutenues. Les travaux de ces chercheurs seront voqus dans les chapitres relatifs la recherche. Il est noter que jai labor et rdig tous les sujets de ces thses, sujets valids par le Professeur N. Zerhouni. Par ailleurs, les deux doctorants co-encadrs ayant soutenu leur thse, sont actuellement les deux, matres de confrences, lun au CNAM et lautre lUniversit Valahia de Targoviste, en Roumanie. Enfin, depuis 1999, jai encadr et co-encadr un nombre de 15 stages DEAMASTER Recherche (moyenne entre 2 et 3 stages dinitiation la recherche encadrs par an). Ces travaux ont eu comme objectif dinitier des nouvelles directions de recherche dans laxe et dapprofondir certains concepts abords. Mis part limpact sur la dynamique globale de recherche de lquipe et du laboratoire, ces travaux ont men directement un nombre de 3 communications des congrs internationaux prestigieux [IFAC-MCPL, 2004], [IEEERAM, 2004], [IEEE-ICRA, 2002] et de 2 communications a des congrs internationaux a audience francophone [IAI, 2003a, b]. Par ailleurs, la grande majorit des stagiaires encadrs sont actuellement ingnieurs, doctorants ou titulaires dun doctorat.

PROTEUS a generic platform for e-maintenance (plate-forme gnrique de e-maintenance) - http://www.proteusiteaproject.com

page 14

1.4.1 CO-ENCADREMENT DE

THESES

Il est noter que jai labor et rdig tous les sujets de ces thses, sujets valids par le Professeur N. Zerhouni.

a) THESES SOUTENUES
Les 3 titulaires des doctorats co-encadrs soutenus, sont actuellement matres de confrences pour E. Minca et R. Zemouri et respectivement post-doctorant pour N. Palluat.
R. Zemouri Contribution la surveillance des systmes de production laide des rseaux de neurones dynamiques : Application la e-maintenance thse commence en octobre 2000, soutenue le 28 novembre 2003

Jury : A. Bourjault (prsident), D. Hammad (rapporteur), D. Noyes (rapporteur), J-M. Faure, D. Racoceanu, N. Zerhouni, R. Labourier (PDG Avensy Ingnierie - industriel invit)
mention trs honorable (au LAB, la mention THFJ nest plus en vigueur depuis octobre 2003) financement : allocation ministre de la Recherche taux dencadrement : 50% (co-encadrement avec N. Zerhouni 50%) situation actuelle du diplm : docteur de lUniversit de Franche-Comt et matre de confrences au CNAM Paris - chercheur au LURPA Cachan E. Minca Contribution la surveillance des systmes de production laide des rseaux de Petri flous : Application la e-maintenance thse commence en octobre 2001 et soutenue le 24 septembre 2004

Jury : I. Cucui (prsident), C. Sibertin-Blanc (rap.), V. Manzu (rapp.), A. Dorin, D. Racoceanu, N. Zerhouni, J. Cardoso (invit).
mention trs honorable, thse de doctorat en co-tutelle, Universit de Franche-Comt - Universit Valahia de Targoviste, Roumanie, financement Ambassade de France en Roumanie taux dencadrement : 50% (co-encadrement avec N. Zerhouni 30% et D. Alexandru Universit Valahia de Targoviste, Roumanie 20%) situation actuelle de la diplme : docteur de lUniversit de Franche-Comt et matre de confrences lUniversit Valahia de Targoviste (Roumanie) N. Palluat Mthodologie de surveillance dynamique laide des rseaux neuro-flous temporels thse commence en octobre 2002 et soutenue le 12 janvier 2006

Jury : C. Chu (prsident), P. Brzillon (rapp.), B. Ould-Bouamama (rapp.), A. Bourjault, J-M. Olive, D. Racoceanu, N. Zerhouni, J-B Leger (PDG Predict - industriel invit).
mention trs honorable, financement : allocation ministre de la Recherche taux dencadrement : 60% (co-encadrement avec N. Zerhouni 40%) situation actuelle de la diplme : docteur de lUniversit de Franche-Comt, post-doc lUniversit Fdrale Santa Catarina, Florianpolis (Brsil)

Chapitre 1 Curriculum Vitae

page 15

b) THESES EN COURS DE PREPARATION


A. Ghernaut - Aide au diagnostic des systmes mcatroniques en utilisant une approche duale maintenance-qualit. Application chez Cegelec France thse de doctorat dtat commence en 2003, soutenance prvue octobre 2006 financement : bourse de coopration algro-francaise, dpartement de mcanique, facult des sciences de l'ingnieur, universit de Tlemcen-Algrie, en collaboration avec le LAB.(Besanon) taux dencadrement : 60% (co-encadrement avec N. Zerhouni 40%) O. Vasile (pouse Dragomir) - Optimisation des systmes de surveillance, contrle et scurit dans les btiments industriels laide des algorithmes de lintelligence artificielle thse de doctorat en co-tutelle avec lUniversit Valahia de Targoviste (habilite par lUniversit Polytechnique de Bucarest), Roumanie, commence en octobre 2005 financement : Ambassade de France en Roumanie. taux dencadrement : 40% (co-encadrement avec N. Zerhouni 30% et S. Iliescu Universit Polytechnique de Bucarest, Roumanie 30%)

1.4.2 ENCADREMENT DE STAGES DEA ET MASTER RECHERCHE


Il est remarquer que parmi les stagiaires DEA / M2R encadrs, 3 sont actuellement docteurs (1 maitre de confrences, 1 post-doc, 1 ATER), 7 doctorants et 3 ingnieurs :

R. Zemouri, Modlisation et simplification des processus stochastiques : application l'optimisation de la maintenance chez PSA Peugeot Citron, DEA IAP (Informatique, Automatique et Productique) de lUniversit de Franche-Comt, septembre 2000
taux dencadrement : 50% (co-encadrement avec N. Zerhouni 50%) situation actuelle du diplm : docteur de lUniversit de Franche-Comt et matre de confrences au CNAM Paris - chercheur au LURPA Cachan

N. Addouche, Modlisation et Evaluation des Performances dun Systme de Production intgrant la Tlmaintenance Corrective et Prventive, DEA IAP de lUniversit de Franche-Comt, septembre 2001
taux dencadrement : 50% (co-encadrement avec N. Zerhouni 50%) situation actuelle de la diplme : doctorant lINPG (Grenoble)

N. S. Ouldyahia, Diagnostic des systmes de production en utilisant les rseaux de neurones. Introduction au neuro-flou, DEA IAP de lUniversit de Franche-Comt, septembre 2001
taux dencadrement : 100% situation actuelle de la diplme : doctorant lUTT (Troyes)

J. Kaabi, Maintenance prdictive systmatique base sur la fiabilit. Application pour la gestion des pinces souder robotises chez PSA Peugeot Citron Sochaux, DEA IAP, septembre 2001
taux dencadrement : 50% (co-encadrement avec N. Zerhouni 50%) situation actuelle de la diplme : docteur de lUFC (LAB). ATER lEcole des Mines de Nancy

page 16

S. Pross, Propagation des incertitudes dans un arbre de dfaillances. Application au systme flexible du LAB dans le cadre de la plate-forme de tlmaintenance associe, DEA IAP, septembre 2001
taux dencadrement : 100% situation actuelle de la diplme : ingnieur daffaires Electricit Industrielle de lEst Mulhouse

N. Palluat, Mthodologies neuronales de diagnostic des dfaillances. Intgration des procdures neuronales dans la plate-forme de tlmaintenance du LAB, DEA IAP de lUniversit de Franche-Comt, septembre 2002
taux dencadrement : 70% (co-encadrement avec N. Zerhouni 30%) Situation actuelle du diplm : doctorant au LAB

A.D. Djouak, Etude dun multicapteur distribu base de rseaux de neurones et de traitement de limage, DEA IAP de lUniversit de Franche-Comt, septembre 2002
taux dencadrement : 100% situation actuelle du diplm : doctorant au CEMIF, Evry Val dEssonne

O.A. Djaffar, Utilisation des rseaux neuro-flous pour le pronostic industriel, DEA IAP de lUniversit de Franche-Comt, septembre 2002
taux dencadrement : 100% situation actuelle du diplm : doctorant au Laboratoire MIPS, ESSEAIM, Universit de Haute Alsace

S. Ouaret, Conception et programmation Java dune interface de surveillance en ligne via Internet laide dun automate Schneider avec coupleur serveur web. Application la reconnaissance des squences dvnements discrets, DEA IAP de lUniversit de Franche-Comt, septembre 2003
taux dencadrement : 100% situation actuelle du diplm : Etudes doctorales lEcole Polytechnique de Montral, Qubec, Canada

H. Sefiane, Mise au point dun algorithme et dveloppement dun prototype de superviseur pour la surveillance et la commande des systmes flexibles de production en utilisant les rseaux de Petri flous et le langage Java, DEA IAP de lUniversit de Franche-Comt, septembre 2003
taux dencadrement : 100% situation actuelle du diplm : doctorant au laboratoire LAMIH-UMR 8530, Universit de Valenciennes

T. Montroig, E-maintenance. Etude gnrique des plates-formes de e-maintenance distribues. Application : prototypage du dmonstrateur de e-maintenance du LAB dans le cadre du projet europen Proteus, DEA IAP de lUniversit de Franche-Comt, septembre 2003
taux dencadrement : 50% (co-encadrement avec N. Zerhouni 50%) situation actuelle du diplm : ingnieur Cegelec S.A. France

M. Monnin, Diagnostic et pronostic industriel en utilisant les techniques de lintelligence artificielle. Application a la plate-forme de emaintenance du LAB, DEA IAP de lUniversit de Franche-Comt, juin 2004
taux dencadrement : 80% (co-encadrement avec N. Zerhouni 20%)

Chapitre 1 Curriculum Vitae

page 17

situation actuelle du diplm : doctorant bourse DGA au laboratoire LAMIH-UMR 8530 Universit de Valenciennes et du Hainaut Cambrsis

J. Xu, Utilisation des rseaux de neurones dynamiques pour la e-maintenance. Instrumentation dune maquette de surveillance temps rel, DEA IAP de lUniversit de Franche-Comt, septembre 2004
taux dencadrement : 100%

H. Wei, Arbre de dfaillance flou, Master Recherche Mcatronique, date prvisionnelle de fin : septembre 2005
taux dencadrement : 50% (co-encadrement avec N. Palluat 50%)

S. Brust, Dtection de dfauts en utilisant les techniques neuronales dynamiques. Prototypage en Labview, Master Recherche Mcatronique, mai 2005.
taux dencadrement : 100% situation actuelle : ingnieur R&D, Daimler Chrysler AG, Allemagne.

1.5 ANIMATION DE LA RECHERCHE


1.5.1 AU NIVEAU REGIONAL
Au niveau rgional, lquipe ingnierie de maintenance et e-maintenance du LAB a inscrit une de ses actions majeures dans le cadre de lInstitut des Sciences et Technologies de l'Information (ISTI) de Franche-Comt. Dans le cadre du soutien aux actions de recherche, lISTI regroupe des projets de la rgion de Franche-Comt concerns par les Sciences et Technologies de lInformation et de la Communication (STIC). LInstitut fait ainsi valoir essentiellement limplication de plusieurs laboratoires de recherche afin de renforcer le caractre pluridisciplinaire des actions quil soutient. Dans ce contexte, en partenariat avec le Laboratoire dInformatique de Franche-Comt (LIFC FRE CNRS 2661), lINRIA et les entreprises Cegelec, Schneider, Nipson, notre quipe est lorigine dun projet de tlmaintenance industrielle cooprative (acronyme SYMPATIC3). Cette collaboration nous a permis de constituer tout au long de notre parcours un capital savoir-faire trs utile, exploit dans diffrents autres projets ou propositions de projets (projet europen Proteus, projet NEMOSYS4 avec la Division des Constructions Navales, proposition de projets europens ARCOIRIS5, PROMISE6, etc.). Lobjectif principal du projet SYMPATIC est de concevoir et de dvelopper une solution dexpertise et d'aide la dcision pour les responsables de la maintenance des installations industrielles. Par le biais du rseau de communication, ces outils permettent aux ingnieurs daccder distance aux informations pertinentes et de disposer
3

SYMPATIC - SYstme daide la dcision pour la gestion intgre des fonctions de Maintenance et Production a lAide des Technologies de lInformation et de la Communication Plus de renseignements dans le paragraphe suivant, ddi aux collaborations nationales.

4 5

ARCOIRIS - Towards the smart and flexible factory: Intelligent production unit networks for manufacturing optimisation and management, FP6 Integrated Project - Integrating Technologies for the Fast and Flexible Manufacturing Enterprise, FP6 - IST-NMP joint call projet labor en 2004. PROMISE - PRomote and Optimise manufacturing and Maintenance with Intelligent system for human Safety on Exploitation Competitive and Sustainable Growth FP5 - RTD Framework Programme - http://www.cordis.lu/fp5/ , projet labor en 2000.
6

page 18

d'indicateurs et de tableaux de bord leur permettant d'valuer l'efficacit des services concerns par la maintenance et daider la prise de dcision. Grce son aspect coopratif, cette aide la dcision prend ainsi une dimension stratgique trs importante. La contribution de notre quipe dans le cadre de ce projet, concerne lingnierie de maintenance. La problmatique rsoudre relve dune part de llaboration et de lexploitation des bases de donnes temps rel pour lexpertise, afin danalyser la pertinence dune solution de maintenance. D'autre part, en prsence dune dfaillance, il sagit de proposer une aide au diagnostic rapide et fiable ainsi que de proposer la meilleure solution en termes de stratgie de maintenance. En ce sens, le projet se propose de matrialiser une plate-forme technologique base sur une architecture distribue et des modles de rfrence ainsi qu'une mthodologie prenant en compte aussi bien des connaissances mtier que scientifiques. La plate-forme matrielle et logicielle et s'oriente autour de deux axes principaux :
Elaboration et mise en place dinterfaces entre les niveaux managrial, dcisionnel et oprationnel pour lexpertise, Dveloppement et intgration de systmes classiques et de systmes intelligents et coopratifs pour l'laboration des indicateurs, le tldiagnostic et la tlmaintenance.

En tant que membre du groupe Conception et commande des systmes de production du LAB, je me suis naturellement impliqu dans les actions de lInstitut de Productique de Besanon. Dans ce contexte, jai particip (en 2000) un groupe de rflexion sur limpact des TIC7 sur la Productique, ainsi qu lorganisation de journes techniques impliquant un nombre important dindustriels et universitaires de la rgion :

Thmatique : Sret de fonctionnement des systmes de production , 4 mai 2000, lInstitut de Productique de Besanon ; Thmatique : De lingnierie de maintenance le-maintenance : ralits industrielles, 22 mai 2003, au Centre de Dveloppement du Multimdia de Montbliard ; Thmatique : Les atouts de la e-maintenance pour la performance industrielle , 19 mai 2005, chez Cegelec Belfort.

Dans le cadre de la journe du 19 mai 2005, jai ainsi effectu une prsentation sur les techniques de lintelligence artificielle appliques au diagnostic et au pronostic [IP, 2005]. Dans le mme objectif de diffusion de linformation auprs des entreprises rgionales, deux articles parus dans lhebdomadaire En Direct Productique traitent des sujets issus de la recherche et susceptibles de donner lieu des exploitations industrielles. Jai ainsi codit 2 communications : une premire autour de notre collaboration avec la socit Avensy dans le domaine de la surveillance par rseaux de neurones dynamiques [EDP, 2004] et une deuxime autour de nos travaux pour le compte du projet NEMOSYS avec la DCN [EDP, 2005].

1.5.2 AU NIVEAU NATIONAL


La communaut franaise travaillant autour de la maintenance cooprative et distribue sest organise rcemment dans un groupe de travail GT MACOD (modlisation et optimisation de la MAintenance COoprative et Distribue) faisant partie du groupe de recherche GdR MACS (Modlisation, Analyse et Conduite des Systmes dynamiques)

TIC Technologies de lInformation et de la Communication

Chapitre 1 Curriculum Vitae

page 19

labellis par le CNRS. Dans ce cadre, nous avons ainsi prsent et discut nos premiers rsultats de recherche [GRP, 2002], [MACS, 2003] et [MACS, 2005] afin de positionner nos travaux au sein de la communaut et douvrir la voie de nouvelles collaborations. Le groupe MACOD dont le LAB est un des membres les plus actifs sest remarqu par une activit importante, marque notamment par la signature en 2004 dun contrat de recherche NEMOSYS8 avec la Division des Constructions Navales (DCN). Dans ce projet denvergure, impliquant des partenaires universitaires et industriels de MACOD, notre quipe par lintermdiaire de son responsable, le Professeur N. Zerhouni, assure dans le cadre de lInstitut de Productique la coordination scientifique. Enfin, le groupe MACOD sest rvl aussi un cadre trs propice une rflexion de fond dans le domaine de la maintenance moderne, en mettant assez rapidement en vidence les verrous scientifiques et technologiques de ce domaine dactivit. Une consquence directe de cette rflexion est le projet actuel de rdaction dun ouvrage commun sur la emaintenance.

1.5.3 AU NIVEAU INTERNATIONAL


Le co-encadrement de la thse en co-tutelle de Mme. Minca (2004) avec la Roumanie, sinscrit dans une coopration plus vaste, comprenant la mise en place des bases dune formation commune de type master europen en mcatronique et des changes de type Erasmus, changes dont je suis le responsable au sein de mon service denseignement (GAP9) de lUFR Sciences. Dans ce contexte, des interventions au niveau master ont dj eu lieu en 2002 et en 2005 par des collgues du GAP. Par ailleurs, de nouvelles collaborations avec des industriels franco-roumains ou europens ont t inities, notamment avec Dacia-Renault et Schneider Roumanie. Ces collaborations connaissent un soutien actif de la part des partenaires roumains et de lAmbassade de France Bucarest, soutien est marqu par le financement dune nouvelle thse en co-tutelle, concernant Mlle. Vasile (thse qui dmarrera en octobre 2005). Concernant la Roumanie, un autre projet de type Leonardo da Vinci10 dchange et collaboration entre enseignants-chercheurs a t approuv par la Communaut Europenne. Ce projet, mis en place en coopration avec lUniversit Polytechnique de Timisoara dans le domaine du diagnostic et de la e-maintenance, a comme objectif la cristallisation dun ple de comptences autour des problmatiques de la maintenance et plus gnralement de la productique. Dans ce contexte, au mois de mai 2005, nous avons accueilli 2 enseignantschercheurs de lUniversit Politehnica de Timisoara pour un change autour dapplications concrtes de diagnostic par imagerie infrarouge et de e-maintenance. Les contacts avec la Roumanie se sont concrtiss aussi par une confrence plnire sur invitation personnelle [C2I-plen, 2002] loccasion de la Confrence Internationale dIngnierie Intgre organise par lUniversit Politehnica de Timisoara. Cet vnement marque laboutissement de plus de 10 annes de collaborations, depuis ma sortie des bancs de cette prestigieuse Universit et mon passage lENI de Belfort, jusqu mon arriv lUniversit de Besanon.

NEMOSYS Naval e-maintenance oriented system la e-maintenance appliqu un systme naval de dfense de la DCN Division des Constructions Navales. Projet pilot par lInstitut de Productique de Besanon, regroupant autour de lui un consortium comprenant six universits et deux socits industrielles spcialises dans la e-maintenance GAP - Groupe Automatique et Productique de lUFR Sciences, Universit de Franche-Comt LEONARDO DA VINCI - Leonardo da Vinci RO/2004/93019/EX Trainers in diagnosis and e-maintenance

10

page 20

En largissant le spectre des relations internationales, le co-encadrement de la thse de M. Ghernaut sinscrit dans une dynamique de coopration entre la France et les pays du Maghreb. Cette coopration est marque par le projet CORUS11 sur la matrise distance des installations industrielles par tlmaintenance et tldiagnostic, projet initi et pilot par le Professeur N. Zerhouni, notre responsable dquipe. Pour finir, le projet majeur auquel a particip lquipe ingnierie de maintenance et emaintenance du LAB sur le plan international est sans aucun doute le projet europen PROTEUS12 du cadre FP5 Integrated Project du programme ITEA13 (ITEA sinscrit dans les projets EUREKA stratgiques ayant pour finalit linnovation). Labellis en octobre 2002 pour une dure de 30 mois, ce projet a comme dfi technologique majeur, le dveloppement dune plate-forme de e-maintenance permettant lintgration des TIC dans le processus de maintenance industrielle. Le projet PROTEUS regroupe des partenaires industriels et universitaires franais, allemands et belges. Cette collaboration lchelle europenne fait intervenir des partenaires industriels prestigieux comme CEGELEC (France et Allemagne), SCHNEIDER (France et Allemagne), AKN Eisenbahn AG (Allemagne) ainsi que des partenaires universitaires reconnus, comme les laboratoires franais LORIA et LIP6, lUniversit Technique de Munich et lInstitut de Recherche IFAK en Allemagne.

1.6 COLLABORATIONS SCIENTIFIQUES


Impliquant fortement les TIC, la thmatique de la e-maintenance a exig un travail en coopration avec des informaticiens de lquipe Distribution et Paralllisme (DP) du Laboratoire dInformatique de Franche-Comt (LIFC FRE CNRS 2661), lquipe SYStmes daide la DEcision et la Formation (SysDeF) du Laboratoire dInformatique de Paris 6 (LIP 6 UMR CNRS 7606) et lquipe MAchine Intelligente Autonome (MAIA) du Laboratoire lOrrain de Recherche en Informatique et ses Applications (LORIA UMR CNRS 7503). Parmi les sujets traits dans le cadre de ces collaborations, les plus significatifs concernent : Spcification dune plate-forme de e-maintenance. Etude dun mta outil daide au diagnostic dans un contexte de e-maintenance Vu la finalit de nos recherches ainsi que lintrt que les diffrents partenaires privs ont manifest par rapport nos domaines de comptence, les collaborations scientifiques de notre quipe ont naturellement impliqu des partenaires industriels comme : Cegelec S.A. Belfort : projet ANVAR conception et prototypage dun systme daide au diagnostic en utilisant les techniques neuro-floues ; Avensy Ingnierie, Besanon : conception et prototypage dun systme de surveillance temps rel bas sur les rseaux de neurones dynamiques, accessible distance par un serveur web ; Division des Constructions Navales, Toulon : contrat de recherche Nemosys e-maintenance des systmes de combat naval.

11 Projet CORUS : France-Algrie/Maroc/Tunisie, projet intitul : Matrise distance de la sret des installations industrielles par tlmaintenance et tldiagnostic, projet n : 02 212 210 211 006 12

PROTEUS a generic platform for e-maintenance (plate-forme gnrique de e-maintenance) - http://www.proteusiteaproject.com


13

Information Technology for European Advancement.

Chapitre 1 Curriculum Vitae

page 21

1.7 DIVERS RECHERCHE


1.7.1 PARTICIPATION A DES JURYS DE THESE
Membre en tant quexaminateur des jurys de thses suivants

Ryad ZEMOURI Contribution la surveillance des systmes de production laide des rseaux de neurones dynamiques : Application la e-maintenance Besanon, le 28 novembre 2003 Jury : A. Bourjault (prsident), D. Hammad (rapp.), D. Noyes (rapp.), J-M. Faure, D. Racoceanu, N. Zerhouni, R. Labourier (PDG Avensy Ingnierie industriel invit) Eugenia MINCA. Surveillance des systmes de production en utilisant les rseaux de Petri flous. Application la E-maintenance des systmes flexibles de production Targoviste, Roumanie, 24 septembre 2004 Jury : I. Cucui (prsident), V. Manzu (rapp.), C. Sibertin-Blanc (rapp.), A. Dorin, D. Racoceanu, N. Zerhouni, J. Cardoso (invit) Nicolas PALLUAT Mthodologie de surveillance dynamique laide des rseaux neuro-flous temporels Besanon, le 12 janvier 2006 Jury : C. Chu (prsident), P. Brzillon (rapp.), B. Ould-Bouamama (rapp.), A. Bourjault, J-M. Olive, D. Racoceanu, N. Zerhouni, J-B Leger (PDG Predict - industriel invit).

1.7.2 CONGRES INTERNATIONAUX


Membre du comit dorganisation de Mecathronics'01 - 5th Franco-Japanese Congress & 3rd European-Asian Congress, Besanon, 9-11 octobre, 2001 Membre du comit dorganisation du congrs annuel du club des enseignants et des chercheurs en E.E.A, Besanon, 14-16 mai 2003 Membre du comit scientifique du congrs Pentom 2005 - 2me dition du colloque international francophone Performance et Nouvelles Technologies en Maintenance , Marrakech (Maroc), 18 - 20 avril 2005 Prsident de la session Fault Diagnosis and Maintenance IEEE Conference on Robotics, Automation and Mechatronics (IEEE RAM 2004), Singapour, December 1-3, 2004.

1.7.3 RELECTURE DARTICLES


L. Seabra Lopes, Symbolic Learning and Planning for Faillure Recovery in Assembly, IEEE Transactions on Robotics and Automation, article examin en juillet 2002 et en octobre 2005. Amine Boufaied, Audine Subias, Michel Combacau, Dtection distribue : reconnaissance floue de chroniques distribues, JESA Journal Europen des Systmes Automatiss, article examin en septembre 2003.

page 22

Mathieu Glade, Patrick Lyonnet, Gwenalle Grosset, Using neural networks to model direct maintenance cost of helicopter sub-assemblies, JESA Journal Europen des Systmes Automatiss, article examin en juillet 2004. Amadou Coulibaly, Xavier Zwingmann, Daoud Ait-Kadi, Bernard Mutel, "Evaluation de la fiabilit des produits mcaniques au stade de la conception par simulation numrique" soumis pour PENTOM 2005 : Performances et Nouvelles Technologies en Maintenance, article examin en dcembre 2004. Helali Naoufel, Apport des bio systmes dans la mise au point de bases de donnes neuroniques dynamiques, soumis pour PENTOM 2005 : Performances et Nouvelles Technologies en Maintenance, article examin en dcembre 2004. Rfrence GI01314, Dtection des dfauts en ligne par lapproche statistique : Application du test G.L.R. fentre glissante, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en mars 2005. Rfrence GI026, Co-conception de limplmentation technique et de lorganisationprojet en phase davant-projet : le cas dun projet NTIC pour la production de services, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en fvrier 2005. Rfrence GI086, Mise en place dun System de Management de la Maintenance Cas 0 de Shell-Butagaz Tunisie, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en fvrier 2005. Rfrence GI100, Amlioration de la fiabilit des quipements travers loptimisation de la maintenance prventive, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en fvrier 2005. Rfrence GI109, Le pronostic, processus cl dune stratgie de maintenance prvisionnelle pour le Maintien en Conditions Oprationnelles dun systme de production, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en fvrier 2005. Rfrence GI114, Dploiement de la Matrise Statistique des Procds (MSP) dans une production mcanique en petites sries aronautique sur une ligne de production automatise, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en fvrier 2005. Rfrence GI137, Aide la dcision pour la conception et le dimensionnement dun atelier de maintenance, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en fvrier 2005. Rfrence GI158, Modle de dgradation stochastique compos, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en mars 2005. Rfrence GI201, Evaluation de la performance en conception, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en fvrier 2005. Rfrence GI212, Estimation des cots dans des industries haut degr de diversit : modles interprtables neuro-flous, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France, article examin en fvrier 2005.

14

Auteurs sous couvert danonymat

Chapitre 1 Curriculum Vitae

page 23

1.8 PUBLICATIONS
1.8.1 REVUES INTERNATIONALES AVEC COMITE DE LECTURE
[CiI, 2006] N. Palluat, D. Racoceanu, N. Zerhouni, A neuro-fuzzy monitoring system. Application to flexible production system, E-maintenance special issue, Computers in Industries, Ed. Elsevier, vol. 4, avril, 2006. N. Palluat, D. Racoceanu, N. Zerhouni, Utilisation des rseaux de neurones temporels pour le pronostic et la surveillance dynamique. Etude comparative de trois rseaux de neurones rcurrents, Revue des sciences et technologies de linformation - RSTI, srie Revue dintelligence artificielle RIA, n6/2005.

[RIA, 2005]

[EEAI, 2003] R. Zemouri, D. Racoceanu, N. Zerhouni, Recurrent Radial Basis Function network for Time-Series Prediction, Engineering Applications of Artificial Intelligence, The International Journal of Intelligent Real-Time Automation, journal IFAC - the International Federation of Automatic Control, ed. Elsevier Science, vol. 16, Issue 5-6, pp.453-463, 2003. [JESA, 2003] R. Zemouri, D. Racoceanu, N. Zerhouni, Rseaux de neurones rcurrents fonctions de base radiales. Application la surveillance dynamique, JESA Journal Europen des Systmes Automatiss, vol. 37, n1, pp. 49-81, 2003. [RIA, 2002] R. Zemouri, D. Racoceanu, N. Zerhouni, Rseaux de neurones rcurrents fonctions de base radiales. Application au pronostic, Revue des sciences et technologies de linformation - RSTI, srie Revue dIntelligence Artificielle - RIA, vol. 16, n 13, ISBN : 2-7462-0568-8, Ed. Hermes Lavoisier, Paris, pp. 307-338, 2002. E. Minca, D. Racoceanu, N. Zerhouni, Monitoring system modelling and analysis using fuzzy Petri nets, Studies in Informatics and Control Journal, vol. 11, n4, pp. 331-338, dcembre 2002.

[SIC, 2002]

[RISPM, 2003] R. Zemouri, D. Racoceanu, N. Zerhouni, S. Durand, Utilisation conjointe des techniques de modlisation analytique et de simulation pour lvaluation des performances et loptimisation de lorganisation dun service de maintenance, International Journal of Mechanical Production System Engineering, n 7, pp. II-3 II-14, dcembre 2003.
Publications en revues internationales de la priode doctorale : [MMS, 1995] D. Racoceanu, A. El Moudni, S. Zerhouni, M. Ferney, ON A NEW METHOD OF MARKOV CHAIN REDUCTION, revue Journal of Mathematical Modelling of Systems, vol 1, n 3, octobre 1995. D. Racoceanu, A. El Moudni, S. Zerhouni, M. Ferney, A SINGULAR PERTURBATION APPROACH TO MODELLING AND RESOLUTION OF MARKOV CHAINS, revue SAMS System Analysis Modelling Simulation, vol. 15, 1994.

[SAMS, 1994]

1.8.2 CONFERENCES SUR INVITATION PERSONNELLE


[Tsingua Univ., 2005]

page 24

D. Racoceanu, N. Zerhouni, DYNAMIC MONITORING SYSTEMS USING RECURRENT NEURAL NETWORKS AND NEURO-FUSSY SYSTEMS. NEMOSYS PROJECT, Prsentation devant les membres du dpartement Intelligence Artificielle de lUniversit Tsingua de Pkin, Chine, 17 octobre 2005.
[NUS, 2005]

D. Racoceanu, MONITORING APPROACH USING RECURRENT RADIAL BASIS FUNCTION NEURAL NETWORKS AND NEUROFUZZY SYSTEMS, Prsentation des travaux devant les membres du dpartement recherche dinformation de la Facult dInformatique de lUniversit Nationale de Singapour, 7 dcembre 2005.

[C2I-plen, 2002] D. Racoceanu, RESEAUX DE NEURONES DYNAMIQUES. APPLICATIONS A LA MAINTENANCE PREVENTIVE ET A LA TELEMAINTENANCE, Confrence plnire, Confrence Internationale dIngnierie Intgre - C2I 2002, Timisoara, Roumanie, 25-26 avril 2002.

1.8.3 COMMUNICATIONS

A DES CONGRES INTERNATIONAUX AVEC COMITE DE LECTURE ET PUBLICATION DES ACTES

[CIRAS, 2005] D. Racoceanu, N. Palluat, DYNAMIC NEURO-FUZZY SYSTEM FOR DIAGNOSIS AID, The Third International Conference on Computational Intelligence, Robotics and Autonomous Systems - CIRAS 2005, Singapour, 13-16 dcembre 2005. [IEEE ICNN&B, 2005]

D. Racoceanu, N. Zerhouni, Monitoring Approach Using Recurrent Radial Basis Function Neural Networks and Neuro-Fuzzy Systems, 2005 International Conference on Neural Networks and Brain - IEEE ICNN&B05, Pkin, Chine, 13-15 octobre 2005.
[IFAC, 2005] N. Palluat, D. Racoceanu, N. Zerhouni, An UML modeling of a neurofuzzy monitoring system, 16th IFAC World Congress Prague, Rpublique Tchque, 48 juillet 2005. [IFAC-MCPL, 2004] M. Monnin, N. Palluat, D. Racoceanu, N. Zerhouni, Diagnosis Methods Using Artificial Intelligence. Application of Fuzzy Petri Nets and Neuro-Fuzzy systems, IFAC MCPL 2004 Third Conference on Management and Control of Production and Logistics, Santiago, Chili, 3-5 novembre 2004. [IEEE-RAM, 2004] M. Monnin, D. Racoceanu, N. Zerhouni, Overview on diagnosis methods using artificial intelligence, IEEE Conference on Robotics, Automation and Mechatronics - IEEE RAM 2004, Singapour, 1-3 dcembre, 2004. [IEEE-MechRob, 2004] PROTEUS ITEA European Project WP2 TEAM (L. Dchamp, A. Dutech, T. Montroig, X. Qian, D. Racoceanu, I. Rasovska, P. Brzillon, F.Charpillet, J-Y. Jaffray, N. Moine, B. Morello, S. Mller, G. Nguengang, N. Palluat, L.Pelissier), On the Use of Artificial Intelligence for Prognosis and Diagnosis in the PROTEUS E-maintenance platform, IEEE Mechatronics & Robotics 2004, Aachen, Germany, E-Maintenance Special Session, September 13-15, 2004.

Chapitre 1 Curriculum Vitae

page 25

[DX, 2004]

R. Zemouri, D. Racoceanu, N. Zerhouni, Coupling the dynamic memory with the static memory of a neural network for the diagnosis by pattern recognition, DX-2004, 15th International Workshop on Principles of Diagnosis, Carcassonne, France, 23-25 juin 2004. N. Palluat, D. Racoceanu, N. Zerhouni, Diagnosis using neuro-fuzzy systems, Intelligent Maintenance System - IMS 2004, 14-15 juillet 2004, Arles, France.

[IMS, 2004]

[IEEE-ICRA, 2003] E. Minca, D. Racoceanu, N. Zerhouni, Fuzzy logic Petri nets for monitoring systems modeling, IEEE International Conference on Robotics & Automation, ICRA'2003, 12-17 mai 2003, Taipei, Taiwan. [IFAC, 2002] R. Zemouri, D. Racoceanu, N. Zerhouni, Application of the dynamic RBF network in a monitoring problem of the production systems, IFAC World Congress 2002, Barcelone, Espagne, 21-26 juillet 2002. [SCI, 2002] E. Minca, D. Racoceanu, N. Zerhouni, I. Brezeanu, Fuzzy based Petri nets for the production systems diagnosis, 6th World Multiconference on Systemics, Cybernetics and Informatics SCI 2002, Orlando, USA, 14-18 juillet 2002.

[IEEE-WCCI, 2002] R. Zemouri, D. Racoceanu, N. Zerhouni, From the spherical to an elliptic form of the dynamic RBF neural network influence field, 2002 IEEE World Congress on Computational Intelligence, International Joint Conference on Neural Networks, IEEE-WCCI/IJCNN2002, USA, 12-17 mai 2002. [IEEE-ICRA, 2002] D. Racoceanu, N. Zerhouni, N. Addouche, Modular Modeling and Analysis of a Distributed Production System with Distant Specialised Maintenance, IEEE ICRA 2002, Washington, USA, 11-15 mai 2002. [IEEE-ETFA, 2001] R. Zemouri, D. Racoceanu, N. Zerhouni, The RRBF Dynamic representation of time in Radial Basis Function Network, 8th IEEE International Conference on Emerging Technologies and Factory Automation IEEE ETFA2001, vol. 2, pp. 737-740, Antibes Juan-LesPins, France, 15-18 octobre 2001. [IEEE-ICRA, 2001] R. Zemouri, D. Racoceanu, N. Zerhouni, A Petri nets graphic method of reduction using birth-death processes, IEEE International Conference on Robotics and Automation, ICRA2001, pp 46-51, Soul, Core, 21-26 mai 2001 (Best paper Award finalist) [IFAC-MCPL 2000] D. Racoceanu, N. Zerhouni, Use of Singular Perturbations for the Reduction of Manufacturing System Models, Congrs IFAC - MCPL-2000, 2nd IFAC Conference on Management and Control of Production and Logistics, Grenoble, France, 5-8 juillet 2000.
Publications en confrences internationales durant la priode doctorale : [IFAC, 1997] D. Racoceanu, A. El Moudni, S. Zerhouni, M. Ferney, A DISCRETE SINGULAR PERTURBATION APPROACH TO MODELING AND CONTROL OF BILINEAR MARKOV DECISION PROCESSES, congrs IFAC Singular solutions and perturbations in control system SSPCS-97, Pereslavl Zalessky, Russie, 7-11 juillet 1997.

[IMACS, 1995] D. Racoceanu, A. El Moudni, M. Ferney, S. Zerhouni, A NEAR OPTIMAL CONTROL OF MARKOV CHAINS USING DISCRETE SINGULAR

page 26

PERTURBATIONS IN THE CASE OF FIRST ORDER POLYNOMIAL CONTROL. TERMINAL PROBLEMS, congres IMACS-SAS95, Berlin, Allemagne, 27-29 juin 1995. [IEEE ICRA, 1994] D. Racoceanu, A. El Moudni, S. Zerhouni, M. Ferney, USE OF AN HOMOGRAPHIC TRANSFORMATION JOINTLY TO THE SINGULAR PERTURBATION FOR THE STUDY OF MARKOV CHAINS. APPLICATION TO THE OPERATIONAL SAFETY STUDY, IEEE International Conference on Robotics and Automation, San Diego, USA, 8-13 mai 1994. [MATHMOD, 1994] D. Racoceanu, A. El Moudni, S. Zerhouni, M. Ferney, A MARKOV CHAIN SINGULAR PERTURBATION RESOLUTION, congrs 1-Mathmod Vienna, Autriche, 2-4 fvrier 1994.

1.8.4 COMMUNICATIONS
[GI, 2005]

A DES CONGRES NATIONAUX OU A AUDIENCE FRANCOPHONE AVEC COMITE DE LECTURE ET PUBLICATION DES ACTES

A. Ghernaut, D. Racoceanu, N. Zerhouni, Approche abductive utilisant les rseaux de Petri flous pour le diagnostic et la qualit des systmes mcatroniques, 6me Congrs international du Gnie Industriel, 7-10 juin 2005, Besanon, France.

[PENTOM, 2005] A. Ghernaut, D. Racoceanu, N. Zerhouni, Approche duale maintenance qualit pour la surveillance des systmes mcatroniques, PENTOM 2005 : Performances et Nouvelles Technologies en Maintenance, 18-21 Avril 2005, Marrakech, Maroc. [CIFA, 2004] R. Zemouri, D. Racoceanu, N. Zerhouni, Rseau RRFR pour la surveillance dynamique : application en e-maintenance, CIFA-2004, Confrence Internationale Francophone dAutomatique, Douz, Tunisie, 22-24 novembre 2004 [IAI, 2003a] Djouak Amar, Racoceanu Daniel, Zerhouni Noureddine, Etude dun multicapteur intelligent base de rseaux de neurones, 4me Confrence Internationale sur lAutomatisation Industrielle, 9-11 juin 2003, Montral, Canada.

[IAI, 2003b]

Racoceanu Daniel, Djaffar Ould Abdeslam, Rseaux Neuro-Flous pour la Surveillance des Systmes, 4me Confrence Internationale sur lAutomatisation Industrielle, 9-11 juin 2003, Montral, Canada.

[PENTOM, 2003] E. Minca, D. Racoceanu, N. Zerhouni, Approche de supervision par rseaux de Petri flous, PENTOM Performance et Nouvelles Technologies en Maintenance, Valenciennes, 19-21 mars 2003. [QUALITA, 2003] E. Minca, D. Racoceanu, N. Zerhouni, Approche temporelle floue pour la surveillance, QUALITA 2003, Nancy, 11-13 mars 2003. [ENSET, 2002] R. Zemouri, N. Zerhouni, D. Racoceanu, Application des rseaux RBF Rcurrents (RRBF) un problme de surveillance, International Conference on Mechanical Engineering, SIGMA02, pp. 355-360, 28-29 avril 2002, ENSET, Oran, Algrie. [C2I, 2002] J. Khaabi, D. Racoceanu, N. Zerhouni, Elaboration dune politique de maintenance prventive pour la gestion dun parc de pinces souder robotises, Confrence Internationale dIngnierie Intgre - C2I 2002, Timisoara, Roumanie, 25-26 avril 2002.

Chapitre 1 Curriculum Vitae

page 27

[GI, 2001]

R. Zemouri, D. Racoceanu, N. Zerhouni, S. Durand, Simulation et valuation des performances dun atelier de maintenance, actes du 4me Congrs International du Gnie Industriel, vol II, pp. 649-661, Marseille, France, 12-15 juin 2001.

[SIMI, 2001] R. Zemouri, D. Racoceanu et N. Zerhouni, Evaluation des performances dun atelier de maintenance de Peugeot Citron Automobiles, site de Sochaux France, Symposium International sur la Maintenance Industrielle, SIMI 2001, Alger, Algrie, 21-23 janvier 2001.

1.8.5 COMMUNICATIONS
[IP, 2005]

DANS LE CADRE DE GROUPES DE TRAVAIL ET COLLOQUES NATIONAUX

D. Racoceanu, Diagnostic et pronostic laide des techniques de lintelligence artificielle, communication dans le cadre de la journe technique organise par lInstitut de Productique de Besanon, intitule : Les atouts de la e-maintenance pour la performance industrielle , Cegelec S.A., Belfort, 19 mai 2005.

[MACS, 2005] A. Ghernaut, D. Racoceanu, N. Zerhouni, Surveillance des systmes mcatroniques par une approche maintenance qualit, runion commune aux GTs MACOD (maintenance cooprative distribue) et AMOEP (valuation de performances), journes du GdR MACS, Clermont-Ferrand, France, 30 mars -1er avril 2005. [MACS, 2003] R. Zemouri, D. Racoceanu, N. Zerhouni, Contribution la surveillance des systmes de production laide des rseaux de neurones dynamiques : Application la e-maintenance, journes du GdR MACS, Bordeaux, France, 16-17 octobre 2003. [NSI, 2002] R. Zemouri, D. Racoceanu, N. Zerhouni, Prdiction des sries temporelles par le rseau Recurrent Radial Basis Function, XImes journes neurosciences et sciences de lingnieur, NSI2002, LAgelonde, La Londe Les Maures (Var), France, 15-18 septembre 2002.

[GRP, 2002] R. Zemouri, D. Racoceanu, N. Zerhouni, Application des rseaux de neurones rcurrents (RRBF) la dtection dynamique de dgradations, journes du GRP Groupement de Recherche en Productique, groupe de travail ASSF Automatisation et Systmes Srs de Fonctionnement, Grenoble, 21-22 mars 2002.

1.8.6 RAPPORTS DE CONTRATS DE RECHERCHE


Rapports de recherche et rapports de formation dvelopps dans le cadre du projet NEMOSYS (Naval E-Maintenance Oriented SYStem) pour le compte de la DCN Division des Constructions Navales : [DCN, 2004] D. Racoceanu, Techniques dIntelligence artificielle pour la surveillance industrielle (Intervention de 3 heures), rapport de formation du personnel de la socit DCN (Division des Constructions Navales) dans le cadre du contrat DCN LAB : sance 3/3 du 15-16 dcembre 2004. Session : Les Techniques et Technologies de la e-Maintenance, section : Techniques pour les processus Mtier de la e-Maintenance.

page 28

[DCN, 2005] D. Racoceanu, N. Palluat, Systme de surveillance dynamique embarque et daide distante au diagnostic, rapport pour le compte de la Division des Constructions Navales - DCN, rfrence LAB-DCN-DR01, 26 janvier 2005. Rapports de recherche ANVAR : [ANVAR, 2004] N. Palluat, D. Racoceanu, Conception et prototypage dun systme de surveillance dynamique embarqu et daide au diagnostic dun centre dusinage grande vitesse, Rapport ANVAR aide aux jeunes pour linnovation, Besanon, dcembre 2004.
Rapports de recherche labors durant la priode doctorale dans le cadre dune collaboration avec EDF exploitation hydro nergtique Jura Morvan : [EDF, 1996] D. Racoceanu, J. Mesnier (responsable dexploitation EDF), Commande quasioptimale pour la gestion du systme hydro-nergtique Jura Morvan, rapport pour le compte dEDF Energie Est, avril 1996. D. Racoceanu, J. Mesnier (responsable dexploitation EDF), Processus de diffusion stochastique appliqu la gestion des ressources deau des barrages du Chatelot, Refrain et Vaufrey du systme hydro-nergtique Jura-Morvan, rapport pour le compte dEDF Energie Est, septembre 1995.

[EDF, 1995]

1.8.7 RAPPORTS DE RECHERCHE PROJET EUROPEEN


Rapports de recherche dvelopps dans le cadre du projet europen ITEA (Information Technology for European Advancement) PROTEUS (plate-forme de e-maintenance) : [PROTEUS-D2.1, 2003] Delivrable 2.1. 4 juillet 2003 - PROTEUS-D-211-LORIA030704 State of the art on AI and decision-making (134 pages) Chapitre : [NN1] Use of the Recurrent Radial Basis Function (RRBF) network for dynamic monitoring and preventive maintenance, pp.77-80 Chapitre : [NN2] Use of the Radial Basis Function (RBF) Neural network for production system monitoring and curative maintenance, pp. 81-84 Chapitre : [FL2] Fuzzy logic and fuzzy Petri nets for diagnosis, pp.108-111 [PROTEUS-D2.2, 2003] Delivrable 2.2.- 8 dcembre 2003 - PROTEUS-D-221- IML - 08122003 Specification of Knowledge based Methods for Corrective and Predictive Maintenance (114 pages) Chapitre : [M6] Radial Basis Function Neural Networks and Recurrent Radial Basis Function, pp. 83-91 Chapitre : [M7] Fuzzy logic and fuzzy Petri nets pp. 92-96 [PROTEUS-D2.3, 2004] Delivrable 2.3.- 28 juillet 2004 - PROTEUS-D-23-all 28072004(3) Specification of the decision tool (214 pages) Neuro-Fuzzy Diagnosis and Prognosis tool (General concepts, UML modelling, Summary of Neuro-Fuzzy methods)

Chapitre 1 Curriculum Vitae

page 29

1.8.8 COMMUNICATIONS DIVERSES


a) DIFFUSION DES CONNAISSANCES :
[EDP, 2005] N. Zerhouni, B. Morello, C. Varnier, D. Racoceanu, LES ACTIVITES DE E-MAINTENANCE A LINSTITUT DE PRODUCTIQUE Mieux vaut prvenir que gurir laide des technologies de linternet et des techniques dintelligence artificielle, revue En Direct Productique , Universit de Franche-Comt, Institut de Productique, n192, fvrier 2005 N. Zerhouni, D. Racoceanu, R. Labourier, UN SYSTME DE EMAINTENANCE FOND SUR LES RSEAUX DE NEURONES DYNAMIQUES - Premier n de la collaboration entre le laboratoire d'Automatique de Besanon et la socit AVENSY INGNIERIE, revue En Direct Productique , Universit de Franche-Comt, Institut de Productique, n187, 1re page, septembre 2004

[EDP, 2004]

b) RAPPORTS INTERNES :
[IUT, 1995]

D. Racoceanu, Programme de gestion du systme flexible industriel dassemblage de lIUT de Belfort, rapport pour le compte de lIUT de Belfort, avril 1995. D. Racoceanu, Etude des paramtres de fonctionnement du systme flexible de lIUT de Belfort sur le logiciel Siman/Arena, rapport pour le compte de lIUT de Belfort, octobre 1994.

[IUT, 1994]

1.9 RESUME DES ACTIVITES DENSEIGNEMENT


NB : Les activits denseignement sont dtailles dans le chapitre 2 Depuis mon arrive lUFR des Sciences et Techniques de Besanon en septembre 1999, jeffectue mon enseignement au sein du Groupe Automatique et Productique (GAP) de lUFR Sciences et Techniques de Besanon. Ce service denseignement fdre les enseignements dans les domaines de lautomatique, la productique, la robotique, la vision et linformatique industrielle. Ainsi, mon service denseignement se rpartit sur le deuxime et troisime cycle universitaire, en formation initiale, mais galement en formation continue (formation pour la DCN Division des Constructions Navales, anne 2004/2005), essentiellement en productique, informatique industrielle, vision, automatique et intelligence artificielle, aussi bien en cours, quen TD et en TP, sans oublier bien videmment lencadrement des projets industriels. Les disciplines enseignes et les filires concernes sont rsumes ci-aprs : Productique (systmes vnements discrets, simulation de flux, implantation, maintenance, fiabilit, diagnostic) :

o Matrise EEA, option Automatique et Productique o IUP SAPIAA (Systmes Automatiss de Production pour les Industries Agro-Alimentaires), 3me anne o Licence professionnelle GPI (Gestion de la Production Industrielle) option logistique industrielle, 3me anne

page 30

o Licence professionnelle GPI (Gestion de la Production Industrielle) option gestion de production intgre, 3me anne o Master Recherche MT (Mcatronique), 2me anne
Informatique Industrielle :

o IUP GMI (Gnie Mathmatique et Informatique), 3me anne o Matrise EEA, tronc commun o Master Professionnel MT (Mcatronique), 1re anne o Master Professionnel ELO (Electronique et Optique), 1re anne
Vision :

o DESS PA (Productique Applique) o DESS SMTII (Systmes de Mesure, de Test et d'Imagerie Industriels) o Master Professionnel MT (Mcatronique), 2me anne o Master Professionnel ELO (Electronique et Optique), 2me anne o IUP SAPIAA (Systmes Automatiss de Production pour les Industries Agro-Alimentaires), 3me anne
Automatique :

o Matrise EEA, option Automatique et Productique


Intelligence artificielle :

o Ecole doctorale Sciences Physiques pour lIngnieur et Microtechniques


Encadrement de projets en productique et vision :

o DESS PA o Matrise EEA o Licence EEA


Tutorat pdagogique - apprentis formation par alternance :

o IUP SAPIAA
Mise part mon exprience professionnelle industrielle, mes activits pdagogiques actuelles me permettent dtre en contact avec le secteur industriel par le biais de lencadrement de projets et de stages (DESS, Matrise), et dtudiants en contrat dapprentissage (IUP SAPIAA). Vu mon parcours, ceci a t pour moi un souci permanent.

1.10 EXPERIENCE EN ENTREPRISE


Avant mon arriv en tant que matre de confrences, jai t employ dans le secteur priv, dans deux structures diffrentes (une PME et une grande entreprise) qui mont permis chacune dentre elles de dcouvrir un mode dorganisation diffrent dune entreprise et de dvelopper mes comptences essentiellement organisationnelles. 1997-1998 Responsable logistique - ordonnancement, Gaussin S.A., Hricourt, concepteur et fabricant dautomoteurs industriels, systmes spciaux de manutention pour lindustrie, les ports et aroports. CA : 10 M, 78 personnes

Chapitre 1 Curriculum Vitae

page 31

1998-1999

Responsable transports internes / internationaux Responsable des flux dentre, sortie et internes de lentreprise Responsable planning ordonnancement Pilote du groupe Qualit Fournisseurs dans le cadre de la dmarche de certification ISO 9002 Pilote GPAO Production (mise en place du systme et suivi) Contact direct avec la clientle et les fournisseurs Supervision BM, Achats, Magasin, Expditions et rle de liaison entre tous les services de lentreprise. Encadrement de 5 personnes

Responsable daffaires, Alstom Gaz Turbines / General Electric France, Belfort, Concepteur et fabricant de turbines gaz, CA : 1,2 Md, 1800 personnes. Responsabilit financire de 5 affaires de turbines gaz Coordination des services concerns par les projets (runions de lancement, runions techniques, suivi, bilan, ) Veiller au respect du planning, du budget et des particularits techniques de chaque affaire Contact avec le client Rapport priodique (runions daffaires) auprs de la hirarchie interne (chef de service)

1.11 RESUME

DES RESPONSABILITES COLLECTIVES ET ADMINISTRATIVES

SCIENTIFIQUES,

Membre lu du conseil du laboratoire depuis le 1er janvier 2000 Responsable projets Schneider et Avensy-Siemens (prototype brevet) de lquipe ingnierie de maintenance et e-maintenance Coresponsable de la plate-forme technologique e-maintenance de lquipe Membre de la commission de spcialistes de 61me section Universit de FrancheComt entre 2000 et 2004

1.12 FORMATIONS SUIVIES


Depuis mon arrive au LAB, jai suivi les formations suivantes : Formation CNRS anglais au CLA (2000) Formation au langage Java (2003) Stage de programmation Oriente Objet. Modlisation UML (2003)

. . .

Chapitre 2 - Activits dEnseignement


2.1 PREAMBULE
De mme que mes activits de recherche, mes activits denseignement peuvent se dcomposer en deux priodes, une premire priode belfortaine (septembre 1993 aot 1996) lIUT de Belfort Montbliard de Universit de Franche-Comt et une seconde priode bisontine (depuis septembre 1999) lUFR Sciences et Techniques de lUniversit de Franche-Comt.

2.2 RESUME DES ACTIVITES DENSEIGNEMENT A BELFORT


Ces enseignements ont t effectus au sein de lIUT de Belfort Montbliard en tant que vacataire de septembre 1993 aot 1994, puis en tant quATER de septembre 1994 aot 1996. Dans ce cadre, il est noter que jai t amen crer une srie de TP de rseaux locaux industriels et informatique industrielle sur un systme flexible de production de lIUT de Belfort, ainsi quun module complet cours/TD/TP en modlisation et simulation de flux. Ces enseignements ont t cres, ne constituant pas la reprise dun enseignement prcdent. Par ailleurs, jai assur des TP de GPAO et un cours/TD dImplantation datelier.

2.3 BILAN DES ACTIVITES DENSEIGNEMENT A BESANON


Le service denseignement effectu dans le cadre de mes fonctions en tant que matre de confrences (au sein du GAP, Groupe Automatique et Productique, service denseignement de lUFR Sciences et Techniques), se dcompose en deux parties : architecture classique jusqu aot 2003 - et nouvelle architecture de diplmes, induite par le passage au systme LMD (Licence, Master, Doctorat) - depuis septembre 2004.

2.3.1 STRUCTURE DE LENSEIGNEMENT AVANT LA MISE EN PLACE DU LMD


En rsum, les diffrentes disciplines enseignes entre septembre 1999 et aot 2004, avec leurs poids respectifs globaux sont les suivantes (indiques en heures tudiant) : Productique (Systmes Evnements Discrets, Implantation, Simulation de flux, Maintenance, Gestion de production) (28%) Vision industrielle (20%) Informatique industrielle (18%) Automatique non linaire (6%) Intelligence Artificielle (3%) Encadrement de projets en EEA et productique (25%)

page 34

Projets 25%

Productique 28%

IA 3% Autom NL 6% II 18% Vision 20%

Figure 1.

Poids des disciplines enseignes entre 1999 et 2004 en heures tudiant

Par ailleurs, une reprsentation des rpartitions par formation et type dactivit est reprsente (en heures relles) par les schmas suivants :
Licences Pro (LP Bois, LP SDPI) 8% Ecole Doctorale 3% DESS (PA, SMTII) 34%

IUP (IUP GIM, SAPIAA) 31%

Maitrise (MEEA) 24%

Figure 2.

Rpartition moyenne des heures relles par type de formation entre sept 1999 et sept 2004

Projets 18%

Cours 22%

Travaux Pratiques 44%

Travaux Dirigs 16%

Figure 3.

Rpartition moyenne des heures relles par type dactivit entre sept 1999 et aot 2004

Les paragraphes suivants donnent, par cycle universitaire, le dtail des enseignements dispenss. Notons que tous les TP, TD et Cours que jai cre sont mentionns dans le dtail des enseignements.

NB :

Lorsquun enseignement est dispens depuis plusieurs annes et que son volume horaire a peu volu, le nombre dheures et dtudiants indiqus ici correspondent des valeurs moyennes.

a) DEUXIEME CYCLE UNIVERSITAIRE


1999-2004 Informatique industrielle et systmes temps rel, IUP Gnie Informatique, 3me anne option Informatique Industrielle, 18h C, 18h TD et 18h TP par an (cration dun TP temps rel, 16 tudiants entre 1999 et 2003 et 32 tudiants la dernire anne 2003/2004).

Chapitre 2 Activits dEnseignement

page 35

1999-2004 1999-2004

Systmes temps rel, Matrise EEA, tronc commun, 7h C, 3h TD, 8h TP par an (cration dun TP temps rel, 32 tudiants). Systmes Evnements discrets, Matrise EEA, option Automatique et Productique, 16h C, 10h TD par an (cration de lensemble du cours et des TD, 10 tudiants). Automatique non-linaire, Matrise EEA, option Automatique et Productique, 16h C, 9h TD par an (cration de lensemble du cours et des TD (10 tudiants). Vision Industrielle, IUP SAPIAA (Systmes Automatiss de Production pour les Industries Agro-Alimentaires) 3me anne, 12h TP (20 tudiants). Vision Industrielle, IUP SAPIAA 3me anne, 6h C, 12h TP par an (20 tudiants). Simulation de systmes de production, IUP SAPIAA 3me anne, 6h C, 6h TP par an (cration du cours et du TP de simulation de flux de production spcifique lindustrie agro-alimentaire, 20 tudiants). Gestion de production, IUP SAPIAA 3me anne, 8h TP par an (cration dun TP de gestion dentreprises concurrentes sur un mme march). Maintenance Industrielle, Licence professionnelle Bois et ameublement Techniques et management dans les industries du bois , 8h C, 4h TD, 8h TP (cours et TD cr, 16 tudiants). Implantation et simulation de flux, Licence Professionnelle Bois et ameublement, 8h C, 4h TD, 8h TP (cours et TD crs, 16 tudiants). Simulation de flux, Licence professionnelle SDPI (Science de la Production Industrielle) option logistique industrielle, 10h TD, 16h TP par an (20 tudiants).

1999-2004

2000-2001 2001-2004 2000-2004

1999-2001 2003-2004

2003-2004 2000-2002

b) TROISIEME CYCLE UNIVERSITAIRE


1999-2004 1999-2004 2002-2004 Vision industrielle, DESS PA (Productique Applique), 24h TP par an (20 tudiants). Vision industrielle, DESS SMTII (Systmes de Mesure, de Test et d'Imagerie Industriels), 12h TP par an (10 tudiants). Rseaux de neurones, Ecole Doctorale SPIM (cole Doctorale Sciences Physiques pour l'Ingnieur et Microtechniques) de lUniversit de FrancheComt, 10h C par an (cours entirement cre bas sur nos derniers travaux de recherche, moyenne de 8 tudiants).
APRES LA MISE EN PLACE DE

2.3.2 STRUCTURE DE LENSEIGNEMENT LORGANISATION LMD

Le passage lorganisation LMD et lvolution de la carte des formations de lUFR Sciences, a induit en ce qui me concerne un recentrage autour de mes proccupations de recherche et plus gnralement autour de la productique par sa composante maintenance industrielle. Des modules denseignements de type automatique non-linaire ont t abandonns au profit dinterventions en maintenance (fiabilit, diagnostic) ; intelligence artificielle applique la surveillance, productique (simulation de flux, implantation, gestion de la production) et informatique industrielle. Par ailleurs, un volume important de

page 36

cours rcemment crs, constitue une grande partie de mon intervention au niveau Master Mcatronique 2me anne, orientation recherche. Ces cours (Fiabilit, Diagnostic industriel, Intelligence artificielle) sinspirent fortement de nos derniers rsultats de recherche, ainsi que dun tat de lart au got du jour concernant les nouvelles tendances dans ces domaines dactivit. Dans la nouvelle maquette LMD, jai conu et propos les programmes pdagogiques suivants : Informatique Industrielle :

o Informatique Industrielle et Systmes temps rel


Master Mcatronique 1re anne UFR Sciences Master Electronique et Optique 1re anne UFR Sciences Intelligence Artificielle :

o Cours de rseaux de neurones module automatique avance


Master Mcatronique Recherche 2me anne UFR Sciences ENSMM Ecole Doctorale SPIM UFR Sciences Maintenance, Sret de Fonctionnement, Surveillance Diagnostic

o Cours de Sret de Fonctionnement et Maintenance


Master Mcatronique 1re anne UFR Sciences Licence Professionnelle Bois UFR Sciences

o Cours Diagnostic Surveillance


Master Mcatronique Recherche 2me anne UFR Sciences ENSMM

o Cours de Fiabilit module E-factory


Master Mcatronique Recherche 2me anne UFR Sciences ENSMM Ingnierie des systmes de production

o Cours dImplantation datelier


Licence SDPI IUT Besanon

o Cours de Simulation de flux


Licence Professionnelle Bois UFR Sciences Les diffrentes disciplines enseignes depuis septembre 2004, avec leurs poids respectifs globaux, sont les suivantes (comptabilises en heures tudiant) : Productique (Maintenance, Fiabilit, Diagnostic, Simulation de flux, Gestion de production) (38%) - augmentation de 10 % Vision industrielle (22%) augmentation de 2% Informatique industrielle (23%) augmentation de 5% Intelligence Artificielle (5%) augmentation de 2% Encadrement de projets en productique (12%)

Chapitre 2 Activits dEnseignement

page 37

IA 5%

Projets 12%

Productique 38%

II 23% Vision 22%

Figure 4.

Poids des disciplines enseignes depuis 2004 en heures tudiant

Par ailleurs, une reprsentation des rpartitions par formation et type dactivit est reprsente (en heures relles) par les schmas suivants :
Licences Pro (LP Bois, LP SDPI) 17% Ecole Doctorale 3% Master 2 Recherche (MMT) 8%

IUP (SPAIAA) 22% Master 1 (MMT, ELO) 22%

Master 2 Professionnel (MMT, ELO) 28%

Figure 5.

Rpartition moyenne des heures relles par type de formation aprs 2004 (LMD)

Projets 14%

Cours 34%

Travaux Pratiques 41%

Travaux Dirigs 11%

Figure 6.

Rpartition des heures relles par type dactivit partir de sept 2004 (LMD)

Les paragraphes suivants donnent, par niveau de formation (Licence, Master, Doctorat), le dtail des enseignements dispenss depuis septembre 2004. Notons que cette fois-ci, quasiment tous les enseignements de type cours et TD ont t cres (mention dans le dtail des enseignements).

NB :

Lorsquun enseignement est dispens depuis plusieurs annes et que son volume horaire a peu volu, le nombre dheures et dtudiants indiqus ici correspondent des valeurs moyennes. Par ailleurs, les enseignement qui continuent sous le mme format ( caractre provisoire formations en ngociations) quavant le LMD son marqus en italique par un astrisque (*).

page 38

a) NIVEAU L LICENCE
2004-2005 Implantation des systmes de production, Licence SDPI (Science de la Production Industrielle) option gestion de production intgre, 8h C, 4h TD, 8h TP (cours et TD crs, 16 tudiants).

2004-2005* Maintenance Industrielle, Licence professionnelle Bois et ameublement Techniques et management dans les industries du bois , 8h C, 4h TD, 8h TP (cours et TD crs en 2003, 16 tudiants). 2004-2005* Implantation et Simulation de flux, Licence Professionnelle Bois et ameublement, 8h C, 4h TD, 8h TP (cours et TD cres en 2003, 16 tudiants).

b) NIVEAU M MASTER
2004-2005* Vision Industrielle, IUP SAPIAA (Systmes Automatiss de Production pour les Industries Agro-Alimentaires) 3me anne, 12h TP (20 tudiants). 2004-2005* Vision Industrielle, IUP SAPIAA 3me anne, 6h C, 12h TP par an (20 tudiants). 2004-2005* Simulation de systmes de production, IUP SAPIAA 3me anne, 6h C, 6h TP par an (cours et TP crs en 2000, 20 tudiants). 2004-2005* Gestion de production, IUP SAPIAA 3me anne, 8h TP. 2004-2005 Fiabilit, module E-Factory, Master MT (Mcatronique) 2me anne Recherche, parcours CESP (Commande et Exploitation des systmes de production), 12 h C (cours cr, 10 tudiants) Diagnostic, module Diagnostic-Surveillance, Master MT 2me anne Recherche, parcours CESP, 14 h C (cours cr, 10 tudiants) Rseaux de neurones, module automatique avance, Master MT 2me anne Recherche, parcours Micromcatronique - Microrobotique, 14 h C (cours cr, 10 tudiants) Vision industrielle, Master MT 2meanne Professionnel, 28h TP (20 tudiants). Modlisation et simulation de flux, Master MT 2meanne Professionnel, 12h TP (TP crs, 20 tudiants). Temps rel, Master MT 1re anne, 12hC, 4 h TD, 24 h TP (cours, TD, TP cr, 10 tudiants). Vision industrielle, Master ELO 2me anne, 12h TP (6 tudiants). Systmes temps rel, Master ELO (Electronique et Optique) 1re anne, 12h C, 6h TD, 20h TP par an (20 tudiants).

2004-2005 2004-2005

2004-2005 2004-2005 2004-2005 2004-2005 2004-2005

c) NIVEAU D DOCTORAT
2004-2005 Rseaux de neurones et rseaux neuro-flous pour la surveillance, Ecole Doctorale SPIM (cole Doctorale Sciences Physiques pour l'Ingnieur et Microtechniques) de lUniversit de Franche-Comt, 10h C (cours entirement cre bas sur nos derniers travaux de recherche, ractualis notamment avec laspect neuro-flou et un tat de lart complet des techniques de lIA pour le diagnostic, env. 10 tudiants par an).

Chapitre 2 Activits dEnseignement

page 39

2.3.3 FORMATION CONTINUE


Dcembre 2004 Techniques de lIntelligence artificielle pour la surveillance industrielle , chapitre : Techniques et Technologies de la e-Maintenance, section : Techniques pour les processus Mtier de la e-Maintenance cours destination du personnel de maintenance (15 personnes) de la socit DCN (Division des Constructions Navales) dans le cadre du contrat DCN MACOD/GdR MACS : sance 3/3 du 15-16 dcembre 2004, Besanon.

2.3.4 SUIVI DAPPRENTIS, ENCADREMENT DE PROJETS ET STAGES


Etant donn mon exprience industrielle et ma sensibilit concernant cette activit, depuis mon arrive lUFR Sciences je nai pas hsit mimpliquer chaque fois que le besoin sen est fait sentir dans les activits dencadrement de projets de diffrents niveaux, de suivi de stagiaires et dapprentis. Dans ce sens, je peux numrer les activits suivantes : 1999-2004 Encadrement de projets de binmes dtudiants de DESS PA (200h de projet par tudiant, un ou deux binmes par an) :

Entreprise
FCI Framatome, Besanon (25) HUMBERT Outillage, Le Luhier (25) Fromageries BEL, Lons le Saunier (39) GAUSSIN, Hricourt (70) SANIJURA, Champagnole (39) HORIS Poligny (39) TGCP,

Sujet du Projet DESS PA


Inspection d'assemblage de petites dimensions par vision - Optimisation d'un systme de vision contrle dimensionnel de connecteurs Remise en cause globale de l'organisation actuelle des mthodes de production d'une entreprise de mcanique gnrale Adquation d'un stock de pices de rechange en fonction des contraintes d'exploitation de l'outil de production Conception de systmes de direction de remorques sur le principe du suivi monotrace Rorganisation du secteur usinage Analyse et propositions d'amlioration de nos process de soudure Automatisation de petits postes de travail flexibles Dfinition des moyens ncessaires la mise en place d'un laboratoire interne Rorganisation de l'lot Assemblage "Panneau Miroir" Intgration d'une solution de surveillance temps rel neuronale dans une solution globale de surveillance distance des systmes de production, base sur la plate-forme AQUIVUS et un module MSP. tude d'une ligne de montage finition et emballage de meubles sous vasque

Anne
1999-2000

1999-2000

2000-2001

2000-2001 2000-2001 2001-2002 2001-2002 2002-2003 2002-2003

SANIJURA, Champagnole (39) SANIJURA, Champagnole (39) SANIJURA, Champagnole (39)

AVENSY Ingnierie, Besanon (25)

2003-2004

SANIJURA, Champagnole (39)

2003-2004

page 40

2004-2005

Encadrement de projets de binmes dtudiants de Master MT 2me anne parcours Professionnel (100h de projet par tudiant, deux binmes) :

Entreprise
AVENSY Ingnierie, Besanon (25) FABRICOM, Besanon (25) SANIJURA, Champagnole (39)

Sujet du Projet dinnovation MMT Professionnel


Etude dune solution de maintenance prventive et corrective concernant lindustrie de la machine-outil. Cration de modules spcifiques de simulation sur Witness. Etude dun cas de simulation de flux Equipement dun laboratoire dessais. Conception et prototypage dune machine spciale de test des charnires de portes et de tiroirs.

Anne
2004-2005 2004-2005

2004-2005

1999-2004

Encadrement de projets de matrise EEA (un ou deux par an) au LAB (binme ou trinme dtudiants, 80h tudiant par projet rparties doctobre avril)

L. Baronchelli, G. Clerget, Optimisation des programmes GRAFCET du systme flexible de production du LAB (1999-2000) N. Palluat, M. Dauge, Supervision du systme de production LAB (2000-2001) B. Aydin, S. Michel, Systme de tlmaintenance du transfert industriel flexible du LAB (2001-2002) E. Gresset Bourgeois, P. Ndimurukundo, Surveillance en ligne base sur les rseaux de neurones : modlisation VHDL du RBF statique (2001-2002) M. Monnin, M. Paris, Programmation Java dune interface de surveillance en ligne via Internet laide dun automate SIEMENS avec coupleur serveur web (2002-2003) C. Benuto, J. Romain, Etude dun systme de surveillance en ligne laide dune technique base sur les rseaux de neurones : modlisation VHDL du RBF dynamique (2002-2003) C. Benuto, T.-T. Le, M. Servelle, Cration dune base de connaissances des dfaillances sur le systme flexible du LAB (2003-2004)

2000-2003

Encadrement de projets de fin dtude ENSMM (Ecole Nationale Suprieure de Mcanique et Microtechniques de Besanon)

S. Pross, S. Tararykine, Programmation du superviseur Monitor Pro du transfert flexible du LAB (2000-2001) C. Philippe, Tlmaintenance et diagnostic prventif, projet en collaboration avec la socit Predict de Nancy (2001-2002) J. Fenolar, J. Del Vecchio, Systme de surveillance temps rel bas sur les rseaux de neurones dynamiques, accessibles distance par un serveur web, dveloppement du prototype et tude du march, projet en collaboration avec la socit Avensy Ingnierie Besanon (2002-2003)

2003-2005

Tuteur dun tudiant IUP SAPIAA 1re anne, puis en 2me anne, en apprentissage chez Nestl Dijon (soutien technique, visites rgulires dans lentreprise).

Chapitre 2 Activits dEnseignement

page 41

1999-2005

Tutorat de stages DESS PA et Master Professionnel Mcatronique (1 2 stages par an). Soutien technique, bibliographique, mthodologique et visites des stagiaires Encadrement dun binme Licence GPI (gestion de production intgre) en projet industriel :

2004-2005

Entreprise
FCI SA, Besanon (25)

Sujet du Projet Licence SDPI


Flux composants inter-ateliers

Anne
2004-2005

1999-2000

Encadrement dun projet Licence EEA (20h de projet par tudiant)

2.3.5 RELATIONS INDUSTRIELLES PAR LENSEIGNEMENT


Les activits pdagogiques moffrent lopportunit dtre frquemment en contact avec le tissu industriel national (une quinzaine de visites par an) notamment par lintermdiaire des projets et stages industriels Master Mcatronique Professionnel (anciennement DESS Productique Applique) et du suivi des apprentis dIUP SAPIAA (Systmes Automatiss de Production dans le Industries Agro-Alimentaires). Dans le cadre des projets de Master MT, il sagit de travailler dans nos locaux sur un problme industriel pos par une entreprise rgionale. Mon rle consiste alors encadrer les tudiants lUFR et me rendre rgulirement avec eux dans lentreprise concerne pour raliser un audit, effectuer une tude ou mettre en place une solution technique ou organisationnelle. Par ailleurs, la cration en 1998 de lIUP SAPIAA sest effectue en lien trs troit avec lindustrie, dans la mesure o la grande majorit des tudiants de ce cursus sont en contrat dapprentissage. A ce titre, je suis notamment tuteur enseignant dun tudiant en contrat dapprentissage pour trois ans (IUP1 IUP 3) avec lentreprise NESTLE de Dijon. Je suis donc amen visiter rgulirement lentreprise pour suivre cet apprenti et si ncessaire lui fournir une aide dans ces travaux.

2.3.6 AUTRES ACTIVITES ET RESPONSABILITES POUR LENSEIGNEMENT


A partir de 2004, jai pris en charge la responsabilit de la gestion des projets industriels dinnovation de 2me anne de Master Mcatronique Professionnel. Cette activit consiste contacter les entreprises rgionales afin de faire un bilan de leur besoins dans nos domaines de comptences et de leur proposer un soutien via ce type de projet, dans lequel nous apportons du cot pdagogique un soutien en terme doutils de calcul, danalyse, de simulation, de plates-formes de test (automatique, productique, robotique, maintenance, vision industrielle) et bien videment un soutien mthodologique et bibliographique. Ces projets impliquent un volume de 200 h dtudes, avec une soutenance intermdiaire et une soutenance finale, ainsi quun compte rendu de lancement et des comptes-rendus mensuels davancement, lments indispensables un bon apprentissage de la gestion de projet. Toujours partir de 2004, je suis le responsable au sein du Groupe Automatique et Productique du module dcouverte EEA dans le cadre du semestre dintgration dans le monde universitaire et dorientation dit STARTER et notamment du STARTER ST (Sciences et Techniques). Je participe la gestion par le GAP de ce module trs important pour nos formations car permettant de donner envie aux jeunes tudiants de dcouvrir les mtiers de lEEA, donc dalimenter nos diffrentes filires denseignement. Environ 280

page 42

tudiants sont concerns en 2004-2005 par ce module qui consiste effectuer un ensemble de TD et de TP autour des mtiers de lEEA (11h TD, 9h TP). La partie dont nous nous occupons plus particulirement consiste effectuer des interventions sur nos plates-formes de robotique, productique et asservissement. La mise en place du LMD lUFR Science sest accompagne de certaines autres responsabilits nouvelles, associes ce nouveau mode de gestion de lenseignement suprieur. Cest ainsi que je fais partie de la commission de recrutement et de la commission de validation dacquis du master mcatronique. A partir de 2000 jai mis en place un TP de temps rel nouveau dans le cadre des formations matrise EEA et IUP Gnie Informatique. Lillustration de ce concept nest pas une chose facile en dehors du monde de llectronique pure. Aprs une rflexion approfondie et de multiples discussions avec les industriels (participation aux workshops du salon annuel national du temps rel) et les scientifiques (runions du GdR STRQDS) du domaine - jai opt pour des travaux qui sorientent vers la spcification, la vrification, le test et la gnration automatique de code dapplications temps rel. Ceci rend la rflexion relativement gnrique, indpendante de la cible choisie, en utilisant des outils modernes, situs aux limites de la recherche dans ce domaine, comme le synch-chart mis notre disposition dans le cadre dun accord avec la socit Esterel Technologies et INRIA. Entre septembre 1999 et aot 2004, jai assur la responsabilit de loption Automatique et Productique de la matrise EEA de lUFR Sciences. Pour finir, je suis le responsable dun projet dchange et de collaboration Erasmus entre lUniversit de Franche-Comt et lUniversit Valahia de Targoviste. Dans ce cadre, partir de lanne universitaire 2004-2005, un change dtudiants et denseignants est mis en place. Dans ce contexte, 2 professeurs roumains et 3 collgues enseignants-chercheurs du GAP ont effectu une mission denseignement et dchange dexpriences. Ce projet a t reconduit pour lanne universitaire 2005-2006.

. . .

Partie II Contribution Scientifique

. . .

Introduction gnrale
Les industriels, habitus dans les annes passes des marges relativement confortables, se trouvent actuellement face un march se plus en plus concurrentiel, sur lequel la comptitivit est conditionne, dans une mesure de plus en plus importante, par lexploitation optimale des moyens humains et matriels de lentreprise. Dans ce contexte, la maintenance industrielle connat actuellement un essor spectaculaire, d la possibilit de puiser dans les ressources existantes de lentreprise afin damliorer ses performances. Un environnement international forte connotation TIC (Technologies de lInformation et de la Communication), permet lheure actuelle la mise en place de techniques innovantes de gestion de la maintenance, en passant par la tlmaintenance vers la emaintenance, concept coopratif de partage des connaissances du mtier. Loin dtre une simple instrumentation dun mtier dj existant, la e-maintenance ouvre ainsi des perspectives innovantes de cration de nouveaux services, capables daccompagner les clients sur la dure et avec une comptence soucieuse de sa capitalisation et de son volution permanente. Cet environnement technologique permet aux entreprises soit dexternaliser la fonction maintenance pour mieux se concentrer sur leur activit principale, soit de passer de la maintenance classique la maintenance distance et en temps rel. Ceci est un enjeu important, au centre duquel la surveillance joue un rle majeur, dans un contexte correspondant une intelligence de plus en plus rpartie, sujet une migration vers les niveaux oprationnels (capteurs et actionneurs intelligents). On voit natre par consquent un intrt croissant pour la maintenance intelligente, dans laquelle la surveillance et sa composante principale le diagnostic occupent une place fondamentale, en glissant de plus en plus vers des applications de surveillance dynamique et par consquent, vers le pronostic. Dans ce sens, lutilisation des techniques de lintelligence artificielle fait lobjet de nombreuses recherches. La possibilit de surveiller sans modliser le systme, dans un environnement ou celui-ci est soumis des adaptations et des reconfigurations permanentes, prsente un intrt vident pour les industriels. Notre approche exploite ces caractristiques essentielles, en focalisant sur les capacits dapprentissage des rseaux de neurones, avec comme objectif la souplesse des architectures et des algorithmes dvelopps ainsi que la possibilit dvoluer dans un contexte dynamique. Dans cet esprit, une premire partie de nos recherches est consacre la mise au point de structures et algorithmes dapprentissage dynamiques, ddis la surveillance dynamique des systmes industriels. La capacit de rpondre je ne sais pas une aide au diagnostic nous parait ainsi essentielle, en guidant nos tudes vers des approches neuronales locales et plus prcisment vers des structures issues du rseau fonctions de base radiales (RFR). Dans le souci de mettre au point des outils capables de fournir une aide la recherche de cause dune dfaillance ainsi que dinterprter des connaissances de maintenance dans

page 46

un format industriel standard, nous avons tudi la possibilit de dvelopper des outils de surveillance dynamique de la propagation des dfauts. Nous avons ainsi focalis une partie de nos recherches sur lexploitation de linformation fournie par larbre de dfaillance (ADD). La succession dvnements discrets que caractrise la propagation des dfauts des systmes de production manufacturiers nous a ainsi incit utiliser un outil de type rseau de Petri. Nous y avons associ la logique floue, afin de prendre en compte un lment essentiel : le retour dexprience. Cest ainsi que nous avons transform un arbre de dfaillance classique en un outil de pronostic de dfauts, capable de signaler lapparition et la possibilit de propagation des dgradations, bien avant que la dfaillance apparaisse. Enfin, des tudes approfondies ont t menes sur laide au diagnostic en utilisant les systmes neuro-flous. Ces systmes prsentent la capacit de prendre en compte une connaissance incertaine et imprcise souvent seuls lments dont disposent les oprateurs dans la pratique tout en permettant lapprentissage dynamique des situations nouvelles. Ce type doutil semble trs intressant dans ce contexte dutilisation. Le nombre rduit de travaux sur ce sujet nous laisse envisager une suite prometteuse de ce type dapproche. Ce rapport scientifique est structur en cinq parties. Afin dintroduire le lecteur nos travaux de recherche, nous allons commencer par prsenter des gnralits sur le domaine de la tlmaintenance et de son volution : la emaintenance, pour focaliser par la suite nos propos sur la partie intelligente de la maintenance, notamment celle qui utilise les techniques de surveillance par Intelligence Artificielle (IA) et qui constitue le cur de nos travaux. Par la suite, des dveloppements concernant un rseau de neurones dynamique innovant font lobjet de la deuxime partie. Parmi toutes les architectures neuronales tudies, celle qui apparat la mieux adapte aux problmatiques de la surveillance dynamique est larchitecture des rseaux de neurones rcurrents, seuls rseaux de neurones qui possdent une mmoire dynamique interne. Linconvnient majeur de ces rseaux rcurrents la lourdeur et la complexit dapprentissage a t contourn en prenant en compte laspect temporel par des rcurrences locales. Ces rcurrence locales sont tolres uniquement au niveau du neurone lui mme, sans trop compliquer larchitecture globale du rseau de neurones. Cette partie est donc consacre ltude des rseaux reprsentation locale du temps qui sont appels architectures LRGF : Locally Recurrent Globally Feedforward ou architectures Localement Rcurrente Globalement Feedforward. Le but est de dmontrer, grce des dveloppements mathmatiques appuys par des simulations informatiques, que les architectures LRGF possdent des caractristiques dynamiques trs intressantes. Cette tude nous permet de justifier le choix du type de mmoire dynamique afin de proposer une nouvelle architecture dun rseau RFR rcurrent. Le Rseau Rcurrent Fonctions de base Radiales que nous proposons profite donc des performances des rseaux RFR avec laspect dynamique la fois performant et simple des architectures LRGF. Lvaluation des performances du rseau rcurrent propos, fait lobjet de la troisime partie. Cette valuation se fait sur trois types dapplications dynamiques : la reconnaissance de squences boolennes et relles, la prdiction de sries temporelles et la reproduction de sries temporelles. Ces trois catgories dapplications sont trs importantes en surveillance dynamique. Nous dmontrons que larchitecture LRGF adopte permet au rseau RRFR dacqurir des proprits dynamiques, tout en gardant la simplicit et lefficacit des rseaux RFR. La phase de paramtrage du rseau RRFR est effectue par une version amliore de lalgorithme dapprentissage des k-moyennes que nous proposons. En effet, cette version dynamique de cet algorithme dapprentissage procure une stabilit du rsultat, ainsi quune robustesse accrue par rapport la phase de paramtrage. Cet avantage est mis en vidence travers un dveloppement de

Introduction Gnrale

page 47

e-surveillance, men en collaboration avec un partenaire industriel bisontin Avensy Ingnierie. La quatrime partie du rapport scientifique est ddie une tude de surveillance dynamique en utilisant des outils de type rseaux de Petri flous. Nous proposons ainsi une approche globale homogne de modlisation utilisant deux outils intgrs de type rseau de Petri flous, ddis la surveillance et la maintenance des systmes de production. Un mcanisme dinterfaage appropri sera intgr chaque outil, afin de rendre possible la mise en place de la boucle systme - surveillance dcision. Dans la pratique de la maintenance industrielle, cette boucle est utilise en tant que systme daide la dcision pour la maintenance et comprend deux tapes supplmentaires fondamentales : la validation par le responsable de maintenance et la mise en uvre par un oprateur spcialis. Lintgration de la logique floue dans un tel systme daide la dcision permet la mise en uvre dune formalisation proche de la ralit, du savoir-faire et de la culture de lentreprise concerne, ainsi quune flexibilit et une dimension prdictive trs intressantes. Enfin, la dernire partie aborde nos derniers dveloppements concernant lutilisation des systmes neuro-flous pour laide au diagnostic et au pronostic. Dmarr dans le cadre dun projet europen sur la e-maintenance, ce travail permet lexploitation des avantages des rseaux de neurones dynamiques (apprentissage dynamique) et de la logique floue (modlisation du raisonnement humain), sous la forme dun service daide au diagnostic faisant partie dune plate-forme de e-maintenance. La spcification du systme suit le formalisme UML, en dbouchant sur un prototypage mis au point dans le cadre dun projet Anvar, avec la collaboration de notre partenaire industriel Cegelec.

. . .

Chapitre 3 - Problmatique scientifique : Surveillance intelligente


3.1 INTRODUCTION
Mon recrutement au Laboratoire dAutomatique de Besanon en 1999 avait pour but de renforcer le groupe Productique et participer la cration et lorganisation dans ce laboratoire dune activit autour de la e-maintenance et plus particulirement la maintenance intelligente. Ces domaines mergeaient alors au plan national, dautre pays comme les Etats-Unis et le Japon ayant enregistr dj quelques initiatives dans ce sens. A titre dexemple, nous pouvons citer le programme de larme amricaine, intitul Machinery Information Management Open Systems Alliance - MIMOSA15 qui dveloppe et encourage ladoption de standards ouverts dinformation pour les oprations et pour la maintenance dans les systmes de production, les flottes (maritimes, ariennes, ) et les installations. Larme amricaine ayant dvelopp des outils logiciels trs sophistiqus (mais aussi trs chers) pour supporter ses activits de maintenance, il est apparu que ces outils ne communiquaient pas et taient peu ou pas intgrs du tout. La mise en rseau et lintgration des multiples systmes utiliss par l'arme amricaine, ainsi que le support de ses relations de maintenance avec leurs diffrents fournisseurs, sont les principaux acquis de ces dveloppements. Mimosa vise donc le dveloppement des solutions de maintenance ouvertes, moins chres et plus rapides installer et utiliser. Les projets dvelopps englobent dans un seul systme, les informations ncessaires pour la maintenance de base, corrective, mais aussi prventive. A tout cela s'ajoute bien videmment une standardisation trs pousse. Un autre exemple important sur le plan international est constitu par le centre Intelligent Maintenance Systems16 (IMS) de coopration industrie/universit autour de la maintenance, cre sous lgide du National Science Foundation17, avec la participation dUniversits comme celle de Wisconsin Milwaukee et de Michigan et dun nombre important dindustriels de marque (Automation, Intel, Harley-Davidson, We Energies, General Motors, United Technologies, USPS, Hitachi). Dans le cadre de ce centre, laxe fondamental est reprsent par la surveillance prdictive et le pronostic, dans le but de permettre le rapprochement dun fonctionnement zro pannes dun systme. Le centre IMS dveloppe ainsi des technologies dans quatre domaines de recherche incluant les systmes de type chien de garde 18 pour le pronostic, ainsi que des outils daide la dcision en maintenance au niveau systme.

15 16 17 18

Machinery Information Management Open Systems Alliance - MIMOSA : http://mimosa.org/ Center for Intelligent Maintenance Systems - IMS : http://wumrc.engin.umich.edu/ims/ National Science Fundation NSF : http://www.nsf.gov/ WATCHDOG AGENTTM marque dpose par le centre IMS

page 50

En ce qui concerne le Japon, le sujet semble constituer actuellement un enjeu national pour les industriels et pour ltat. A titre dexemple, Waseda University19 un projet industriel intitul Development of New Maintenance Technologies and Web based Services : Construction of a Virtual Community for Next Generation Maintenance a comme finalit (en collaboration avec la compagnie dlectricit ASAKI), la capitalisation de lexpertise en diagnostic et maintenance, face aux volutions dmographiques dans les entreprises (sauvegarde du savoir-faire). Dans ce contexte, la cration au LAB dune quipe de recherche dans le domaine de lingnierie de maintenance et e-maintenance a t favorise par un environnement national et international forte connotation NTIC (Nouvelles Technologies de lInformation et de la Communication), marqu au niveau national par la cration en automne 2000 du ple Sciences et Technologies de lInformation et de la Communication (STIC) du CNRS. Profitant de cette volution technologique trs impressionnante, lintelligence se trouve de plus en plus distribue et se rapproche des niveaux bas, oprationnels des systmes automatiss. Dans ce sens, nos contributions concernent le dveloppement de techniques de lintelligence artificielle pour la surveillance, tape fondamentale de la fonction maintenance. Afin dintroduire le lecteur nos travaux de recherche, nous allons commencer par prsenter des gnralits sur le domaine de la tlmaintenance et de son volution : la emaintenance, pour focaliser par la suite nos propos sur la partie intelligente de la maintenance, notamment celle qui utilise les techniques de surveillance par Intelligence Artificielle (IA) et qui constitue le cur de nos travaux.

3.2 MAINTENANCE ET SURVEILLANCE INDUSTRIELLE DANS LE CONTEXTE DE LA PRODUCTION MODERNE : TELEMAINTENANCE, E-MAINTENANCE, MAINTENANCE ET
SURVEILLANCE INTELLIGENTE
La maintenance,
ensemble de toutes les actions techniques, administratives et de gestion, durant le cycle de vie dun bien, destine le maintenir ou le rtablir dans un tat dans lequel il peut accomplir une fonction requise,

a longtemps t lenfant pauvre des stratgies industrielles. Mis part quelques secteurs comme laronautique, les raffineries, le nuclaire et lespace (Dekker et al., 1998) qui soumis des contraintes trs strictes de scurit ont t obligs de prendre bras le corps ce problme depuis longtemps, lindustrie des biens de consommation (Richet et al., 1996) se rveille depuis peu, en trouvant dans cette fonction une source nouvelle de profit et doptimisation des moyens de production existants, dans un contexte conomique trs exigeant, dans lequel les entreprises europennes se voient contraintes dexploiter les moindres niches technologiques et organisationnelles afin de rester comptitives.

Waseda University, Graduate http://www.waseda.ac.jp/index-e.html

19

School

of

Information,

Production

and

Systems

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 51

Dans cet environnement industriel, les contraintes de cots de ralisation technologique, l'accessibilit des sites et la rpartition gographique obligent distribuer les donnes ou les traitements de maintenance. Les accs sont donc distants donnant ainsi lieu la tlmaintenance.
Par dfinition, la tlmaintenance (en anglais : remote maintenance) reprsente la maintenance d'une unit fonctionnelle, assure par tlcommunication directe entre cette unit et un centre spcialis.

La tlmaintenance s'impose progressivement pour toutes les machines ou les chanes de production pilotes par un microprocesseur : celui-ci concentre en effet toutes les informations provenant des multiples capteurs ncessaires au contrle du processus et il peut tre facilement interrog distance. Il est galement possible depuis le point de contrle de modifier les paramtres de rglage ainsi que les programmes qui le pilotent.
Station de travail Poste Distant TCP/IP Station de travail Station de travail Automate Actionneurs Capteurs

Figure 7.

Schma gnrique de la tlmaintenance.

Depuis lmergence des NTIC, les concepts de la Tlmaintenance ont volu pour aboutir la e-Maintenance : La Tlmaintenance est un concept de rcupration de donnes distance ou de prise de contrle distance (phmre) La e-Maintenance est un concept li au principe de web-services, de coopration et de partage des connaissances La e-Maintenance (Leger, 2004) intgre le principe de base de la Tlmaintenance en lui associant une dimension forte, constitue par la coopration au niveau des informations mais aussi des hommes, des services (ingnierie, exploitation, maintenance, sret, achats, comptabilit, ) et des socits (client / fournisseur, inter fournisseurs, inter clients, ).

Fabricant Mainteneur Expert


Stoc ks REX Gamme MTTF MTTR

Ingnieriste
AMDEC

Sy mpt me Alerte Alarme

Connaiss ance Historique

Indicateurs

Exploitant
Prvision

WWW
Formatio n Docume nt

Audit

Diagno stic Demande de Travail

Stockage

Suivi

Production Consultant Packaging

Figure 8.

Schma gnrique de la e-maintenance.

page 52

En effectuant un bilan des diffrentes volutions des politiques de maintenance dans le temps, nous pouvons donner titre indicatif les repres suivants : Annes 60 : Maintenance ractive / corrective
Intervient aprs la dtection et la localisation dun dfaut. Elle revient corriger entirement (curative) ou en partie (palliative) le dfaut observ

Annes 70 : Maintenance prventive (prventive systmatique)


Effectue dans lintention de rduire la probabilit de dfaillance dun bien ou la dgradation dun service rendu. Cest une intervention de maintenance prvue, prpare et programme avant la date probable dapparition dune dfaillance. La maintenance prventive la plus courant (surtout dans cette priode) est la maintenance prventive systmatique. Elle reprsente une maintenance prventive effectue selon un chancier tabli suivant le temps ou le nombre dunits dusage

Annes 80: Maintenance prdictive (prvisionnelle, prventive conditionnelle)


Base sur la surveillance en continu de lvolution du systme, afin de prvenir un dysfonctionnement avant quil narrive. Elle nimplique pas la connaissance de la loi de dgradation. La dcision dintervention prventive est prise lorsquil y a vidence exprimentale de dfaut imminent, ou approche dun seuil de dgradation prdtermin. Elle impose des traitements en ligne, au moins en partie. Dans la pratique industrielle, cette maintenance est base sur l'analyse des mesures de certains paramtres de l'quipement: temprature, vibration, qualit des huiles, ..., pour tenter d'viter un dysfonctionnement.

Annes 90 : Maintenance proactive (PRM)


Implique la surveillance et la vrification continues des causes primaires de dfaillance du systme surveill

Annes 2000 : E-maintenance


Maintenance Amliorative
Evnement

MAINTENANCE
Dfaillance

!
Maintenance Corrective Echancier Concepts de maintenance Palliative Oprations de maintenance Curative Systmatique

Maintenance Prventive

Maintenance Proactive

Seuils prdtermins

Evolution des paramtres

Evolution et analyse des causes

Conditionnelle

Prvisionnelle

Proactive

Dpannage

Rparation

Inspection

Visite

Contrle

Prdiction

Analyse de propagation, causalit

Services

60

70

80 90 2000

Figure 9.

Diffrentes politiques de maintenance

Remarque : Vu limportance accorde la propagation des dfaillances/dgradations ainsi qu la recherche de causes durant nos recherches, nos tudes se positionnent essentiellement

E-maintenance

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 53

dans le cadre de la maintenance proactive, avec des applications et des dveloppements effectus en voluant vers la cration de services distribus et donc vers la e-maintenance.
Le dveloppement actuel des Technologies de lInformation et de la Communication (TIC), facilite la mise en place d'une vraie stratgie de e-maintenance. Ceci a provoqu une volution importante de lorganisation des entreprises. Celles-ci ont tendance soit externaliser la fonction maintenance pour mieux se concentrer sur leur activit principale, soit passer de la maintenance classique la maintenance distance et en temps rel. Ceci est un enjeu important, au centre duquel la surveillance joue un rle majeur, dans un contexte correspondant une intelligence de plus en plus rpartie :
Programme excut dans un contrleur central Station ingnierie
Station ingnierie HMI

Module Technologique : MECATRONIQUE = Mcanique + lectrotechnique/ lectronique + automatismes

Ethernet

Modules spars Mcanique

Ethernet Link Ethernet/ RLI

Rseau local industriel

Electrotechnique/lectronique
Appareils de terrain intelligents

Rseau local industriel

Figure 10.

Hier : concept modulaire avec intelligence centralise - Demain : concept modulaire avec intelligence rpartie

Par ailleurs, dans le domaine du contrle industriel et des automatismes, la tendance actuelle est la migration de lintelligence vers le bas (capteurs et actionneurs intelligents) :
Interface avec le MES et l'ERP de l'entreprise Supervision/Surveillance

L'intelligence et la valeur migrent vers le bas

Supervision Surveillance Communication Contrle ou rgulation Programmes d'application et configuration Interface oprateur local Capteurs & actionneurs Actions rflexes (temps critique & rel)

Contrle Commande

Capteurs Actionneurs de terrain

o o o

Figure 11.

Tendances dans les systmes de contrle industriel et d'automatismes

Les composantes du systme de surveillance se caractrisent ainsi par une autonomie de plus en plus importante, en travaillant dans des systmes distribus et en intgrant souvent une intelligence embarque. Dune importance capitale dans la maintenance industrielle aussi bien dans sa dimension conditionnelle, prvisionnelle, que du point de vue dun retour dexprience efficace, structur et systmatique , la surveillance prend une dimension particulire grce la distribution de lintelligence aux niveaux les plus bas. Dans le contexte actuel dvolution des systmes de production automatiss et de la maintenance moderne, le rle de la surveillance industrielle volue en acqurant une dimension dynamique voir mme prdictive, grce la possibilit dexploiter lintelligence rpartie dans le systme concern, afin den extraire un maximum dinformations labores, en temps rel et daugmenter la ractivit du systme de surveillance.

page 54

3.3 SURVEILLANCE INDUSTRIELLE : DEFINITIONS, ETAT DE LART


3.3.1 INTRODUCTION
Dans un grand nombre d'applications industrielles, une demande croissante est apparue en matire de remplacement des politiques de maintenance curative par des stratgies de maintenance prventive. Cette mutation dune situation o on subit les pannes une situation o on matrise les pannes , ncessite quelques moyens technologiques ainsi que la connaissance de techniques danalyse appropries. La fonction surveillance en continu de l'volution de lquipement travers des donnes quantifiables et qualifiables permet ainsi de prvenir un dysfonctionnement avant qu'il n'arrive et d'carter les fausses alarmes qui peuvent ralentir la production (Basseville et al., 1996). De nombreux auteurs ont abord le domaine de la surveillance industrielle mettant ainsi en vidence lintrt croissant manifest par la communaut scientifique et les industriels par rapport cette problmatique. Sans souci dexhaustivit, nous pouvons citer les travaux suivants : (Combacau, 1991), (Devauchelle, 1991), (Toguyeni, 1992), (Poulard, 1996), (Cussenot, 1996), (Evsukoff, 1998), (Weber, 1999), (Zhang, 1999), (Combastel, 2000), (Lefebvre, 2000). Dans la littrature associe au domaine de la surveillance dquipements industriels, on peut trouver plusieurs dfinitions quelquefois divergentes. Cest pour cette raison que nous considrons important daffirmer notre point de vue, en donnant des dfinitions des notions de base indispensables au positionnement de nos travaux de recherche.

3.3.2 DEFINITIONS DES TERMES DE BASE UTILISES EN SURVEILLANCE


La diversit des dfinitions trouves dans diffrents travaux fait que nous avons jug important dtablir un lexique sur les termes qui seront utiles pour la comprhension du prsent rapport. Ces dfinitions ont t extraites pour certaines partir des rfrences suivantes : (Villemeur, 1988), (Dubuisson, 1990), (Combacau, 1991), (Toguyeni, 1992), (Zwingelstein, 1995), (Basseville et al., 1996), (Lefebvre, 2000). On peut toutefois trouver en littrature des dfinitions qui sont compltement diffrentes de celles que nous proposons, mais ceci nous permet de prsenter notre point de vue sur la surveillance industrielle.

Dgradation
Une dgradation reprsente une perte de performances d'une des fonctions assures par un quipement.

Si les performances sont au-dessous du seuil d'arrt dfini dans les spcifications fonctionnelles de cet quipement, il n'y a plus dgradation mais dfaillance.

Dfaillance
Une dfaillance est l'altration ou la cessation de l'aptitude d'un ensemble accomplir sa ou ses fonctions requises avec les performances dfinies dans les spcifications techniques.

Panne
Une panne est l'inaptitude d'une entit (composant ou systme) assurer une fonction requise.

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 55

Si nous cartons la possibilit d'erreurs de conception, la dfinition prcdente implique que toute dfaillance entrane une panne. La dfaillance correspond un vnement et la panne un tat. Sur le plan temporel, la dfaillance correspond une date et la panne une dure comprise entre la date d'occurrence de la dfaillance et la date de fin de rparation.

Mode de fonctionnement
Lun des tats possibles dun lment dfaillant, pour une fonction exige donne

Surveillance
La surveillance est un dispositif passif, informationnel, qui analyse l'tat du systme et fournit des indicateurs. La surveillance consiste notamment dtecter et classer les dfaillances en observant l'volution du systme, puis les diagnostiquer en localisant les lments dfaillants et en identifiant les causes premires.
Surveillance

Dtection de dfauts (symptmes, alarmes)

Diagnostic

Localisation de la dfaillance

Identification de la cause

Figure 12.

Composantes de la surveillance industrielle

La surveillance se compose donc de deux fonctions principales qui sont la dtection et le diagnostic :

Dtection
Pour dtecter les dfaillances du systme, il faut tre capable de classer les situations observables comme tant normales ou anormales.

Cette classification n'est pas triviale, tant donne le manque d'information qui caractrise gnralement les situations anormales. Une simplification communment adopte consiste considrer comme anormale toute situation qui n'est pas normale.

Diagnostic
L'objectif de la fonction diagnostic est de rechercher les causes et de localiser les organes qui ont entran une observation particulire. La fonction de diagnostic se dcompose en deux fonctions lmentaires : localisation et identification des causes. La localisation permet de dterminer le sous-ensemble fonctionnel dfaillant tandis que lidentification de la cause consiste dterminer les causes qui ont men une situation anormale.

A partir de l'observation d'un tat de panne, la fonction diagnostic est charge de retrouver la faute qui en est l'origine. Ce problme est difficile rsoudre. En effet si, pour une faute donne, il est facile de prdire la panne rsultante, la dmarche inverse qui consiste identifier la faute partir de ses effets, est beaucoup plus ardue. Une dfaillance peut gnralement tre explique par plusieurs fautes. Il s'agit alors de confronter les observations pour fournir la bonne explication.

page 56

Dans la plupart des configurations industrielles, la surveillance se fait en ligne, dans ce cas, la figure suivante synthtise lensemble des fonctions connexes, en positionnant la surveillance dans le cadre de la supervision (Basseville et al., 1996) :
Systme
Actionneurs Capteurs

Informations Signaux

Supervision Surveillance
Voir Comprendre

Conduite
Agir
Propositions dactions

Dcisions

Dtection

Diagnostic

Informations Signaux

Dcisions

Interprtation Localisation
Identification

Gnration dalarmes

Alarmes

Organe identifi

Cause identifie

Aide la dcision

Figure 13.

Architecture gnrale dun systme de supervision en ligne

Pour surveiller en continu l'volution d'un systme et dterminer les causes des vnements indsirables, il semble donc intressant d'utiliser au mieux toutes les informations disponibles, qu'elles soient numriques (donnes capteurs), ou symboliques (historiques, environnements, rparations effectues,). On retrouve donc dans la littrature le terme "d'approche unifi" pour la surveillance, qui caractrise les systme de surveillance prenant en compte les donnes numriques et symboliques :
Mesures Modles Interface Homme Machine Intgration des symptmes Symptmes analytiques Approche analytique

Observation Expertise

Symptmes heuristiques

Approche heuristique

Figure 14.

Approche unifie pour la surveillance

Avec l'approche analytique, on considre les informations quantifiables issues d'un modle numrique fournissant des symptmes analytiques. L'approche heuristique permet de complter la premire en prenant en compte les informations qualitatives sur les systmes surveills tires de l'expertise humaine.

Surveillance prdictive (dynamique)


Comme pour la surveillance classique, la surveillance prdictive est un dispositif passif, informationnel, qui analyse l'tat prsent et pass du systme et fournit des indicateurs sur les tendances dvolution futur du systme. La surveillance prdictive se compose de : la Dtection prdictive (dynamique) et du Diagnostic prdictif, appel aussi pronostic.

Dtection prdictive (dynamique)

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 57

La dtection prdictive consiste prdire une dfaillance future. En dautres termes, le but de la dtection prdictive est de dtecter une dgradation au lieu dune dfaillance.

Diagnostic prdictif (pronostic)


L'objectif du diagnostic prdictif est didentifier les causes et de localiser les organes qui ont entran une dgradation particulire.
Surveillance
NON

OUI

Dfaillance

Surveillance dynamique

Dtection des dfaillances

Dtection des dgradations

Diagnostic

Pronostic (diagnostic prdictif)

Figure 15.

Surveillance classique et surveillance dynamique

Aprs avoir prsent les lments de base du domaine concern par nos contributions, nous prsentons un aperu des principales techniques lies la surveillance industrielle, afin de dgager par la suite les ides gnratrices de nos contributions scientifiques.

3.3.3 ETAT DE LART DES METHODES DE SURVEILLANCE. INTERET DE LUTILISATION DES TECHNIQUES DE LINTELLIGENCE ARTIFICIELLE
a) CLASSIFICATION DES METHODES DE SURVEILLANCE. PROBLEMATIQUE DU
DIAGNOSTIC

Les mthodologies de surveillance sont gnralement divises en deux groupes : mthodologies de surveillance avec modle et sans modle (Dash et al., 2000) : - Les premires se basent sur l'existence d'un modle formel de lquipement et utilisent gnralement des techniques de lAutomatique - (Combacau, 1991). - Les techniques de surveillance sans modle sont divises en deux parties. La premire partie correspond aux outils statistiques de Traitement du Signal qui sont gnralement qualifis doutils de traitement de bas niveau, parce quils sont en contact direct avec le signal capteur, et ne servent gnralement que pour la gnration dalarmes brutes, sans aucune information concernant leur signification. Les outils statistiques tablissent des tests sur les signaux dacquisition, tests qui ne sont capables dassurer que la fonction dtection de dfaillances. La deuxime partie est celle des techniques dites de haut niveau et qui sont plutt orientes vers la communication avec lexpert. Celles-ci reprsentent les techniques de lIntelligence Artificielle (IA) et servent comme outil de base pour laide la dcision. Leur rponse est donc plus labore que celle des techniques de bas niveau et elles sont capables de dtecter, interprter (association un mode) et diagnostiquer les dfaillances.

page 58

Mthodes de surveillance

Mthodes avec modles - Automatique -

Mthodes sans modles

Alarmes simples

Outils statistiques de -Traitement du Signal -

Outils de - lIntelligence Artificielle Outils daide la dcision

Outils de reconnaissance de formes ...

Figure 16.

Classification des mthodes de surveillance - premire approche

Notons que les deux approches Automatiques / Intelligence Artificielle peuvent tre combines pour profiter de certains avantages de chacune et avoir ainsi une certaine complmentarit (Dubuisson et al., 2001). Les mthodes de lAutomatique sont par nature proches du systme surveill, puisquelles travaillent directement partir des donnes issues des capteurs ; elles sont ainsi principalement utilises pour la gnration dalarmes. Les mthodes de lIntelligence Artificielle sont, elles, plus tournes vers la communication avec loprateur et se focalisent sur la transformation dun ensemble dinformations brutes et non relies entre elles en une information interprtable directement par loprateur charg de la conduite ; elles sont donc utilises pour linterprtation des alarmes et laide la dcision (Basseville et al., 1996). Dautres rflexions sur la complmentarit entre ces deux domaines peuvent tre trouves dans (Dubois et al., 1994). On peut citer galement quelques travaux o les deux techniques Automatique/Intelligence Artificielle ont t conjointement utilises : (Katsillis et al., 1997), (Loiez, 1997), (Washio et al., 1998), (Hines et al., 1995), (Vemuri et al., 1997, 1998). Dans le cas de lutilisation des outils de l'Intelligence Artificielle, la fonction surveillance est souvent vue uniquement comme une application de reconnaissance des formes ; les formes reprsentent le vecteur dentre compos par les diffrentes donnes de lquipement (donnes mesurables et qualifiables), et les classes reprsentent les diffrents modes de fonctionnement. Une dfinition de rfrence donne dans (Dubuisson et al., 2001) considre dailleurs le diagnostic de la manire suivante :
Un problme de diagnostic peut se dfinir comme un problme de reconnaissance de forme. L'ensemble des tats est homologue un ensemble de classes et le vecteur forme est le vecteur des composantes des paramtres observs sur le systme.

Dans nos recherches, nous abordons le problme de la surveillance avec un aspect complmentaire qui nous parat fondamental, notamment par rapport au diagnostic qui compar la dtection de dfauts/dfaillances ne peut pas se rsoudre uniquement une reconnaissance de formes. La recherche des causes de la dfaillance devient ainsi une dmarche primordiale qui ncessite des techniques diffrentes. Etymologiquement, le mot diagnostic vient du grecque et signifie (Dia : par, Gnosis : connaissance). La dfinition donne par (Peng, 1990), s'en inspire et se formule ainsi :

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 59

Etant donn un ensemble de manifestations observes (symptmes, constatations, etc.), il s'agit d'expliquer leur prsence, de remonter aux causes, en utilisant un savoir sur le systme considr.

Nous considrerons cette dfinition pour la suite du travail, elle semble mieux adapte aux problmes de diagnostic dans la mesure o elle met en vidence le raisonnement qui doit tre suivi pour raliser la fonction "comprendre" et l'approche considre est largement reprise par d'autres auteurs, on peut citer notamment (Zwingelstein, 1995), (Grosclaude, 2001a), (Bouchon-Meunier, 2003). De plus, la dcomposition du diagnostic en deux fonctions : localisation et identification de la cause, s'applique galement cette dfinition. Enfin, le diagnostic est ralis partir d'observations, ce qui revient bien considrer la dtection comme ne faisant pas partie de la phase de diagnostic. Au regard de ces dfinitions, le diagnostic de mme que lensemble de la surveillance traite la fois des donnes numriques (exploitation des observations s'il s'agit de capteurs par exemple) et des donnes symboliques (connaissances sur le systme considr). Dans (Dubuisson, 1990) ces deux types de donnes sont considrs comme des connaissances ncessaires l'opration de diagnostic. Dune part, on trouve la connaissance globale, que l'on peut qualifier de connaissance "a priori" sur le systme et reposant sur le pass du systme. Dautre part, une connaissance instantane est ncessaire, correspondant l'ensemble des lments dont on dispose un instant donn pour prendre une dcision et l'exploiter. Une autre notion se dgage galement de la dfinition de (Peng, 1990). Elle rend compte de l'exploitation des connaissances causales sur le systme. En effet, un dysfonctionnement peut tre dcrit de faon simple par des relations associant ses causes initiales (dfaillances de composants, etc.) ses manifestations observables, les symptmes. Si on dispose dune thorie modlisant de telles relations, un problme de diagnostic consiste rechercher laide de cette thorie des explications satisfaisantes aux symptmes observs. Linfrence de base mise en jeu dans ce type de raisonnement qui remonte des effets aux causes est appele abductive20. On peut la schmatiser ainsi: Etant donn le fait B et lassociation (la relation de causalit) A B ( A cause B ), infrer A possible . Le diagnostic ainsi ralis sera qualifi de Diagnostic Abductif. Un point trs important pour le diagnostic est soulev : dans quelle mesure peut-on considrer que les connaissances sur le systmes qu'elles soient causales, globales ou instantanes sont suffisantes, et comment faut-on pour les acqurir et les valider ? Compte tenu de la complexit de la tche, de nombreuses mthodes existent pour raliser un diagnostic faisant appel des techniques varies. La partie suivante s'attache fournir une classification des mthodes de surveillance, en prenant en compte plus particulirement les critres associs au diagnostic.
Les principaux types de raisonnement sont : inductif, dductif ou abductif. L'induction infre quelque chose de diffrent que ce qui est observ; ce raisonnement qui va des cas particuliers la rgle permet ainsi en quelque sorte de dcouvrir des lois ou rgularits. La dduction s'inscrit dans un processus de dmonstration o on conclut en utilisant des propositions prises pour prmisses, dj dmontres ou auto-poses, d'autres propositions. Quant l'abduction, elle est dfinie comme ... une mthode pour former une prdiction gnrale sans assurance positive qu'elle russira dans un cas particulier ou d'ordinaire, sa justification tant qu'elle est le seul espoir possible de rgler rationnellement notre conduite future, et que l'induction fonde sur l'exprience passe nous encourage fort esprer qu'elle russira. (Pierce, 1867)
20

page 60

b) METHODES DE SURVEILLANCE AVEC MODELE


La catgorie de mthodes la plus utilise par les industriels lheure actuelle est vraisemblablement celle des mthodes par modlisation fonctionnelle et matrielle. Cette catgorie de mthodes comprend des outils industriels comme lAMDEC21 et larbre de dfaillances (ADD), utiliss essentiellement pour le diagnostic.
b.1 Les mthodes de diagnostic par modlisation fonctionnelle et matrielle Le principe de ces mthodes consiste tablir a priori et de la manire la plus complte possible, les liens entre les causes initiales des dfaillances et leurs effets mesurables. Les mthodes les plus couramment rencontres sont l'Analyse des Modes de Dfaillance, de leurs Effets et de leurs Criticit (AMDEC) et les Arbres De Dfaillances (ADD).

Une autre catgorie de mthodes avec modles est reprsente par les mthodes bases sur une modlisation physique des processus surveills.
b.2 Mthodes de surveillance par modlisation physique Les mthodes de surveillance avec modle physique ont pour principe de comparer les mesures effectues sur le systme aux informations fournies par le modle (Frank, 1990). Tout cart est alors synonyme dune dfaillance. Les outils de la thorie de la dcision sont ensuite utiliss pour dterminer si cet cart est d des alas normaux, comme par exemple le bruit de mesure ou sil traduit une dfaillance du systme. Les mthodes avec modle physique sont les mthodes les plus familires aux automaticiens. En rgle gnrale, ces mthodes peuvent tre spares en deux techniques : techniques de redondance physique et analytique, et techniques destimation paramtrique. Nous renvoyons le lecteur soucieux de plus de dtails, aux rfrences suivantes : (Willsky, 1976), (Isermann, 1984), (Basseville, 1988), (Basseville et al., 1993), (Gertler, 1988), (Gertler, 1998), (Patton et al., 1989), (Frank, 1990), (Combacau, 1991), (Cussenot, 1996), (Weber, 1999), (Tromp, 2000), (Combastel, 2000), (Ploix et al., 2001) ainsi que (Zemouri, 2003).

c) METHODES DE SURVEILLANCE SANS MODELE


Nombreuses sont les applications industrielles dont le modle est difficile, voir impossible obtenir suite une complexit accrue ou de nombreuses reconfigurations intervenants durant le processus de production. Pour ce type dapplications industrielles, les seules mthodes de surveillance oprationnelles sont celles sans modle. Deux solutions existent dans ce cas : surveillance avec des tests statistiques du traitement du signal et surveillance par intelligence artificielle. (Dubuisson et al., 2001).
c.1 Surveillance en utilisant des outils statistiques du traitement du signal

Les outils statistiques de dtection de dfaillances consistent supposer que les signaux fournis par les capteurs possdent certaines proprits statistiques. On effectue alors quelques tests qui permettent de vrifier si ces proprits sont prsentes dans un chantillon des signaux mesurs. Une grande varit de tests, applicables sur un chantillon de mesures, peut tre trouve dans (Basseville, 1988). Parmi les plus importants, nous mentionnons : le test de franchissement de seuils, le test de moyenne et le test de variance (Zemouri, 2003).

21 23

AMDEC - Analyse des Modes, de leurs Effets et de leur Criticit RCE = Restricted Coloumb Energy

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 61

c.2

Surveillance par intelligence artificielle

Concernant cette catgorie de mthodes, une premire approche consiste considrer le diagnostic par reconnaissance de forme suivant une approche probabiliste, une approche floue ou une approche neuronale (Dubuisson et al., 2001). Compte tenu du nombre et de la diversit des travaux raliss en diagnostic en l'absence de modle du procd, cette classification des mthodes en l'absence de modle du procd est quelque peu rductrice. On trouve dans la littrature des classifications refltant de manire plus juste les diffrentes approches sans modle du procd. Ces mthodes s'appuient largement sur les techniques de l'Intelligence Artificielle (IA) et font appel des connaissances symboliques, familires ou au moins partageables par l'oprateur (Basseville et al., 1996). En effet, l'utilisation de l'Intelligence Artificielle permet de pallier la complexit des systmes diagnostiquer. De plus, d'une manire gnrale, l'Intelligence Artificielle de par ses caractristiques -, est relativement bien adapte aux problmes du diagnostic. En effet, l'IA peut se caractriser par la capacit traiter :

une grande quantit d'informations, des donnes non homognes (numriques/symboliques), des donnes dpendant du contexte, des donnes incompltes.

Globalement, ces mthodes seront regroupes sous l'expression : "Mthodes par modlisation symbolique". L encore, plusieurs approches existent dans la littrature : l'approche associatif - prdictif -explicatif (INRIA) (Basseville et al., 1996) et l'approche reconnaissance - modle oprationnel - modle de pannes (IRISA) (Aghasaryan, 1998). Nous invitons les lecteurs intresss par plus dinformation ce sujet, consulter le rapport DEA (Monnin, 2004). La classification que nous proposons regroupe les deux approches prcdentes avec une dfinition unique pour chacun des trois types de mthodes. Nous avons galement regroup sous ces trois types de mthodes les outils de l'Intelligence Artificielle correspondants. Etant donne la difficult de donner une dfinition claire et synthtique pour les mthodes de diagnostic, nous avons fait le choix de les caractriser par des mots cls qui rendent mieux compte de leurs objectifs et de leurs particularits respectifs. On distingue donc parmi les modles symboliques, les mthodes base de modles comportementaux, les mthodes de reconnaissance de formes et les mthodes base de modles explicatifs.

Les mthodes base de modles comportementaux


Ces mthodes se caractrisent par la possibilit notamment de simuler le comportement du systme, partir d'une modlisation de son comportement. Le plus souvent il s'agit de modles "de bon fonctionnement" qui, contrairement aux modles numriques, ne sont pas bass sur la physique du systme mais sur une considration en terme de mode de fonctionnement.

Ces mthodes regroupent notamment des outils tels que les rseaux de Petri et les automates d'tats finis et seront caractrises par les termes modlisation/simulation.

Les mthodes de reconnaissance de formes


Ces mthodes regroupent les modles associatifs et les mthodes de reconnaissances dans le sens o elles sont caractrises par les termes apprentissage et reconnaissance qui

page 62

s'appliquent aussi bien aux systmes de reconnaissance de formes qu'aux systmes base de rgles tels que les systmes experts.

Dans ces mthodes, on retrouve principalement des outils tels que les mthodes statistiques de reconnaissance de formes, les rseaux neuronaux, la logique floue, les rseaux neuro-flous, les systmes expert et le raisonnement partir de cas. Les mots cls qui caractrisent le mieux ces approches sont apprentissage/reconnaissance.

Les mthodes base de modles explicatifs


Ces mthodes reprennent le terme de modles explicatifs introduit dans (Basseville et al., 1996), et englobent de par leur dfinition mme les notions de modles de pannes de (Aghasaryan, 1998). Il s'agit donc de mthodes qui permettent de fournir une reprsentation de l'analyse causale des liens entre les dfaillances, leurs causes et leurs effets observables.

Dans ces mthodes, on considrera particulirement des applications bases sur des outils tels que : les graphes d'influence, les graphes causaux, les graphes contextuels, les rseaux de Petri et la logique floue. Le mot clef associ est analyse causale. La figure suivante regroupe notre point de vue (Monnin, 2004), (Monnin et al., 2004) sur la classification des outils de surveillance par IA (modlisation symbolique) :
Modle symbolique, Intelligence Artificielle

Mthodes base de modles comportementaux

Mthodes de reconnaissances de formes

Mthodes base de modles explicatifs

Automates dtats finis RdP

(modlisation/simulation)

Neuro-flou (apprentissage/reconnaissance)

RPC Rseaux de neuones Logique floue

Neuro-flou (analyse causale des dfaillances)

Graphes causaux Graphes Contextuels RdP Logique floue

Figure 17.

Classifications des outils d'IA suivant les mthodes de diagnostic.


Mthodes de surveillance

Mthodes avec modle

Mthodes en labsence du modle du procd

Modlisation fonctionnelle et matrielle Industrie


AMDEC AdD

Modlisation physique Automatique


Redondance physique et analytique Estimation paramtrique

Outils statistiques Traitement du Signal


Test de franchissement de seuil Test de moyenne Test de variance

Modles symboliques Intelligence Artificielle

Mthodes base de modles comportementaux (modlisation/simulation) Automates tats finis Rseaux de Petri

Mthodes de reconnaissance de formes (apprentissage/reconnaissance) Systmes experts Outils statistiques RPC Rseaux de neurones Logique floue Neuro-flou

Mthodes base de modles explicatifs (analyse causale des dfaillances) Graphes causaux Graphes contextuels Rseaux de Petri Logique floue

Mthodes industrielles courantes

Alarmes simples

Aide au diagnostic

Alarmes intelligentes

Figure 18.

Classification globale des mthodes de surveillance

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 63

A la lumire de la classification propose et au vu des prcisions concernant limportance et les spcificits du diagnostic, nous obtenons une vue densemble des mthodes de surveillance, synthtise par le schma de la Figure 18. Afin davoir une ide plus claire des avantages et inconvnients de chaque mthode, nous prsentons par la suite un bref aperu des outils utiliss dans lapproche par modlisation symbolique, en indiquant lapplication en diagnostic qui en est faite. Pour chacune des mthodes, nous verrons ainsi dans quelle mesure le diagnostic ralis satisfait la dfinition de (Peng, 1990), en essayant de mettre en vidence les applications, spcificits et limites des outils proposs. Nous renvoyons toutefois le lecteur soucieux de plus de dtails et de rfrences au travail de DEA de M. Monnin (Monnin, 2004).

Mthodes base de modles comportementaux


Il existe deux approches principales pour la construction de ces modles : les automates d'tats finis et les rseaux de Petri. -

Les automates d'tats finis

Ils permettent de modliser directement le fonctionnement du systme, grce un automate global obtenu par composition d'automates lmentaires correspondant des systmes locaux (composants du systme). Cette reprsentation est donc directement adapte la simulation et la dtection. Il existe cependant des systmes pour lesquels cette reprsentation est galement utilise pour le diagnostic. Une mthode prsente dans (Aghasaryan, 1998) et (Sampath et al., 1996), se caractrise par deux tapes pour effectuer le diagnostic. Dans un premier temps, il s'agit de dvelopper le modle du systme l'aide des automates d'tats finis, puis dans un deuxime temps, un "diagnostiqueur" correspondant galement un automate d'tats finis est construit partir du modle global. Ce dernier effectue un diagnostic en observant en ligne une squence d'vnements. Pour chaque vnement conscutif, le diagnostiqueur fournit une estimation de l'tat du systme et des vnements non observs, d'o les occurrences des pannes sont dduites. Une grande partie des tudes dutilisations des automates d'tats finis en diagnostic sont ddies aux rseaux de tlcommunications. -

Les rseaux de Petri

Le rseau de Petri est un outil mathmatique et graphique adapt un grand nombre dapplications o les notions dvnements et dvolutions simultanes sont importantes. Ils constituent lun des modles les plus utiliss lorsquil sagit de systmes vnements discrets. Ils ont toutefois t enrichis sous plusieurs aspects (RdP temporiss, stochastiques, flous), de manire mieux rendre compte de la dynamique des systmes vnements discrets. Utiliss dans un premier temps comme modles gnrateurs, ils permettent la ralisation de simulation ainsi que la dtection dans une optique dutilisation en diagnostic de systmes. Dans ce cadre, les rseaux de Petri peuvent tre qualifis de modle de bon fonctionnement. Dans (Anglano et al., 1994), un raisonnement de type chanage arrire sur les rseaux de Petri est dfini. Les rseaux de Petri considrs constituent un modle de comportement du systme diagnostiquer. Il sagit dun modle du comportement du systme construit avec un rseau de Petri comportemental (BPN Behavioral Petri Net) qui englobe ventuellement des tats de pannes. Les BPN sont des rseaux saufs et dterministes. Des rgles de tirage arrire sont dfinies et permettent de rendre compte dventuelles incohrences dans le raisonnement de recherche de causes.

page 64

Dans cette approche, le diagnostic est ralis par un tirage arrire du rseau, qui permet de remonter au marquage source (cause) partir du marquage correspondant l'tat (dfaillant) observ. Le raisonnement de type chanage arrire est particulirement intressant puisqu'il permet a priori de raliser une relle recherche de causes. Cependant, les contraintes lies une application relle ne sont pas prises en compte et la validit du diagnostic n'est pas value. De plus, l'approche pour le diagnostic est compltement dterministe. Il serait donc intressant d'apporter de la finesse au diagnostic ralis afin d'apporter une aide au diagnostic en prenant en compte les imprcisions et les incertitudes inhrentes la ralit industrielle. -

Autres formalismes

Il existe galement d'autres formalismes rattacher aux mthodes base de modles comportementaux tels les modles de la physique qualitative qui permettent d'obtenir un modle par abstraction du modle numrique (Basseville et al., 1996), ou les approches en logique classique ou linaire (utilises galement avec les rseaux de Petri (Valette et al., 1994). -

Conclusion sur les mthodes base de modles comportementaux

Les automates d'tats finis et les rseaux de Petri constituent donc des outils relativement bien adapts pour construire des mcanismes de dtection lorsque le fonctionnement normal du systme est dcrit par ces formalismes. En revanche, leurs utilisations en diagnostic sont encore limites. Pour les automates, les principales difficults tant lies la taille importante de l'espace d'tat, ceci conduit donc des problmes de mmoire et de vitesse d'excution du diagnostic. Comme il est soulign dans (Valette et al., 1994), les rseaux de Petri constituent un outil puissant de modlisation et peuvent tre considrs comme un outil de description de la connaissance ncessaire au diagnostic.

Mthodes de reconnaissance de formes pour la surveillance


Ces mthodes supposent qu'aucun modle n'est disponible pour dcrire les relations de cause effet. La seule connaissance repose sur l'expertise humaine conforte par un solide retour d'exprience (Zwingelstein, 1995). La plupart de ces mthodes sont bases sur l'Intelligence Artificielle avec en particulier des outils tels que les systmes experts, les outils statistiques (de reconnaissance de formes), le raisonnement partir de cas (RPC), les rseaux neuronaux, la logique floue et les rseaux neuro-flous. -

Systmes experts

Un systme expert est un logiciel qui reproduit le comportement d'un expert humain accomplissant une tche intellectuelle dans un domaine prcis. Il est compos de deux parties indpendantes : une base de connaissances, elle-mme compose d'une base de rgles qui modlise la connaissance du domaine considr et d'une base de faits qui contiennent les informations concernant le cas que l'on est en train de traiter. un moteur d'infrences capable de raisonner partir des informations contenues dans la base de connaissance, de faire des dductions, etc.

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 65

Cogniticien
EXPERT

Base de rgles Base de rgles Utilisateur

Base de faits

Base de connaissances

Figure 19.

Structure dun systme expert

Le rle du cogniticien est de soutirer leurs connaissances aux experts du domaine et de traduire ces connaissances dans un formalisme se prtant un traitement automatique, c'est--dire en rgles. Ces deux tches sont aussi dlicates l'une que l'autre. En effet, un expert est la plupart du temps inconscient de la majeure partie de son savoir, et s'il arrive en exprimer une partie, c'est souvent sous une forme difficile formaliser. Les systmes experts sont subordonns une base de rgles logiques reprsentant lensemble des combinaisons importantes dtats, slectionnes parmi lexplosion combinatoire des tats possibles du systme analys. Les systmes experts permettent lexploitation dune base de donns informationnelle considrable. Ils prsentent le dsavantage dun comportement rigide, dans un contexte qui savre souvent variable et volutif. -

Outils statistiques de reconnaissance de formes

La premire technique prsente est une technique classique de discrimination base sur les probabilits. Cette technique peut se montrer insuffisante car elle suppose une connaissance a priori de tous les tats de fonctionnement et ne prend pas en compte lvolution du systme (Denoeux et al., 1998). Le formalisme gnral de ces techniques de reconnaissance des formes est de devoir dcider de lappartenance de tout vecteur forme dentre un certain nombre de classes (formant un monde ferm toutes les classes sont supposes connues ou un monde ouvert une classe est rserve au rejet en distance, correspondant aux vnements inconnus). La classe de rejet en distance est indispensable afin de combler le manque dinformation sur le problme. Cette classe reprsente donc le mlange de toutes les autres classes non identifies par l'utilisateur. Ce concept prsente un intrt fondamental dans le domaine de la surveillance. En effet, dans ce domaine prcis, nous recherchons davantage des outils capables de dire je ne sais pas que de donner une mauvaise rponse.
classe 1 classe 2

Esprance 1

Esprance 2

Rejet en distance Rejet en ambigut entre lune des deux classes et la classe de rejet en distance Rejet en ambigut entre les deux classes

Figure 20.

Reprsentation des diffrentes zones de deux distributions gaussiennes.

page 66

La qualit de la dcision des classes daffectation est quantifie par un cot de dcision (Duda, 1973). La dcision peut tre aussi qualifie par un autre cot qui peut jouer un rle particulier : c'est le cot entran par le fait de ne pas prendre de dcision. Ce cot est appel rejet d'ambigut. Sa valeur est gale (-1) quelle que soit la vraie classe du vecteur forme dentre. La dcision finale est juge par un indicateur de performance, appel risque moyen de dcision R, dont on cherchera obtenir la valeur minimale. La rgle minimisant ce critre est appele rgle de Bayes ou rgle du risque minimum (Fukunaga, 1990). Comme nous lavons dj prcis, dans le cas de la surveillance, nous prfrons ne pas prendre de dcision plutt que dassocier le vecteur une mauvaise classe ou de le rejeter en distance comme membre dune nouvelle classe. -

Raisonnement partir de cas

Le raisonnement partir de cas - RPC (Case Based Reasoning CBR) est une approche rcente pour rsoudre et apprendre des problmes. Il correspond la rsolution dun nouveau problme en se rappelant une situation prcdente similaire et en rutilisant les informations et les connaissances de cette situation (Aamodt, 1994). Il constitue donc une mthodologie pour modliser le raisonnement et la pense humaine ou pour dvelopper des systmes intelligents. Le raisonnement partir de cas recouvre un ensemble de mthodes de rsolution de problmes partir d'expriences passes plutt qu' partir de connaissances gnrales comme le raisonnement partir de rgles, (Malek, 1996). Le principe de fonctionnement de la mthode consiste stocker les expriences prcdentes (cas) dans une mmoire afin de rsoudre un nouveau problme : retrouver l'exprience similaire au nouveau problme dans la mmoire, rutiliser cette exprience dans le contexte de la nouvelle situation (compltement, partiellement ou en l'adaptant selon les diffrences), mmoriser la nouvelle exprience dans la mmoire (apprentissage).

Le RPC constitue donc un processus cyclique pour la rsolution de problmes (Aamodt, 1994), (Malek, 1996), (Lamontagne, 2002). Dans ce processus, on identifie les phases suivantes :

Figure 21.

Cycle du raisonnement partir de cas.

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 67

Un nouveau problme ou cas est rsolu en se rappelant (remmoration) des cas similaires dj pr analyss et stocks dans la mmoire. La solution trouve est ensuite adapte (rutilise) au nouveau problme. Le nouveau cas est ensuite rvis ou rpar (par l'expert ou par l'utilisation de la connaissance gnrale du systme). Ce nouveau cas peut aussi tre appris au systme (mmorisation) comme nouvelle exprience. Le RPC s'articule donc autour d'une base de connaissance qui contient deux parties :

- la connaissance gnrale, souvent reprsente par une base de rgles et qui peut intervenir dans toutes les phases du RPC, - la mmoire, qui contient les cas et les structures ncessaires qui constituent l'exprience du systme; elle est utilise lors des phases de remmoration et de mmorisation.
Un systme de RPC se caractrise donc par : la structure des cas utiliss, la structure de la base de cas (indexation des cas) et l'organisation de la mmoire.

Structure de cas
La structure des cas va dpendre des domaines d'utilisation et des tches accomplir. Adapte au diagnostic, la structure des cas est donc la suivante :

Problme Solution Conclusion

Symptmes (description de la situation particulire de diagnostic) Origines (plusieurs origines possibles) Actions (stratgie de maintenance)

Dans notre quipe de recherche, quelques travaux plus rcents (ne faisant pas lobjet de ce rapport) ont t dvelopps sur lutilisation du RPC pour le diagnostic (Rasovska et al., 2005), (Morello-Chebel et al., 2005). En conclusion, le RPC constitue une technique pour rsoudre des problmes bass sur l'exprience, et donc relativement bien adapt au problmes de diagnostic pour lesquels la notion d'exprience est relativement importante. Pour ce faire, la rsolution s'organise en quatre phases pour proposer une solution. Dans le cadre du RPC, plusieurs techniques sont galement disponibles d'une part pour reprsenter les connaissances, et en particulier pour reprsenter les cas en fonction du domaine d'utilisation, et d'autre part pour raliser les diffrentes phases du cycle. Enfin, le RPC, prsente galement les avantages suivants : rduit les efforts d'acquisition de connaissances, est relativement facile maintenir, l'efficacit de la rsolution des problmes augmente mesure qu'il est utilis, permet d'utiliser des donnes existantes comme des bases de donnes, peut s'adapter aux changements de son environnement.

Son utilisation en diagnostic apparat donc comme relativement aise, avec comme proprit, une structure de cas adapte. Cependant, la difficult tient justement cette structure de cas et aux informations qu'elle doit contenir. En effet, l'extraction des connaissances et leurs reprsentations, sont primordiales dans ce type d'application. -

Reconnaissance de formes par rseaux neuronaux

Les rseaux de neurones sont des outils capables deffectuer des oprations de perception, classification et prdiction. Leur fonctionnement est bas sur les principes de fonctionnement des neurones biologiques. Leur principal avantage par rapport aux autres

page 68

outils est leur capacit dapprentissage et de gnralisation de leurs connaissances des entres inconnues. Une des qualits de ce type doutil est son adquation pour la mise au point de systmes de surveillance modernes, capables de sadapter un systme complexe avec reconfigurations multiples. Les rseaux de neurones peuvent tre galement implments en circuits lectroniques, offrant ainsi la possibilit dun traitement temps rel. Leur utilisation est principalement guide par leurs proprits suivantes: - capacit d'apprentissage, - capacit de gnralisation, - paralllisme dans le traitement (rapidit de traitement) - adapts aux non-linarits des systmes, Chaque neurone ralise une fonction simple (fonction linaire, linaire par morceaux, fonction seuil, sigmode, gaussienne), les proprits globales de l'outil mergeant de sa structure. Toutes les caractristiques des rseaux de neurones sont exploites travers la proprit principale des rseaux de neurone qu'est l'apprentissage. En effet, les mcanismes d'apprentissage sont l'origine des capacits de rsolution de problmes des rseaux neuronaux. Cet apprentissage permet de configurer les poids synaptiques ainsi que les fonctions d'activation afin d'adopter un comportement dsir. Deux types d'apprentissages sont utiliss : l'apprentissage supervis et l'apprentissage non supervis.

Apprentissage supervis :
Permet de dterminer les poids synaptiques partir d'exemples tiquets auxquels un expert a associ des rponses du rseau. Les paramtres du rseau sont donc modifis de manire minimiser l'erreur entre la sortie cible (fournie par l'expert) et la sortie relle du rseau.

Apprentissage non supervis :


Les donnes fournies en entre ne contiennent pas d'information sur la sortie dsire. L'apprentissage est ralis l'aide de rgles qui modifient les paramtres du rseau en fonction des exemples fournis en entre.

Les architectures les plus utilises pour ces problmes de surveillance des systmes industriels sont le modle de Hopfield (bas sur la mmoire associative), le rseau de Kohonen (carte topologique auto-adaptative), le Perceptron Multicouches (PMC ou MLP pour Multi layer Perceptron) et le Rseau Fonctions de base Radiales (RFR ou RBF pour Radial Basis Function). Une description dtaille pourra tre trouve dans la thse de R. Zemouri (Zemouri, 2003). La figure suivante montre larchitecture gnrale dune application de surveillance par reconnaissance des formes avec rseaux de neurones. Lexpert humain joue un rle trs important dans ce type dapplication. Toute la phase dapprentissage supervis du rseau de neurones dpend de son analyse des modes de fonctionnement du systme. Chaque mode est caractris par un ensemble de donnes recueillies sur le systme. A chaque mode on associe une expertise faite par lexpert. Cette association (ensemble de donnes modes de fonctionnement) sera apprise par le rseau de neurones. Aprs cette phase dapprentissage, le rseau de neurones passe en phase de classification, dans laquelle il associera les classes reprsentant les modes de fonctionnement aux formes dentre caractrises par les donnes du systme.

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 69

Expert Humain
Expertise des modes de Fonctionnement (diagnostic)

Donnes observables ou mesurables Procd industriel


Base de

Base de donnes

Apprentissage
Rseau de neurones

Forme dentre

Classes

Figure 22.

Reconnaissance des formes par rseau de neurones.

Parmi les rseaux de neurones cits, les rseaux de Kohonen connaissent de nombreuses applications pour la classification de signatures vibratoires de machines. Ils prsentent cependant l'inconvnient majeur d'exiger un temps relativement long pendant la phase d'apprentissage (Zwingelstein, 1995). Le modle perceptron multicouche se caractrise donc par une architecture globale (tous les neurones participent la sortie aprs la phase d'apprentissage), qui lui confre de mauvaise proprits en classification et donc le rend moins intressant pour une utilisation en surveillance. Cependant il existe un nombre non ngligeable de travaux en surveillance et diagnostic qui utilisent cette architecture, de nombreuses rfrences sont fournies dans (Zemouri, 2003). Celui qui semble se prter le mieux lutilisation en surveillance est le rseau base de fonctions radiales (RFR en anglais Radial Basis Function - RBF). Ceci est du en grande partie son approche locale et sa capacit de travailler dans un monde ouvert , en enrichissant son exprience au fur et mesure de son fonctionnement. Ce type de rseau a fait lobjet de nombreuses tudes de notre part. Parmi les plus importantes, nous pouvons citer les rapports DEA de N. Palluat (2002), de S. Ould Yahia (2001), J. Xu (2004), ainsi que le premier chapitre de la thse de R. Zemouri (2003). Les algorithmes dapprentissage les plus importants du RFR sont le RCE23 et le DDA24. Nous allons revenir sur ces outils et notamment sur les aspects temporels des rseaux de neurones dans le chapitre suivant. -

Reconnaissance de formes par logique floue

La logique floue permet de formaliser la reprsentation et le traitement de connaissances imprcises ou approximatives. Elle offre la possibilit de traiter des systmes d'une grande complexit dans lesquels sont, par exemple, prsents des facteurs humains. Elle intervient dans la manipulation de connaissances imparfaites. Son utilisation dans des domaines tels que l'aide la dcision ou le diagnostic semble donc naturelle dans la mesure o elle fournit un outil puissant pour assister de faon automatique des actions humaines, naturellement empreintes d'imprcisions. La logique floue est ainsi considre (Bouchon-Meunier,1994,1995) comme le seul cadre dans lequel on peut traiter des imprvisions et des incertitudes, qui autorise galement le traitement de certaines

24

DDA = Dynamic Decay Adjustement

page 70

incompltudes, et le seul cadre dans lequel on peut traiter des connaissances numriques et des connaissances exprimes symboliquement par des qualifications du langage naturel. Les applications de la logique floue sont extrmement nombreuses et varies. Les plus courantes sont la commande floue, les systmes experts flous, le raisonnement partir de cas et la reconnaissance floue de formes. Dans le cadre de la surveillance et du diagnostic, on trouve principalement les systmes experts, le raisonnement partir de cas et la reconnaissance de formes. Dans ces diffrents contextes (aide au diagnostic, aide la dcision), l'expert humain exprime des connaissances ou des donnes dans un langage naturel fondamentalement imprcis; la logique floue permet donc d'une part de prendre en compte les imprcisions inhrentes aux donnes et d'autre part de rendre compte de l'expression des rgles qui permettent de formuler un diagnostic ou de dterminer une action. On trouve par exemple dans (Rahamani et al., 1998) l'architecture d'un outil de dtection/diagnostic d'antennes, dans lequel la logique floue intervient sous forme d'un systme expert flou et dans les tapes de classification :
Systme expert flou

Sous-ensemble de donnes de paramtres systme

Sous-ensemble de classification

Logique floue

Sous-ensemble Sous-ensemble de dfauts de dfauts concurrents Sous-ensemble de concurrentsdfauts concurrents Sous-ensemble Sous-ensemble de dfauts de dfauts concurrents Sous-ensemble de concurrentsdfauts concurrents Sous-ensemble Sous-ensemble de dfauts de dfauts concurrents Sous-ensemble de concurrentsdfauts concurrents

Rseaux de neurones Classificateur de fautes

Sous-ensemble de donnes pour la dtection et le diagnostic

Sous-ensemble de dtection

Rseaux de neurones

r P(x)

Nouveau vecteur Ensemble de donnes Pr-processeur Dtection par rseaux de neurones avec validation statistique Identification floue

Figure 23.

Exemple darchitecture de systme de diagnostic par logique floue.

Dans le cadre de la surveillance des systmes industriels, la logique floue se trouve galement associe d'autres outils et techniques d'analyses. A titre dexemple, la logique floue a trouv des applications en combinaison avec les arbres de dfaillances afin dvaluer l'apparition de l'vnement sommet (Cheng, 2000). Dans ces diverses applications, l'utilisation de la logique floue est assez naturelle dans la mesure o elle permet de traiter l'imprcision, l'incertitude et l'incompltude lies aux connaissances du domaine. En plus, la logique floue leur confre une capacit dutilisation en pronostic. Cependant, mme si la logique floue fournit des rsultats satisfaisants, on ne peut considrer ces applications comme de vritables applications de la logique floue pour le diagnostic dans la mesure o ces diffrents outils ne s'appliquent pas la localisation et l'identification des causes expliquant un dfaut. Utilise avec les arbres de dfaillances, cette dernire devrait fournir une valuation sur l'occurrence ou la prsence des vnements de base de l'arbre de dfaillances qui sont eux l'origine de l'vnement sommet. On obtiendrait ainsi l'valuation des causes l'origine d'un dysfonctionnement.

26

http://kmcenter.free.fr/technologies/IA/KMCenter_RB.pdf

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 71

Les rseaux neuro-flous

Les rseaux neuro-flous sont ns de lassociation des rseaux de neurones avec la logique floue, de manire tirer profits des avantages de chacune de ces deux techniques. La principale proprit des rseaux neuro-flous est leur capacit traiter dans un mme outil des connaissances numriques et symboliques dun systme (Uppal, 2002). Ils permettent donc dexploiter les capacits dapprentissage des rseaux de neurones dune part et les capacits de raisonnement de la logique floue dautre part. Diffrentes combinaisons de ces deux techniques dintelligence artificielle existent et mettent en avant des proprits diffrentes. On peut identifier les combinaisons suivantes (Ould Abdeslam, 2002) :
Rseau flou neuronal Systme neuronal/flou simultanment Modles neuro-flous coopratifs Modles neuro-flous hybrides

Des structures neuro-floues pour la modlisation, la prdiction, le contrle ou le diagnostic, peuvent tre ralises par une grande varit darchitectures, pour un mme type de combinaison donn (Dourado et al., 1999). On trouve par exemple dans (Lee et al., 2000, 2001) et (Wang et al., 2002), une utilisation dun systme neuro-flou R-SANFIS (Recurrent Self-Adaptative Neuro-Fuzzy Inference System) pour la commande dun vhicule sous-marin autonome. Une autre utilisation des rseaux neuro-flous est prsente dans (Nauck et al., 1998) o larchitecture NEFPROX (NEuro Fuzzy function apPROXimator) est utilise pour lapproximation de fonctions. Dans des applications de diagnostic, on trouve principalement des modles neuro-flous hybrides, pour lesquels rseau de neurones et systme flou sont combins de manire homogne. Une dfinition dun tel systme neuro-flou est donne dans (Palade et al., 2002) :
Un systme neuro-flou est un rseau de neurones qui est topologiquement quivalent la structure dun systme flou. Les entres/sorties du rseau ainsi que les poids sont des nombres rels, mais les nuds implmentent des oprations spcifiques aux systmes flous : fuzzyfication, oprateurs flous (conjonction, disjonction), dfuzzyfication. En dautres termes, un systme neuro-flou peut tre vu comme un systme flou pour lequel les oprations sont implmentes de faon parallle par un rseau de neurone.

Les systmes neuro-flou les plus courants, sont bass sur deux types de modles flous, les modles TSK (Tagaki, Sugeno, Kang) et Mamdani, combins avec des algorithmes dapprentissage neuronaux. On trouve galement le NEFCLASS (NEuro Fuzzy CLASSification) reconnu pour ces capacits de classification, (Palade et al., 2002), (Uppal et al., 2002), (Nauck et al., 1995). De nombreuses structures neuro-floues ont t appliques avec succs dans de nombreux domaines en raison de leurs avantages. Parmi ces caractristiques on peut citer :
la conception base de rgles, lapplication aux systmes complexes et incertains non-linaires, les capacits dapprentissage, le calcul parallle et la tolrance aux fautes

Cependant, limplantation de telles structures dpend fortement des connaissances a priori sur le systme et des donnes empiriques.

page 72

On retrouve principalement deux utilisations des rseaux neuro-flous en surveillance. Ces utilisations reposent la plupart du temps (Palade et al., 2002), (Uppal et al., 2002) sur ltude des rsidus qui sont gnrs par diffrence dun signal estim donn par un observateur neuro-flou avec les valeurs relles du signal. Ces rsidus sont ensuite classs et valus (toujours par un systme neuro-flou). Le neuro-flou intervient donc dans ces deux tapes du diagnostic, lide tant dobtenir un classificateur de dfauts interprtable. Pour tablir formellement un diagnostic, il faut interprter les rsidus pour remonter jusquau dfaut concern, les rsidus permettant la dtection de ltat de panne. Pour ce faire, lutilisation du classificateur neuro-flou doit permettre didentifier sans ambigut le type de dfaut, compte tenu de la valeur des rsidus. Les rseaux neuro-flous apparaissent comme des outils puissants combinant des grandes capacits dapproximation pour la modlisation des systmes dynamiques nonlinaires pour lesquels le modle mathmatique est inconnu avec la possibilit dobtenir des rsultats possdant un certain niveau dinterprtation. Plusieurs mthodes sont disponibles pour dvelopper de tels systmes mais quelques points ngatifs sont tout de mme souligner. Tout d'abord au niveau de la conception de l'outil, il est ncessaire d'avoir des connaissances a priori suffisantes sur le systme diagnostiquer pour dterminer les variables d'entres, les fonctions d'appartenances, ainsi que les rgles. De plus les systmes flous sont relativement gourmands en ressources, mme si les rseaux de neurones viennent amliorer leurs performances, il serait intressant d'avoir des prcisions sur la possibilit d'effectuer un diagnostic en ligne. La plupart des applications rencontres sont bases sur l'tablissement d'un diagnostic partir de la classification de rsidus, elles ncessitent donc de pouvoir tablir un modle du systme. De plus, elles ncessitent un rseau par rsidus ce qui rend le systme relativement complexe et ne permet de diagnostiquer qu'un nombre restreint de dfauts. Il serait donc intressant d'employer ces techniques compte tenu de leurs capacits en s'affranchissant compltement d'un modle du systme diagnostiquer. -

Conclusion sur les mthodes de reconnaissance de formes

Les applications des techniques de reconnaissance de formes pour la surveillance sont nombreuses et pour certaines, les rsultats sont globalement satisfaisants. Cependant, ces mthodes effectuent - pour la plupart - une classification par reconnaissance de formes. Le diagnostic revient donc identifier un mode de fonctionnement du processus qui reflte l'tat de panne. En ce sens, la surveillance ralise ne permet pas d'identifier formellement les causes du dysfonctionnement moins que celles-ci soient explicitement dcrites dans le mode identifi; ce que ralise le raisonnement partir de cas. Pour les autres outils, les applications s'apparentent plus de la "dtection intelligente", pour laquelle la sortie du systme de diagnostic est porteuse d'information sur l'tat du systme, mais n'en donne pas les causes. Ces outils semblent donc mieux adapts la ralisation d'un module de dtection intelligente dans une architecture complte de surveillance.

Les mthodes base de modles explicatifs


Ces mthodes sont principalement bases sur la reprsentation des relations entre les diffrents tats de pannes et leurs effets (ventuellement observables). Elles reposent donc sur une analyse profonde du systme, de manire avoir les connaissances suffisantes lexpression de ses relations de cause effet. Les modles ainsi obtenus permettent - pour certains - une approche abductive, qui consiste remonter aux causes des pannes partir des observations correspondant aux symptmes. Plusieurs outils de lIntelligence

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 73

Artificielle permettent une telle formalisation des connaissances disponibles sur un systme. Il sagit notamment des graphes causaux, des graphes contextuels, techniques auxquelles se joignent galement des approches bases sur la logique floue ou les rseaux de Petri. Ces outils, par leurs capacits de modlisation et dexpression, permettent de fournir des modles explicatifs dans le cadre dapplications au diagnostic. -

Les graphes causaux

L'exploitation de connaissances causales est assez naturelle pour le diagnostic. En effet, un "dysfonctionnement" peut tre assez simplement dcrit par les relations associant ses causes ses manifestations observables. Les graphes causaux constituent un formalisme bien adapt la reprsentation de ces liens causaux. Dans une utilisation de diagnostic ils permettent d'exprimer les enchanements causaux rgissant le fonctionnement du systme surveiller en cas de panne. Il s'agit de graphes orients acycliques. Les nuds du graphe correspondent aux causes et effets et sont relis par des arcs orients (Grosclaude, 2001a). Cet outil appartient donc aux mthodes base de modles explicatifs leur but tant de fournir une explication des observations d'un fonctionnement anormal d'un systme. Ils reprsentent des connaissances profondes sur le systme capables de donner les relations causales entre les diffrents tats de pannes (Grosclaude et al., 2001b). La construction du modle repose sur une expertise telle que des catalogues de pannes, des AMDEC ou des arbres de dfaillances (Basseville et al., 1996) qui expriment pour une panne l'ensemble des symptmes observables. Leur principale utilisation en diagnostic consiste en un diagnostic abductif. Le graphe causal est utilis de manire abductive, " partir des symptmes, on recherche les causes" de manire relier les symptmes observs un ensemble de causes possibles (Grosclaude, 2000). Pour ce faire, plusieurs extensions des graphes causaux existent. La premire extension repose sur l'introduction de contraintes temporelles, on parle alors de "diagnostic abductif temporel" (Brusoni et al., 1995). Une relation causale relie alors une occurrence de la cause une occurrence de l'effet, des contraintes temporelles dcrivent la dure de la cause, le dlai entre l'occurrence de la cause et celle de l'effet, ou encore la dure de l'effet (Grosclaude, 2001a). Des algorithmes existent pour retrouver dans le graphe les causes expliquant les observations (Brusoni et al., 1995), (Brusoni et al., 1997).

Figure 24.

Exemple de rseau baysien pour le diagnostic de voiture (Piechowiak, 2004).

Une autre approche des graphes causaux repose sur l'introduction de probabilits. On parle alors de rseaux baysiens pour lesquels les nuds reprsentent des variables alatoires et les arcs, les dpendances causales et probabilistes entre ces variables26. Un cas particulier de rseau Baysien est reprsent par les chanes de Markov caches.

page 74

Le graphe causal reprsente un outil particulirement intressant pour le diagnostic, dans le sens o ils peuvent apporter une justification du diagnostic propos par le systme au travers du chemin causal suivi dans le graphe. De plus, les algorithmes de diagnostic abductif permettent partir de l'observation de symptmes de rechercher en ensemble de causes possibles qui expliquent par le biais de relations causales les observations. Enfin, l'introduction de contraintes temporelles, d'effets contradictoires et la prise en compte des interactions entre les pannes rend compte de manire plus juste de la ralit physique du systme diagnostiquer. Les graphes causaux reposent donc sur la formalisation des liens causaux qui rgissent les tats de pannes et ncessite de ce fait une grande connaissance du systme pour tablir ces liens causaux ainsi que les contraintes temporelles. De plus, les algorithmes de diagnostic abductif temporel sont relativement complexes et imposent des longs temps de calculs. Un diagnostic en ligne est donc difficilement ralisable en utilisant directement le modle causal. Dans (Grosclaude, 2001a), des possibilits de pronostic sont envisages : l'objectif tant de dterminer partir du diagnostic de l'tat courant les volutions possibles du systme. Une possibilit d'obtenir des arbres de dcision partir du modle causal est galement tudie afin d'orienter le diagnostic au fur et mesure de l'apparition des symptmes. Dans (Grosclaude et al., 2001b), une heuristiques est introduite, de manire rduire le temps de calcul. Plusieurs limitations voient le jour lorsque l'on choisit d'implmenter une approche de type graphe causal et plus particulirement de type rseau Baysien :

L'approche Baysienne se fonde sur 3 postulats qui ne sont pas ralistes : o hypothses mutuellement exclusives, o exhaustivit o indpendance conditionnelle de l'observation dans les hypothses. Elle exige de pouvoir estimer toutes les probabilits a priori, Les contraintes sur les valeurs des probabilits (en particulier, la somme doit tre gale 1) rendent difficile l'volution de la base de connaissance, La propagation des probabilits est coteuse en temps, Ne sait pas grer l'ignorance. -

Les graphes contextuels

Dans un contexte daide la dcision, les outils crs doivent assister un oprateur dans ses activits quotidiennes, sans toutefois prendre de dcisions sa place. Pour ce faire, lanalyse de lactivit des oprateurs permet de mettre en vidence la structure des raisonnements suivis ainsi que lorganisation des sous tches et des actions. Cette structure peut tre modlise par des graphes. Les graphes ainsi crs donnent les diffrentes mthodes pour atteindre un but et ces mthodes se distinguent par le contexte dans lequel elles sappliquent ; on parle alors de graphes contextuels (Brzillon et al., 2001, 2003). Il sagit en effet dun formalisme bien adapt, car bas sur une expression du raisonnement que suivent les oprateurs en pratique. Les graphes contextuels ont t introduits partir des arbres de dcision pour lesquels on passe dune reprsentation base sur le contexte de lincident une reprsentation base sur le contexte de rsolution de lincident. Les branches de larbre qui conduisent la mme action terminale sont rassembles dans le graphe et un branchement temporel est

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 75

introduit dans le graphe pour rendre compte des actions et des dcisions qui peuvent tre ralises en parallle. Le graphe contextuel est constitu dactions lmentaires, activits, nuds contextuels, nuds de recombinaisons et branchements temporels. Ces lments conduisent la dfinition suivante du graphe contextuel :
Un graphe contextuel est un graphe orient acyclique ayant une unique source et un unique puits. Les sommets du graphe sont des instances des lments dcrits plus hauts. Ils sont relis par des arcs montrant la prcdence temporelle.

Remarque : Le fait que le graphe soit acyclique garantit la finitude de lalgorithme de parcours du graphe.

Figure 25.

Exemple de graphe contextuel

Un graphe contextuel reprsente ainsi un raisonnement contextuel local construisant une stratgie pour la ralisation dun but en fonction de la situation et de son volution. En effet les graphes contextuels sont conus pour voluer au cours de leur utilisation. Les graphes contextuels permettent la reprsentation dactions multiples dpendant du contexte. De plus, cette reprsentation prend en compte la dynamique du contexte dans son volution. Ils prsentent galement lavantage de pouvoir traiter des grandes structures telles que les applications industrielles. Leur reprsentation est comprhensible par des oprateurs puisquelle est similaire leur mode de raisonnement. Enfin, leur flexibilit et leur modularit permettent lacquisition incrmentale de connaissance de manire intgrer des nouvelles pratiques. Les graphes contextuels apparaissent donc comme un outil adapt pour la modlisation dactivits comportant une dualit procdure/pratique. Ils sont donc applicables dans des domaines o une interprtation ou une adaptation de rgles gnrales est ncessaire pour prendre en compte la richesse du contexte rel dapplication. Pour le diagnostic, ils s'appliqueraient dans des domaines o les causes des dfaillances d'un systme seraient fortement lies au contexte d'apparition de la panne. Dans le cadre dune application de supervision, ils pourraient sappliquer dans des cas o le contexte prend une place importante dans le lien entre diagnostic de dfauts et les actions de reprise. -

Les rseaux de Petri

page 76

Dans le cadre du diagnostic, les rseaux de Petri permettent galement une approche en terme de modle de pannes. Les places constituent alors des tats de pannes et larchitecture du rseau permet de rendre compte des relations existant entre ces pannes. Plusieurs techniques se basant sur un modle de pannes ont t dveloppes, avec en particulier, lutilisation de rseaux de Petri stochastiques (SPN) ou partiellement stochastiques (PSPN). Ceci permet une bonne capacit dexpression du non dterminisme. Dans (Aghasaryan et al., 1997), (Aghasaryan, 1998), (Tromp, 2000), (Fabre, 2001), une approche par rseaux de Petri aux problmes de dtection de pannes et de diagnostic est propose. Dans cette approche, le diagnostic est prsent de la manire suivante :
Les alarmes gnres par le processus de dtection souvent nidentifient pas les pannes et ne dterminent pas exactement leur localisation. Le problme de diagnostic consiste donc trouver une explication la prsence de symptmes en utilisant les connaissances du domaine (Aghasaryan, 1998).

Les rseaux de Petri sont un modle puissant pour lexpression de la concurrence ; des vnements concurrents pouvant apparatre sur laxe du temps dans nimporte quel ordre, ou simultanment. Dans un RdP, les vnements sont seulement partiellement ordonns, ce qui dfinit une smantique dordre partiel. Cette smantique dordre partiel est particulirement bien adapte pour les environnements rpartis. De plus, lapproche est fonde sur une description explicite de la propagation des alarmes et des dfauts en utilisant les rseaux de Petri saufs. Cette approche peut donc tre vue comme appartenant aux mthodes base de modles explicatifs (Aghasaryan, 1998). Dans (Tromp, 2000), lapproche pour la construction du modle est un peu diffrente, les rseaux de Petri utiliss pour le diagnostic sont tablis partir des arbres de dfaillances du systme considr. De plus, lapproche globale est hybride puisquelle utilise aussi les rsidus issus dun modle continu du systme. Le rseau de Petri permet de modliser les diffrentes dpendances entre les dfauts :

Figure 26.

Dpendances entre les dfauts

Dans lutilisation qui est faite, les alarmes sont associes aux transitions, les places qui correspondent aux tats de pannes ont une capacit de 1, avec une fonction dtiquetage. Ces descriptions lmentaires sont la base pour la construction dun rseau de dfauts , pour lequel les places sont bornes un jeton et les arcs ont un poids de 1.

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 77

Figure 27.

Rseau de dfauts (fault net)

Un franchissement exprime une propagation lmentaire de panne et est accompagn par lobservation dune alarme choisie dans une tiquette. (Tromp, 2000) propose galement une construction des RdP partir des arbres de dfaillances :

Figure 28.

Conversion des portes logiques de larbre de dfaillance.

Le rseau de Petri dfinit donc une relation de causalit base sur le passage de ressource dans une squence de franchissement. Cette relation de causalit dfinit un graphe orient acyclique (graphe de causalit). La smantique dordre partiel du RdP est obtenue partir de ce graphe de causalit (GdC). La trajectoire du RdP est un ordre partiel obtenu par fermeture transitive de la relation de causalit partir du graphe de causalit.

Figure 29.

RdP et graphe de causalit

page 78

Pour reprsenter une trajectoire du rseau partiellement stochastique et pour calculer sa vraisemblance, une technique de dpliage du temps, est utilise. Sur ce rseau dpli, le GdC est obtenu en ne gardant que les connexions qui correspondent aux transitions tires. En conclusion, lutilisation des RdP pour le diagnostic offre plusieurs aspects intressants. Tout dabord, les travaux ont t tendus au diagnostic dcentralis. Dans ce cas, les solutions locales sont vues comme des alarmes intelligentes puis mises ensembles au niveau dun superviseur central. Loutil dvelopp permet dexprimer la concurrence, la causalit et le non dterminisme, trois notions essentielles pour le diagnostic. Lutilisation dun modle de rseaux de Petri partiellement stochastique permet de conserver lindpendance probabiliste des vnements concurrents et ne ncessite pas lexploration de tout lespace dtat car seul les contextes locaux sont ncessaires la propagation des vnements ou lestimation de vraisemblance. De plus, cet aspect de contexte local rend la mthode plus robuste aux changements de configuration du rseau. En revanche, les aspects de lapproche locale posent des problmes quant aux rsultats dans (Tromp, 2000) et conduisent des rsultats exprimentaux qui ne sont pas satisfaisants L'approche de (Tromp, 2000) semble bien adapte pour le diagnostic des systmes industriels, car la modlisation est ralise partir d'un arbre de dfaillances. Par contre, les traitements sont raliss en utilisant une approche hybride qui fait appel des rsidus et conduit une complexit diminuant les performances du diagnostic. -

La logique Floue

Une autre utilisation de la logique floue en diagnostic est dcrite dans (BouchonMeunier et al., 2003). Il s'agit ici d'un diagnostic orient explication qui permet d'expliquer la prsence d'un ensemble de symptmes et de remonter aux causes l'origine de ces observations. Pour ce faire, on utilise la modlisation d'une rgle graduelle (R) de causes effets entre les dysfonctionnements et les symptmes. De plus, on prend galement en compte l'incertitude (ou le caractre vague) de l'observation de certains symptmes. Selon cette approche, le diagnostic est ralis grce la confrontation entre les connaissances et les observations. Ce diagnostic est ralis en deux tapes : il utilise un indice de cohrence raffin ensuite par un indice de pertinence. Le diagnostic par cohrence permet de rejeter tous les dysfonctionnements incohrents avec les observations. Ce premier principe se base sur le modus tollens qui s'nonce comme suit : si d s et s alors d, De cette manire, seuls les dysfonctionnements pour lesquels les observations ne contredisent aucun de leurs symptmes sont gards. Le diagnostic par cohrence est permis par un indice de cohrence (coh) qui calcule la possibilit dun vnement flou au sens du filtrage flou. En utilisant l'indice de cohrence, un dysfonctionnement sera d'autant plus rejet que son indice de cohrence sera petit. Ensuite, pour orienter le diagnostic vers les dysfonctionnements les plus plausibles, on met en uvre un test abductif. Le diagnostic abductif permet la slection des dysfonctionnements qui expliquent effectivement les observations. Elle peut se formuler de la faon suivante : sachant d S,

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 79

Ayant observ l'ensemble de symptmes S, on conclu que d est une explication pertinente des observations. Ainsi, parmi les dysfonctionnements slectionns par la cohrence, l'abduction met l'accent sur les seuls dysfonctionnements qui sont pertinents. Pour ce faire, on utilise un indice flou d'inclusion (per) Le diagnostic est alors tabli de la manire suivante : coh permet tout dabord de rejeter les dysfonctionnements incohrents avec les observations. Puis per vient affiner le diagnostic afin de slectionner et de classer par ordre de suspicion les dysfonctionnements restants. -

Conclusion sur les mthodes base de modles explicatifs

A travers les diffrents exemples dcrits, la logique floue apparat comme un outil puissant pour traiter de l'imprcision, de l'incertitude et du raisonnement. Les possibilits qu'elle offre de traiter la fois des donnes symboliques et numriques en font un outil tout indiqu pour le diagnostic. En effet, le diagnostic ncessite de traiter avec des connaissances et des raisonnements humains exprims de ce fait sous forme linguistique. L'utilisation de ces connaissances travers les raisonnements doit se faire de faon qualitative mais aussi quantitative pour fournir une aide au diagnostic pertinente et efficace. D'autres travaux sur la logique floue s'intressent galement la ralisation d'un raisonnement abductif par l'inversion du modus ponens. Etant donn une rgle floue du type "si U est A alors V est B", et une observation de type V est B', les auteurs cherchent caractriser les hypothses de type U est A' rpondant la question "pourquoi V est-il B' "? Cette approche abductive base sur l'inversion du modus ponens gnralis doit permettre de retrouver les hypothses satisfaisant une observation donne. Si la rgle de dpart modlise une relation causale pour laquelle la prmisse A est une cause et la conclusion B est un effet, l'approche abductive partant de l'observation B' de l'effet permet de caractriser la cause par l'hypothse A' et ralise donc un diagnostic, (Mellouli et al., 2000a,b, 2003).

d) CARACTERISTIQUES FONDAMENTALES DUN OUTIL DE SURVEILLANCE ET DAIDE AU DIAGNOSTIC


Suite la prsentation succincte des diffrents outils de l'intelligence artificielle appliqus la surveillance, nous allons revenir sur quatre points essentiels noncs dans (Basseville et al., 1996), (Monnin, 2004) pour valuer et comparer les diffrentes solutions proposes : 1) 2) 3) 4) difficults lies l'acquisition des informations / du modle, capacit prendre en compte l'incertain et l'imprcision, gnricit des outils et capacit voluer avec le systme, validation (ou valuation) des rsultats obtenus.

En effet, ces quatre points cls reviennent dans quasiment tous les outils prsents et permettent de mettre en avant les avantages et les inconvnients des diffrentes mthodes de diagnostic rencontres. Nous allons donc faire le point sur chacune de ces caractristiques.

page 80

d.1

Acquisition de linformation / du modle

Le diagnostic tel qu'il est dfini dans (Peng et al., 1990), dfinition sur laquelle nous nous sommes appuys, ncessite des connaissances sur les relations liant symptmes et pannes. Nous avons prsent les principaux outils et mthodes qui permettent de raliser un diagnostic au plus proche de cette dfinition. Les problmes lis l'acquisition des modles sont donc communs toutes les mthodes de diagnostic rencontres. Plus particulirement, pour les mthodes base de modles comportementaux, les modles dcrivent le systme dans son fonctionnement normal (avec ventuellement des tats de panne) qui est donc le mieux connu, ce qui rend l'acquisition du modle un peu moins dlicate et notamment pour la compltude du modle. En revanche, la pertinence du modle dpend fortement de son niveau d'abstraction. Pour les mthodes de reconnaissance telles que celles bases sur les rseaux de neurones, la logique floue ou le neuro-flou, la dfinition du vecteur forme est un point crucial qui ncessite des connaissances suffisantes pour dfinir les lments les plus pertinents qui constitueront les composantes de ce vecteur. De plus, pour les structures couches comme les rseaux de neurones ou le neuro-flou, le nombre d'lments par couche entre galement dans les difficults rencontres lors de l'acquisition du modle. Pour ces mthodes, du modle va galement dpendre l'interprtabilit des rsultats de diagnostic. Par exemple, pour un systme de RPC, dans la structure des cas, la dfinition des symptmes et des origines est fortement lie au niveau d'analyse auquel on se place pour les dfinir27 et de cette dfinition va galement dpendre l'efficacit du systme. En effet, la dfinition des cas est primordiale et conditionne compltement le systme, elle ncessite donc une trs bonne expertise du systme et de ces dysfonctionnements. En revanche, un point fort pour toutes ces mthodes est la notion d'apprentissage qui permet de garantir une meilleure compltude du systme puisque les cas non rencontrs peuvent tre appris au cours de l'utilisation. Les mthodes base de modles explicatifs reposent sur l'expression des relations causes-effets entre les dysfonctionnements, les pannes et leurs effets observables. Le diagnostic ralis par le modle dpend donc directement de l'expression de ces relations. Un des problmes sera donc de trouver le bon formalisme pour traduire de faon efficace et exploitable la connaissance de ces relations. Cependant, il apparat que mme si le modle dpend uniquement des connaissances de son comportement en cas de dysfonctionnement, des outils tels que l'AMDEC, les arbres de dfaillances ou les catalogues de pannes facilitent son acquisition et garantissent une certaine compltude. Le problme se complique en revanche lorsqu'on y ajoute des contraintes temporelles qui elles, ne sont pas frquemment explicites dans les outils cits plus haut. L'extraction de la connaissance disponible sur un systme et sa formalisation constitue donc une tape trs importante dans la conception d'un systme de diagnostic. De cette tape va dpendre l'efficacit du systme et, surtout, son interprtabilit.

27 Prenons par exemple une pice dans laquelle la lumire ne s'allume plus, cette constatation sera donc le symptme et une origine serait l'ampoule ne fonctionne plus. Si l'ampoule est rparable, le symptme sera : ampoule ne fonctionne plus et une origine pourrait tre : filament cass. On met ainsi en vidence la notion de point de vue dans l'analyse pour l'acquisition du modle 29 On rencontre souvent en littrature les termes classification ou discrimination associs au domaine de la reconnaissance des formes.

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 81

d.2

Prise en compte de l'incertain

Dans les activits de surveillance et de diagnostic, les imprcisions et les incertitudes interviennent diffrents niveaux. Un systme de diagnostic qui se veut efficace se doit donc de les prendre en compte. Nous avons vu que plusieurs solutions sont proposes dans la littrature. Les rseaux neuronaux par exemple de par leur nature mme permettent de traiter des donnes bruites ou incompltes. De plus, la plupart des rseaux rendent galement compte des incertitudes part la valeur de la sortie du rseau qui correspond une valeur qui peut tre comprise entre 0 et 1 en fonction de l'appartenance du vecteur d'entre une classe. Avec les rseaux de Petri partiellement stochastiques, on trouve des algorithmes qui permettent d'associer une vraisemblance une trajectoire du rseau et constituent donc un modle probabiliste. Associes aux graphes causaux, les probabilits constituent les rseaux Baysiens, ce qui permet la prise en compte des incertitudes. Cependant, comme pour les rseaux de Petri stochastiques, les algorithmes associs aux rseaux Baysiens sont souvent coteux en terme de ressources et donc difficilement applicables au diagnostic. La logique floue tient une place un peu particulire en ce qui concerne la prise en compte de l'incertain. En effet, en plus des systmes bass uniquement sur la logique floue comme la reconnaissance floue de forme, il est frquent qu'elle soit associe d'autres outils pour introduire la prise en compte des incertitudes et des imprcisions sur le systme diagnostiquer. On trouve par exemple les rseaux neuro-flous pour lesquels elle fournit une meilleure interprtabilit des rsultats tout comme pour les systmes d'aide la dcision utilisant la logique floue. Elle est galement introduite en extension des rseaux de Petri pour la prise en compte de l'incertitude et, enfin, dans les mthodes base de modle explicatifs, elle permet d'introduire des niveaux de certitude sur les liens entre des dysfonctionnements et leurs symptmes associs introduisant ainsi l'imprcision sur les donnes au cur mme du raisonnement la base du diagnostic. Elle apparat donc comme indispensable tout systme de diagnostic.
d.3 Gnricit des outils

Comme nous l'avons vu, l'acquisition du modle est une tche complexe, de plus le diagnostic ncessite des connaissances qui sont le plus souvent propres aux systmes considrs et ncessite donc une bonne expertise du systme en particulier pour les mthodes de reconnaissance. En effet, pour ces mthodes, il est difficile de mesurer l'impact d'une modification du systme sur l'ensemble de l'expertise. Ce problme se retrouve galement pour les mthodes base de modles explicatifs. A plusieurs reprises, les rseaux de Petri sont mis en avant pour leur capacit de modlisation. Ils permettent par exemple d'obtenir un modle global du systme par composition de modles lmentaires et limitent ainsi les rpercussions d'une modification du systme. Ils permettent galement des modlisations qui s'appuient sur des expertises dj ralises comme les arbres de dfaillances par exemple. Cependant, les connaissances ncessaires la construction de tout modle pour le diagnostic sont propres aux systmes diagnostiquer, il semble donc plus pertinent de fournir une mthode gnrique pour la construction du modle. Cette mthode pouvant utiliser les connaissances sur le systme pour la construction du modle et ce quel qu'il soit. La gnricit des outils passe donc plus par leur exploitation pour l'obtention d'un modle que par le modle construit lui-mme.

page 82

d.4

Validation des rsultats

Le diagnostic doit fournir une explication aux diffrents tats de panne du systme, une premire solution consiste donc confronter le diagnostic avec un retour d'exprience s'il est disponible. Se pose alors le problme des pannes ventuelles qui ne sont encore jamais survenues sur le systme. En effet, il peut tre dangereux de fournir une explication dans tous les cas si les pannes sont encore inconnues dans l'historique du systme et que les connaissances lies ces pannes sont trop incompltes. La confrontation des diagnostics ceux mis par les experts et les oprateurs de conduite est une des solutions les plus couramment employes (Basseville et al., 1996).

3.4 CONCLUSION ET SYNTHESE


Comme nous lavons montr dans les paragraphes prcdents, la tendance industrielle actuelle en matire dautomatismes et dquipements industriels nous mne vers des systmes mcatroniques de plus en plus complexes, travaillant dans un environnement incertain, volutif, correspondant une recherche permanente damlioration, doptimisation et de productivit. Dans ce contexte, lutilisation des techniques de surveillance avec modles semble de plus en plus difficile et coteuse, en offrant des performances de moins en moins satisfaisantes. En plus, la surveillance base de modle du systme est souvent opre hors ligne, empchant ainsi des traitements en temps rel de linformation, une exigence de plus en plus prsente chez les industriels. En revanche, lIntelligence Artificielle offre des outils totalement dcoupls de la structure du systme, ne ncessitant pas la modlisation pralable de ce dernier et permettant un suivi temps rel de son volution. Par ailleurs, le raisonnement en ligne fait que lapproche de lIntelligence Artificielle est plus robuste des changements de modes opratoires, comme pour les systmes ayant plusieurs configurations ou tant obligs de changer rgulirement de configuration. Cette approche savre par consquent volutive. Lapproche de surveillance par IA, munie des notions de rejet (dambigut et de distance) et de la possibilit dadaptation, s'est montre trs performante pour rsoudre des problmes de surveillance industrielle. Les systmes de surveillance utilisant des techniques de lIntelligence Artificielle peuvent donc reprsenter dexcellents systmes daide la dcision pour lexpert humain. Ceci tant, un des aspects fondamentaux de cette approche de surveillance nous semble assez peu abord dans la littrature : il sagit de laspect diagnostic, avec une de ses fonctions fondamentales : la recherche de la cause dune dfaillance. Cest par consquent sur cette problmatique faisant partie de la maintenance proactive tendance marque dans lvolution de la maintenance des annes venir , que nous avons souhait apporter une partie de notre contribution.

Chapitre 3 Problmatique scientifique : Surveillance Intelligente

page 83

SURVEILLANCE par INTELLIGENCE ARTIFICIELLE

Surveillance / Surveillance dynamique Dtection de dfauts/dgradations (symptmes, alarmes)


Rseaux de neurones dynamiques RRFR/RRBF

Diagnostic / Pronostic

Dtection dynamique Dtection IA dynamique par IA


( i lli )

Localisation dfaillance / dgradation


Rseaux de Petri Flous pour la Surveillance RdPFS Systmes Neuro-Flous daide au diagnostic NF
Sujet propos en 2002 Thse de N. Palluat

Sujet propos en 2000 Thse de R. Zemouri soutenue en 2003

Identification de la cause

Outils intelligents de Diagnostic de Outils intelligentset Pronostic diagnostic/pronostic

Sujet propos en 2001 Thse de E. Minca soutenue en 2004

Rseaux de Petri Flous pour le Diagnostic RdPFD

Sujet propos en 2002 Thse de A. Ghernaut

Figure 30.

Thmatiques de recherches abordes. Positionnement des travaux de recherche co-dirigs par rapport aux problmatiques de la surveillance

En effet, dans la plupart des techniques de surveillance par reconnaissances de formes, on recherche des cas similaires aux nouveaux cas rencontrs lors de la surveillance temps rel , afin de retrouver par rapport aux cas mmoriss, lensemble de son historique et den profiter pour en extraire des lments daide pour le nouveau cas (diagnostic probable, inspir des rsultats du diagnostic prcdent). Cette approche (correspondant au principe du raisonnement base de cas) se prte une base de donnes complte, presque exhaustive, dans laquelle en plus, une correspondance bijective est possible entre les symptmes observs et lorigine de la dfaillance. Cette configuration existe rarement dans les applications industrielles relles. Mise part des informations souvent incertaines ou incompltes avec lesquelles les responsables de maintenance sont obligs de travailler, le diagnostic industriel dun systme mcatronique complexe est souvent un tche trs difficile, dans laquelle on ne peut tout simplement copier les expriences du pass, telles quelles sont dj apparues. Cette remarque est dautant plus vidente lorsque lhistorique du systme est trs faible ou inexistant, dans le cas par exemple dun quipement nouveau ou peu connu. Les arguments prcdents font que nous avons orient naturellement nos recherches vers les techniques de surveillance par modlisation symbolique / intelligence artificielle en abordant deux aspects fondamentaux :
La dtection dynamique des dfaillances / dgradations et Laide au diagnostic / pronostic

Les techniques de dtection dynamique de dgradations/dfaillances font appel des mthodes de reconnaissances de formes, que nous avons dveloppes pour le traitement dynamique des informations. Dans ce cadre, nous proposons des rseaux de neurones dynamiques dun type nouveau, permettant une approche locale spcifique la surveillance et une prise en compte de laspect dynamique des informations. En ce qui concerne laide au diagnostic et au pronostic, le rle central de notre point de vue est jou par la recherche de la cause de la dfaillance ou de la dgradation. Ce volet de la surveillance ne peut pas tre trait par les techniques de reconnaissances de formes et ncessite lutilisation de modles explicatifs.

page 84

Mthodes de surveillance

Mthodes avec modle

Mthodes en labsence du modle du procd

Modlisation fonctionnelle et matrielle Industrie

Modlisation physique Automatique

Outils statistiques Traitement du Signal

Modles symboliques Intelligence Artificielle

Aide au diagnostic

Mthodes base de modles comportementaux (modlisation/simulation) Alarmes simples

Mthodes de reconnaissance de formes (apprentissage/reconnaissance)

Mthodes base de Mthodes base de modles explicatifs modles explicatifs (analyse causale des dfaillances) (analyse causale des dfaillances)

Alarmes intelligentes

Rseaux de neurones dynamiques RRFR/RRBF Rseaux de Petri flous RdPFD Diagnostic et Pronostic
Sujet propos en 2002 Thse de N. Palluat Sujet propos en 2002 Thse de A. Ghernaut

Sujet propos en 2000 Thse de R. Zemouri soutenue en 2003 Sujet propos en 2001 Thse de E. Minca soutenue en 2004

Surveillance dynamique et pronostic Rseaux de Petri flous RdPFS Surveillance dynamique et pronostic

Systme Neuro-flou Diagnostic et Pronostic

Figure 31.

Positionnement de travaux co-encadrs par rapport aux diffrents outils de lIntelligence Artificielle

Dans ce sens, nous nous sommes intresss la modlisation de la propagation des dfauts et la dmarche de recherche de cause laide des rseaux de Petri flous, afin de dvelopper et tester par la suite des outils neuro-flous. Ces derniers sont capables (grce la logique floue) de prendre en compte aussi bien lexprience humaine et lincertain sous la forme de rgles de propagation de dfauts ou rgles de recherche de cause, ainsi que de prendre en compte (grce sa composante neuronale) la notion dapprentissage et ladaptation un contexte de surveillance volutif. Dans le chapitre suivant, nous commenons par prsenter nos premires recherches, concernant ltude dun rseau de neurones pour la surveillance dynamique.

. . .

Chapitre 4 - Surveillance Dynamique par Rseaux de Neurones Rcurrents


4.1 INTRODUCTION
Les rseaux de neurones peuvent fournir une solution intressante pour des problmatiques de surveillance dquipements industriels. En effet, leur utilisation ne ncessite pas lexistence dune modlisation formelle de cet quipement. Par ailleurs, leurs capacits de mmorisation, dapprentissage, dadaptation et le paralllisme du calcul reprsentent des fonctions trs utiles tout systme de surveillance autonome. Les techniques de surveillance par rseaux de neurones sont fondes sur lexistence dune base de donnes dapprentissage et non sur lexistence dun modle formel ou fonctionnel de lquipement. Le principe dune telle application est de trouver une relation entre une (des) variable(s) dentre et une (des) variable(s) de sortie. Les variables dentre peuvent tre quantifiables (sorties capteurs) ou qualifiables (observations faites par loprateur). A partir de ces variables dentre, le rseau de neurones donne une rponse caractrise par deux types de variables de sortie. Des variables de sortie relles qui peuvent reprsenter une sortie estime dun paramtre de surveillance, ou des variables de sortie catgorielles qui reprsentent ltat de fonctionnement de lquipement. Selon la nature des donnes en sortie, il existe deux types dapplications. Le premier type est une application dapproximation de fonctions, qui consiste estimer une sortie mesure de lquipement. Dans ce cas, les rseaux de neurones sont utiliss en tant quapproximateur universel et fournissent un modle sous la forme dune bote noire du systme. Ceci nest autre que de lidentification des processus industriels. Comme pour les mthodes base de modle, dcrites au chapitre prcdent, la comparaison de la sortie du rseau de neurones avec celle du systme rel donne un rsidu qui servira dterminer si le systme est dans un tat dfaillant ou pas. Le deuxime type dapplication considre le problme de la surveillance comme un problme de reconnaissance des formes29. La forme reconnatre est caractrise par lensemble des donnes (quantifiables et ou qualifiables) et les classes dappartenance reprsentant les diffrents modes (de fonctionnement ou de dysfonctionnement). Le rseau de neurones doit nous fournir une rponse qui nous renseigne sur ltat de fonctionnement de lquipement. Il assure la fonction de dtection (fonctionnement normal ou pas), sous la forme dune dtection intelligente (reconnatre un mode de dfaillance) qui ne reprsente pas selon les dfinitions que nous avons retenues au chapitre prcdent proprement parler un diagnostic mais qui peut faciliter sa mise en uvre ultrieure, en prcisant la classe de symptmes. La figure ci-dessous illustre les deux types dapplications. Les avantages les plus importants que lon peut donc attribuer une application de surveillance par rseaux de neurones sont :
La modlisation et lestimation de fonctions non linaires par apprentissage La fusion de donnes et le paralllisme

page 86

La gnralisation et reconstruction des signaux capteurs


Donnes quantifiables Donnes quantifiables
x(t)

I1

Donnes qualifiables

I2 I3 Rseau de neurones

Donnes de sortie

t
Identification de processus Reconnaissance de forme Mode nominal Mode dgrad Mode de dfaillance 1

Procd industriel

Donnes qualifiables

Figure 32.

Application des rseaux de neurones en surveillance.

En prenant en considration les caractristiques souhaitables dun systme de surveillance dynamique, nous avons not dans le chapitre prcdent que la flexibilit occupe une place importante. Dans cet objectif, parmi les structures classiques de rseaux de neurones statiques, le rseau de neurones fonctions de base radiales RFR (RBF - radial basis function) semble de loin le plus efficace. En effet, son approche locale (due la prsence des gaussiennes en tant que fonctions dactivation) est dun grand intrt pour la surveillance. Ceci permet ce type de structures de dvelopper un apprentissage dynamique, en signalant les modes encore inconnus (lment fondamental en surveillance) et incluant ventuellement ces nouveaux modes, sans tre oblig pour autant doublier tout ce qui a t appris prcdemment. Un autre problme dune grande importance dans la surveillance industrielle, est constitu par la possibilit deffectuer une dtection des fausses alarmes et ventuellement de prdire une dfaillance. Ces problmatiques rentrent dans le cadre de la surveillance dynamique, mthode permettant terme de sorienter vers le concept de maintenance proactive et, plus particulirement, vers le pronostic. Dans ce contexte, nos travaux se sont orients vers les rseaux de neurones temporels et plus prcisment les rseaux de neurones dynamiques rcurrents. Un tat de lart du domaine a ainsi t effectu, en focalisant trs rapidement vers la catgorie des rseaux de neurones rcurrents, la classe de rseaux temporels prsentant une adquation prononce avec le domaine dapplication vis la surveillance dynamique. A partir de ce constat, nos efforts de recherche se sont concentr sur la conception et la mise en uvre dune structure neuronale dynamique rcurrente, faisant appel une approche rcurrente locale (Localement Rcurrentes Globalement Feedforward LRGF) et aux fonctions gaussiennes, trs efficaces dans la surveillance statique. Nous avons ainsi propos un concept nouveau le Rseau Rcurrent Fonctions de base Radiales RRFR (RRBF-Recurrent Radial Basis Function). Ce chapitre est structur en quatre parties. La premire sera ddie une brve prsentation des concepts fondamentaux lis aux rseaux de neurones, comme lapprentissage et la gnralisation. La deuxime partie prsente un aperu des principales contributions dans la surveillance et surveillance dynamique par rseaux de neurones. Un tat de lart synthtique sera ensuite introduit en troisime partie, pour finir avec lintroduction de notre nouvel outil neuronal rcurrent le RRFR.

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 87

4.2 PROPRIETES FONDAMENTALES DES RESEAUX DE NEURONES


ARTIFICIELS
Dans ce paragraphe, nous nous proposons dintroduire brivement les proprits les plus importantes des rseaux de neurones artificiels, proprits auxquelles nous allons faire rfrence tout au long de notre tude. Lensemble des rfrences bibliographiques tudies, ainsi quun rsum tendu des diffrentes structures avec les techniques dapprentissage correspondantes peuvent tre consultes dans (Zemouri, 2003).

4.2.1 APPRENTISSAGE ET MEMOIRE


Lune des caractristiques les plus complexes du fonctionnement de notre cerveau est bien la phase dapprentissage. Cest une phase au bout de laquelle certaines modifications soprent entre les connexions des neurones : certaines sont renforces et dautres affaiblies ou carrment inhibitrices. Le cerveau converge alors vers un comportement souhait : par exemple lapprentissage dune langue, ou encore lapprentissage par un enfant reconnatre son environnement. Ceci nous emmne la notion de mmoire qui donne au cerveau la capacit de retrouver des expriences passes. Le cerveau possde plusieurs types de mmoires. Nous ne nous attarderons pas sur ces diffrents types de mmoires mais ce que nous pouvons retenir cest que le cerveau humain procde par association. Cela permet par exemple de retrouver une information partir dlments incomplets ou imprcis (bruits). Par exemple, le fait de voir un bout dune photographie quon connat dj est suffisant pour que notre cerveau soit capable de la reconnatre. Dans le paragraphe suivant, nous dtaillerons davantage cette importante caractristique des rseaux de neurones artificiels, plus connue comme capacit de gnralisation. Le mcanisme de lassociation permet aussi au cerveau de converger vers un tat partir dun autre tat. Par exemple, le fait de passer devant une boulangerie nous fait rappeler quon devait acheter du pain. Cette deuxime importante caractristique est aussi connue sous le nom de mmoire adresse par le contenu, dont le modle de Hopfield sen inspire. Par analogie avec les rseaux de neurones biologiques, les rseaux de neurones artificiels tentent de reproduire les caractristiques les plus importantes du comportement biologique, savoir lapprentissage, la gnralisation et lassociation. Lapprentissage des rseaux de neurones artificiels est une phase qui permet de dterminer ou de modifier les paramtres du rseau, afin dadopter un comportement dsir. Plusieurs algorithmes dapprentissage ont t dvelopps depuis la premire rgle dapprentissage de Hebb (1949). Ces algorithmes dapprentissage sont classs en deux catgories : supervis et non supervis. Dans lapprentissage supervis, un superviseur (ou expert humain) fournit une valeur ou un vecteur de sortie (appel cible ou sortie dsire) que le rseau de neurones doit associer au vecteur dentre. Lapprentissage consiste dans ce cas modifier les paramtres du rseau de neurones afin de minimiser lerreur entre la sortie cible et la sortie relle du rseau de neurones. Dans lapprentissage non supervis, les donnes ne contiennent pas dinformations sur une sortie dsire. Il ny a pas de superviseur. Il sagit de dterminer les paramtres du rseau de neurones suivant un critre dfinir (fonction dnergie minimiser/maximiser).

page 88

4.2.2 SOUS-APPRENTISSAGE, GENERALISATION ET SUR-APPRENTISSAGE


La capacit de gnralisation est une raison de base qui motive ltude et le dveloppement des rseaux de neurones artificiels. Elle peut tre dfinie par la capacit dlargir les connaissances acquises aprs apprentissage des donnes nouvellement rencontres par le rseau de neurones. Cest de cette faon que les rseaux de neurones sont capables dapproximer une fonction uniquement partir dune partie des donnes, ou encore dassocier un vecteur dentre qui na pas fait lobjet dun apprentissage, une classe. On peut distinguer deux types de gnralisation : locale et globale. Dans lapproche locale, chaque neurone est associ une rgion dactivation (rgion dinfluence) localise dans lespace des donnes. Seule une partie des neurones participe donc la rponse du rseau. Deux types darchitectures neuronales possdent cette particularit : les Rseaux base de Fonctions Radiales et la carte de Kohonen. Par contre, dans lapproche globale, lensemble des neurones du rseau participe llaboration de la sortie du rseau. Linformation est donc distribue dans le rseau tout entier. Cest le cas des rseaux de neurones de type Perceptron Multi Couches ou le modle de Hopfield. Lapproche globale est suppose plus robuste aux pannes ventuelles de quelques neurones isols. Par ailleurs, lors dun apprentissage incrmental, des problmes dinterfrences catastrophiques peuvent apparatre : la modification des paramtres dun neurone a des rpercussions sur lensemble de la fonction modlise par le rseau. Des rgions de lespace des donnes loignes de la rgion de la donne mmoriser risquent dtre perturbes. En dautres termes, tandis que le rseau apprend dans une rgion de lespace des donnes, le modle peut oublier ce quil a appris dans dautres rgions. La figure ci-dessous illustre la diffrence de gnralisation entre les deux architectures neuronales caractrises par les deux fonctions dactivation (locale pour le RFR et globale pour le PMC) :
, vecteurs dapprentissage , vecteurs ne faisant pas partie de la base dapprentissage Vecteur associ aucune classe

Vecteur associ la Classe A

X2

X2

Classe A Classe B

Vecteur associ la Classe B

Classe A Classe B

Vecteur associ aucune classe

X1

X1

Figure 33.

Diffrence des capacits de gnralisation entre le PMC (a) et les RFR (b).

La capacit de gnralisation est trs lie la notion de surapprentissage30. Ces deux caractristiques sont compltement antagonistes. On parle de sur-apprentissage quand le rseau a trop parfaitement appris les exemples proposs. Il sera donc incapable de gnraliser.
30

Over-fitting en anglais.

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 89

Un indicateur utilis pour tudier ce phnomne est la mesure de complexit k du systme d'apprentissage (indicateur li la taille du rseau de neurones). En pratique, on calcule alors la moyenne des erreurs quadratiques - appele erreur base apprentissage sur lensemble A de donnes dapprentissage, et - erreur base test - sur lensemble T de donnes de test (diffrent de celui dapprentissage). Plus on agrandit lensemble A, plus lerreur base apprentissage diminue, plus lerreur base test augmente, ce qui implique la perte des capacits de gnralisation. La figure suivante illustre clairement ce compromis entre surapprentissage, sous-apprentissage et bonne gnralisation.
Sous Bonne apprentissage Gnralisation Erreur moyenne Sur apprentissage Base test

Base apprentissage

Complexit k du modle k optimal

Figure 34.

Complexit dun rseau de neurones.

4.3 UTILISATION DES RESEAUX DE NEURONES POUR LA


SURVEILLANCE INDUSTRIELLE
Ce paragraphe traite de manire non exhaustive quelques travaux sur les applications de surveillance industrielle. Dautres rfrences non cites dans cette partie peuvent tre trouves dans (Koivo, 1994), (Bernauer, 1996), (Dubuisson et al., 2001). A titre dexemple, un travail de synthse de Koivo (1994) prsente les architectures neuronales statiques les plus utilises en surveillance industrielle, avec des rsultats pratiques dans des applications statiques et dynamiques. Trois types de rseaux de neurones ont t tests : le Perceptron Multi Couche (PMC), le Rseau Fonctions de base Radiales (RFR) et la carte de Kohonen. Les deux premiers donnent dassez bons rsultats en classification et en identification de processus. Les RFR peuvent se montrer plus performants que les PMC condition de dterminer judicieusement leurs paramtres. Par contre, le rseau de Kohonen nest pas aussi performant que les deux premiers mais ses capacits dauto-adaptation (apprentissage non supervis) sont trs apprcies. Lauteur insiste dans sa conclusion sur la pertinence du choix du type de rseaux de neurones en fonction de lapplication. Nous introduisons par la suite quelques repres supplmentaires concernant lutilisation de rseaux de neurones en surveillance, en abordant trois catgories dapplications : lapproximation de fonction pour la prdiction, la classification (discrimination) et la surveillance dynamique.

4.3.1 APPROXIMATION DE FONCTIONS ET PREDICTION PAR RN


La relation entres-sorties dun rseau de neurones a pour objet la reconstruction dune variable relle utile une dcision ultrieure. Les rseaux de neurones sont dans ce cas

page 90

utiliss comme un approximateur de fonctions non linaires liant les variables de sortie aux variables dentre du systme industriel. Ils reprsentent donc une bote noire non linaire modlisant le systme. Cette bote noire peut tre dynamique ou statique, selon la nature du rseau de neurones (rseaux de neurones temporels ou statiques). Lavantage dune telle technique de modlisation est quaucune connaissance (mathmatique, physique ou autre) du systme modliser nest ncessaire. Le rseau de neurones intgre implicitement ces connaissances travers le processus dapprentissage. La russite dune telle technique de modlisation est donc tributaire du processus dapprentissage. Les travaux prsents par (Bhme et al., 1999) constituent une application trs intressante de dtection et localisation des dfauts capteurs dune centrale dpuration hydraulique. Ceci est effectu par la reconstruction des signaux capteurs avec une comparaison de deux architectures neuronales : le Perceptron Multi Couches compar la carte de Kohonen. Le PMC est constitu de cinq couches, six neurones dentre et six neurones de sortie. Son objectif est de reconstituer six mesures de six sorties capteurs aprs un apprentissage par rtropropagation. Dans ce cas, ce rseau peut donc tre considr comme une mmoire auto associative. La dtection ainsi que la localisation sont effectues aprs une phase de comparaison avec seuillage de la sortie estime avec la sortie relle du capteur. Cette mmoire auto associative est donc compare la carte de Kohonen appele carte topologique auto adaptative. Cette carte contient 15*15 neurones avec un vecteur dentre de 6 neurones (dimension de lensemble des sorties capteurs). Chaque neurone de la carte est caractris par un prototype et un paramtre dfinissant le rayon dinfluence, dtermins par le processus dapprentissage non supervis. Pour chaque vecteur dentre, la rponse est donne par un neurone gagnant qui correspond celui dont la rponse de la fonction gaussienne est la plus importante. Daprs la conclusion des auteurs, les deux techniques ont des performances similaires. Ces rseaux ont t tests sur deux types de fautes isoles et une succession de deux fautes. La carte de Kohonen se montre plus rapide pour la dtection et lidentification du capteur dfaillant. La technique devient insignifiante si plus de 50% des variables dentre sont errones. Une autre application de surveillance dun moteur utilisant le mme principe est prsente dans (Petsche et al., 1996). Un Perceptron trois couches utilis comme mmoire auto associative sert reconstituer le spectre du courant lectrique. Aprs un apprentissage par lalgorithme de rtropropagation, la sortie de la mmoire auto associative est compare celle du spectre original. Tout cart suprieur un seuil est synonyme de dfaillance. Dans (Vemuri et al., 1997), (Vemuri et al., 1998) les rseaux de neurones ont t utiliss comme outils complmentaires la modlisation dun manipulateur robot. Un Perceptron trois couches sert estimer une fonction inconnue du modle mathmatique de fonctionnement du robot. Cette fonction reprsente des perturbations (dfaillances) du manipulateur. Lapprentissage des paramtres du rseau seffectue squentiellement. La dtection dune dfaillance se traduit par une gnration de rsidus. La variable de sortie du modle de fonctionnement nominal (valeur estime) est compare celle mesure sur le robot. Loriginalit de cette application se situe dans la modlisation non-linaire du fonctionnement du manipulateur o les dfaillances sont une fonction du temps, contrairement aux autres mthodes classiques o les modles sont linaires avec des dfaillances additives. Dans (Lopes et al., 1999) deux PMC trois couches sont utiliss pour une application destimation et de prdiction de la qualit des pices qui sortent dun moule injection. Un PMC sert prdire (reconnatre) la classe reprsentant la qualit de ces pices, et un autre PMC pour quantifier cette qualit. Les deux rseaux ont t appris par rtropropagation (1000 itrations pour le premier et 6000 pour le deuxime).

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 91

4.3.2 CLASSIFICATION OU DISCRIMINATION PAR RN


Lors de la mise en place dun systme de surveillance par reconnaissance des formes, lexpert est cens connatre les modes de bon fonctionnement et certains des modes de dfaillances. Une grande partie des modes de bon fonctionnement est gnralement fournie par les donnes du constructeur de lquipement. Par contre, les informations concernant les modes de dfaillance peuvent provenir de deux origines diffrentes : soit fournies par le constructeur ou par le bureau des tudes, soit collectes en cours de fonctionnement de lquipement. Ces connaissances sont emmagasines dans un historique de fonctionnement qui contient des informations sur les situations de dysfonctionnement dun quipement. Les informations contenues dans lhistorique de fonctionnement reprsentent la base dapprentissage supervis du rseau de neurones. La russite dune telle application est donc tributaire de la qualit des informations contenues dans lhistorique de fonctionnement. Les variables d'entre peuvent tre constitues par les diffrents paramtres mesurs sur le procd. On cherche associer un mode de fonctionnement (fonctionnement nominal, dgrad, ) ces variables d'entre. Les variables de sortie sont alors des variables catgorielles, o chaque catgorie reprsente un mode de fonctionnement. Dans lapplication dcrite dans (Terstyanszky et al., 2002) un rseau RFR est ainsi utilis pour la surveillance dun vhicule mobile autonome (AMV : Autonomous Mobile Vehicle). Le rseau de neurones associe cinq modes de dfaillance neuf variables mesures en entre. Les auteurs mettent en vidence les capacits du rseau RFR reconnatre des nouvelles situations jusqualors non apprises. Cette capacit de gnralisation locale des rseaux RFR est souvent apprcie dans les applications de surveillance industrielle. Un autre exemple dapplication des rseaux de neurones en surveillance par reconnaissance des formes est prsent dans (Keller et al., 1994). Les auteurs ont utilis deux rseaux de neurones pour la surveillance de lenvironnement : le premier rseau de neurones de type PMC a pour but didentifier et de quantifier les vapeurs chimiques de lair. Le rseau de neurones associe neuf classes de sortie (huit classes reprsentant huit gazes mnagers et une classe de rejet en distance) une signature de douze capteurs (neuf capteurs de gazes, un capteur de dhumidit et deux capteurs de temprature). Lapprentissage du rseau trois couches (12 neurones dentre, 6 neurones cachs et 9 neurones de sortie) par lalgorithme de rtropropagation reste tout de mme assez gourmand en temps (15000 itrations). Le deuxime rseau de neurones permet didentifier et de quantifier un certain nombre disotopes radioactifs partir des capteurs de radiations. Les auteurs ont utilis une mmoire associative linaire31 deux couches : une couche dentre de 512 neurones et une couche de sortie de 8 neurones. Chaque neurone dentre est excit par lamplitude dune frquence parmi les 512 frquences dun spectre de rayons gamma. Lavantage dune telle application est de donner une rponse sur le type et la proportion disotopes contenue dans un objet et ceci en prenant en compte lensemble des frquences du spectre. Cette proprit de fusion de donnes reprsente galement un atout non ngligeable pour les applications de surveillance par rseaux de neurones (Hashem et al., 1995). On peut trouver galement dans (Wu et al., 1994) et (Meador et al., 1991) une application de surveillance de circuits intgrs par reconnaissance des formes. Les auteurs ont compar les performances dun PMC face deux techniques de classification : lestimateur gaussien avec le maximum dappartenance et lestimateur des k plus proches voisins. Les rsultats de cette application semblent tre plus favorables au PMC. La raison
31

Rseau de neurones dans lequel tous les neurones ont une fonction dactivation linaire.

page 92

principale de ce rsultat est que le PMC tend vers une structure qui minimise lerreur quadratique moyenne lors du processus dapprentissage. Cette caractristique dmarque lutilisation des rseaux de neurones dans les problmes de classification, dautant plus que la procdure de calcul de la matrice de covariance de lestimateur gaussien peut savrer trs complexe. Le seul point ngatif relev par les auteurs est la lourdeur du temps dapprentissage du Perceptron Multi Couches. (Hines et al., 1995) ont publi un travail assez original sur la surveillance des quipements dnergie nuclaire. Leur mthode est base sur une technique hybride qui combine mthode analytique base de modle de lquipement et technique neuronale qui permet didentifier la dfaillance partir des rsidus obtenus par les techniques classiques de gnrations de rsidus. Le rseau de neurones utilis est un rseau trois couches. Le nombre des neurones en entre du rseau est donc gal au nombre de rsidus. Chaque neurone de sortie reprsente une classe de fonctionnement (mode de fonctionnement de lquipement). Les auteurs semblent hsiter entre deux types darchitectures neuronales : le Perceptron Multi Couches et le Rseau Fonctions de bases Radiales. Le PMC est considr comme une mthode de discrimination non-linaire; par contre, le RFR ne couvre quune partie de son espace de donnes en fonction de ce quil a appris. Ce rseau est donc capable de dire je ne sais pas , contrairement au PMC qui peut mal classer un mode nouvellement rencontr et induire ainsi lexpert en erreur. Les auteurs ont tout de mme choisi le PMC, malgr les arguments prcdemment voqus. La raison essentielle de leur choix est que leur base de connaissance (base dapprentissage) tait assez exhaustive pour couvrir la quasi-totalit de lespace des donnes dentre. Cette technique hybride semble donner des rsultats assez satisfaisants. Lintrt majeur des rseaux de neurones dans cette application par rapport aux autres mthodes classiques de dtection des dfaillances, concerne la rsolution du problme de la redondance des alarmes. Une autre application de surveillance par reconnaissance de formes concerne un problme dhypovigilance dun conducteur (Hernandez, 1999). Les auteurs ont utilis deux techniques hybrides : la technique des Ensembles Flous Multidimensionnels32 et la technique des Rseaux de neurones base de Fonctions Radiales Gnraliss33. Le problme consiste associer des modes de conduite (normal, fatigue, alcool et inattention) un ensemble de sorties capteurs. Ce problme devient trs complexe si lon souhaite modliser le comportement du conducteur. Les techniques de lIA sont donc indispensables dans une telle situation o les connaissances du systme sont trs minimes. Le traitement des chevauchements des classes de la base dapprentissage (base de donnes superposes) est lune des raisons du choix des auteurs pour les deux outils cits prcdemment. Un test de chevauchement et dcision finale permet de quantifier la proportion du chevauchement des classes de sortie. Les performances des deux techniques (EFM et RFRG) semblent tre identiques avec un taux de russite compris entre 78% et 90%.

4.3.3 SURVEILLANCE DYNAMIQUE PAR RN


Les applications prcdentes montrent que les rseaux de neurones peuvent fournir des solutions trs intressantes pour les problmes de surveillance sans modle. Toutefois, un aspect fort important na pas encore t abord jusque l, savoir la dynamique du systme surveiller. En effet, toutes les applications prsentes ne traitent que laspect statique des donnes capteurs. Ce type de traitement ne permet pas dapprendre la dynamique dun
32 33

Multidimensional Fuzzy Sets Generalized Radial Basis Functions

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 93

signal capteur afin de prdire une dfaillance, ni mme dapprendre des squences de fonctionnement dun systme vnements discrets. Les rseaux de neurones temporels offrent cette possibilit de prise en compte de laspect temporel des donnes. Nous pouvons citer quelques travaux de surveillance par reconnaissance des formes avec rseaux de neurones temporels. Les travaux prsents dans (Bernauer et al., 1993) et (Demmou et al., 1995) traitent dun problme de surveillance dune cellule flexible dassemblage. Un rseau de neurones rcurrents permet dapprendre des squences temporelles boolennes qui reprsentent des gammes de bon fonctionnement. Aprs une phase dapprentissage assez complexe, le rseau est capable de dtecter des situations de dfaillance systme et de localiser lorigine de la dfaillance. Larticle prsent par (Rengaswamy et al., 1995) constitue une autre application trs intressante des rseaux de neurones pour la surveillance dynamique dune unit de craquage catalytique fluide (FCCU34). Un Perceptron trois couches permet de prendre en compte lvolution temporelle des signaux capteurs. 21 dfaillances sont associes aux variations de 7 sorties capteurs. Le diagnostic seffectue grce une base de connaissance sous forme dun arbre de dfaillance reliant les effets constats sur le systme aux causes potentielles (les 21 dfaillances du systme). Les effets constats sur le systme sont caractriss par le type dvolution des sorties capteurs (brusque changement, volution exponentielle, faible palier de dgradation, important palier de dgradation, etc.). Cette classification des signaux en fonction de leur volution est effectue par des rseaux de neurones trois couches, un rseau par signal capteur. Laspect temporel des signaux est pris en compte par cinq neurones dentre. Chaque neurone dentre reprsente une rponse dun capteur pris diffrents intervalles de temps (x(t),..x(t-4)). Chaque neurone de la couche de sortie reprsente la classe du type dvolution du signal. Le rseau est capable de distinguer sept classes diffrentes appeles primitives : trois droites (horizontale, croissante et dcroissante) et quatre courbes (deux croissantes -convexe et concave- et deux dcroissantes -convexe et concave-). Lapprentissage de 100 formes par lalgorithme de rtropropagation a ncessit prs de 5000 itrations. La technique a t teste sur 63 cas de dfaillances avec, pour chaque dfaillance, trois degrs de svrit. La technique semble donner de bons rsultats, par contre aucun degr de svrit na pu tre estim. Les rseaux de neurones peuvent aussi tre des outils assez efficaces pour des applications de prdiction ou pronostic o laspect dynamique (temporel) joue un rle trs important. Les rsultats prsents dans (Chang et al., 2001) semblent tre trs prometteurs pour des applications de prdiction neuronale des systmes non-linaires. Les auteurs ont appliqu un rseau RFR avec une fentre temporelle pour la prdiction des inondations dun important fleuve situ Taiwan sur un horizon de trois heures. Les paramtres du rseau sont dtermin en deux phases : une phase non supervise avec lalgorithme Fuzzy Min-Max, et une phase supervise avec la mthode de rgression linaire. Le rseau donne dassez bons rsultats sur plusieurs points tests. Nous pouvons encore citer les travaux de (Freitas et al., 1999) pour la dtection des dfaillances dun actionneur pneumatique. Le principe de la mthode consiste comparer la sortie estime avec celle du systme rel. Aprs avoir intgr le rsultat de la comparaison, le signal de sortie du systme et le signal de commande, un PMC a pour rle de reconnatre les modes de fonctionnement partir de ces trois derniers signaux. Lestimation de la sortie de lactionneur est assure par un rseau de neurones rcurrent (dynamique). Lestimation dun tel systme peut tre trs complexe avec dautres outils mathmatiques classiques car le systme est non seulement non linaire mais loin dtre priodique. La modlisation se fait par apprentissage. Notons que les rseaux de neurones statiques sont incapables de modliser un tel systme.
34

Fluidized Catalytic Cracking Unit

page 94

4.4 REPRESENTATION DU TEMPS DANS LES RESEAUX DE


NEURONES
Certaines fonctions de la surveillance industrielle, telle que la dtection prdictive qui consiste reconnatre le type de dgradation en fonction de lvolution dun signal (Zemouri et al., 2003b) et aussi liminer les fausses alarmes (Zemouri et al., 2002b), ncessitent la prise en compte dun certain pass des informations analyses. Ce pass est ncessaire si lon veut prdire lvolution dun signal linstant t + t afin de prendre de lavance sur les actions entreprendre soit sur un quipement - comme la dtection prcoce des dfaillances dune colonne de distillation (Ploix et al., 1997) - soit sur tout un systme donn - comme la prdiction du trafic de la tlphonie mobile (Legrand et al., 2002). La surveillance dun systme vnements discrets (SED) par rseau de neurones peut galement exiger la prise en compte de laspect temporel pour lapprentissage de squences boolennes (Bernauer, 1996). Une autre application importante des rseaux de neurones ncessitant la prise en compte de la dimension temporelle est constitue par lidentification des systmes dynamiques non linaires (Urbani, 1995), (Yu et al., 2001), (Mirea et al., 2002), (Ferariu et al., 2002). Les applications o lintgration du temps dans les rseaux de neurones est ncessaire sont bien videmment plus larges que le domaine de la surveillance. Nous pouvons citer par exemple la reconnaissance en ligne de lcriture (Garcia-Salicetti, 1996), (Chappelier, 1996) ou de la parole (Mellouk, 1994), (Adamson et al., 1996), ainsi que la prdiction de sries temporelles (Aussem, 1995), (Mangeas, 1996), (Atiya et al., 1999), (Rynkiewi, 2000), (Sinha et al., 2002) trs utile pour la problmatique des prdictions financires (Mozer, 1993). Tous ces problmes de dtection de fausses alarmes, classification de dgradations, dtection prcoce des dfaillances, surveillance des SED, etc. ncessitent la prise en compte de lvolution temporelle des paramtres surveills. La rponse en terme de rseaux de neurones est constitue par la classe des rseaux de neurones temporels.

4.4.1 ARCHITECTURES NEURONALES TEMPORELLES


La prise en compte de laspect temporel des donnes par les rseaux de neurones artificiels ncessite certaines modifications architecturales des modles neuronaux statiques. Il existe en littrature deux faons distinctes daborder le temps par les rseaux de neurones (Chappelier et al., 1996), (Chappelier, 1996) : dans la premire, le temps est reprsent comme un mcanisme externe au rseau de neurones. Des retards (ou temporisations) servent mmoriser les donnes dentre pendant une certaine dure i . On prsente au rseau un vecteur dentre comportant les donnes linstant t et ceux des instants t i (avec i = 1,...N ). On obtient alors une fentre temporelle de taille N+1. Cette technique a lavantage de pouvoir utiliser les architectures de rseaux de neurones statiques. La prise en compte de laspect temporel est compltement transparente (Figure 35-a). Cette technique est aussi appele reprsentation spatiale du temps selon Elman (1990). Par contre, dans la deuxime faon de prendre en compte le temps, le rseau de neurones est capable de traiter le temps sans aucun mcanisme externe (Figure 35-b). Cette reprsentation est appele reprsentation interne selon Chappelier et reprsentation dynamique selon Elman.

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 95

Sortie linstant k

Variables dtat linstant k

Rseau de neurones statique


Rseau de neurones statique

Retards unitaires

Fentre temporelle

Entre externe linstant k-1

Variables dtat linstant k-1

-a-

-b-

Figure 35.

Exploitation des rseaux statiques pour des traitements dynamiques par utilisation de fentre temporelle (a) ou par utilisation de connexions rcurrentes (b).

La Figure 36 prsente les diffrentes faons de prendre en compte le temps dans les rseaux de neurones selon Chappelier et Grumbach. On peut galement voir que la reprsentation interne se divise en deux possibilits : soit que le temps est pris en compte implicitement par la rcurrence des connexions (rseaux de neurones rcurrents), soit quil est pris en compte dune manire explicite. Dans ce dernier cas, deux types de rseaux existent : dans le premier cas, les temporisations apparaissent au niveau des connexions. Dans ce type de rseaux, les connexions entre neurones possdent non seulement des pondrations mais aussi des retards i . Lapprentissage de ces rseaux consiste alors trouver les valeurs des pondrations et des retards. Le deuxime cas de la prise en compte explicite du temps, se situe au niveau du neurone. On trouve alors soit des modles biologiques ayant le souci de reproduire des comportements biologiques des neurones, soit des modles o le temps est pris en compte par des mcanismes algbriques afin de rsoudre des problmes dingnierie, sans forcement se soucier de laspect biologique.
Rseaux de neurones temporels

Temps comme mcanisme externe (reprsentation spatiale)

Temps comme mcanisme interne (reprsentation dynamique).

(NETalk) (TDNN) (TDRBF)

Le temps est explicite

Le temps est implicite : Rseaux Rcurrents

Le temps au niveau des connexions

Le temps au niveau du neurone

GRGF (Hopfield) (Jordan) (Elman) (Moakes) 2 (R BF de Frasconi) (Mak) (Miyoshi)

LRGF Retour local de la sortie, Retour local de lactivation.

(ATDNN) (Jacquemin) (Amit) (Back-Tsoi) (DeVriesPrincipe) (Broule)

Modle fonction du temps

Modle biologique

Le modle de Vaucher

Integrate and Fire

Figure 36.

Reprsentation du temps dans les rseaux de neurones.

Sans soucis dexhaustivit, nous indiquons quelques architectures de rseaux de neurones temporels pour chaque faon de reprsenter le temps. Certains types de rseaux seront dtaills dans ce rapport, tandis que dautres seront simplement cits en indiquant les rfrences bibliographiques correspondantes. Nanmoins, une prsentation dtaille des principales techniques neuronales temporelles se trouve dans (Zemouri, 2003).

page 96

a) REPRESENTATION SPATIALE DU TEMPS


La faon la plus simple et immdiate de reprsenter le temps dans les rseaux de neurones est dutiliser une reprsentation spatiale du temps. Linformation temporelle contenue dans les donnes est alors transforme en une information spatiale, cest dire une forme quil sagit de reconnatre. Ds lors, les techniques de classification par rseaux de neurones habituellement employes deviennent applicables. Cette transformation du temporel en spatial sobtient par lutilisation classique de ligne retard. Au lieu de prsenter au rseau chaque vnement, ds son apparition, il convient dattendre un certain temps avant de procder la classification de la forme obtenue. Chaque retard temporel reprsente une dimension de la reprsentation spatiale. Ce type de reprsentation du temps fait donc appel un mcanisme externe qui est charg de retarder ou de retenir un certain temps les donnes, ce qui conduit lappeler galement reprsentation externe du temps. Les trois architectures neuronales les plus importantes qui utilisent ce principe sont : le NETtalk (Sejnowski et al., 1986), le TDNN (Waibel et al., 1989) et le TDRBF (Berthold, 1994a). Ces architectures sont principalement appliques dans le domaine de la reconnaissance de la parole. La reprsentation spatiale du temps prsente plusieurs dsavantages. Tout d'abord elle suppose l'existence d'une interface avec le monde extrieur dont le rle est de retarder ou de retenir les donnes jusqu'au moment de leur utilisation dans le rseau. Se pose ainsi le problme de la connaissance de l'instant o les donnes doivent tre traites c'est--dire de la dfinition de la taille de la fentre. Ensuite, le fait d'utiliser une fentre temporelle de longueur finie et dtermine a priori soit par la plus longue information traiter, soit en supposant la mme longueur pour toutes les donnes, prsente un second dsavantage. Enfin, c'est dans la nature mme de la reprsentation spatiale que se pose la difficult de diffrencier une position temporelle relative d'une position temporelle absolue.

b) REPRESENTATION DYNAMIQUE DU TEMPS


Contrairement aux rseaux de neurones qui interprtent le temps comme un mcanisme spatial ou externe, les rseaux de neurones dits dynamiques traitent le temps dune faon totalement interne au rseau. On peut distinguer deux manires de grer le temps en interne : le temps est pris en compte implicitement ou explicitement. Dans les deux cas, le rseau possde la capacit de mmoriser des informations soit implicitement par la rcurrence des connexions, soit explicitement par des retards au niveau des connexions.
b.1 Reprsentation explicite du temps dans les rseaux de neurones

Reprsentation explicite du temps au niveau des connexions : Les connexions dlais


Une des reprsentations explicites du temps dans les rseaux de neurones est lutilisation des retards aux niveaux des connexions. La diffrence entre ce type de rseau de neurones et les rseaux rcurrents se situe au niveau sens de la propagation du signal. Les rseaux dlais au niveau des connexions sont des rseaux feedforward. La Figure 37 montre un exemple dun rseau de neurones avec des dlais internes au niveau des connexions. Ce modle introduit par Day et Davenport (Day et al., 1993) est appel Adaptative Time-Delay Neural Network : ATDNN.

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 97

gj1 gj 2

wgj1

hg1

whg1

wij1

hi1
j

whi1

ij1

wij1

hi 2
hj1
whj1

whi 2

Figure 37.

Exemple dun rseau avec des connexions dlais.

Lalgorithme dapprentissage doit permettre non seulement une adaptation des poids des connexions mais galement une adaptation des dlais. Toute la difficult que pose ce type de modle dlais est la coordination entre la propagation du signal et la rtropropagation du gradient de lerreur. Parmi les rseaux retard que lon peut trouver en littrature, on peut citer le modle de Broule (Broule, 1985), le modle dAmit (Amit, 1988), le modle de Back-Tsoi (Back et al., 1990), le modle de DeVries-Principe (DeVries et al., 1991) et le rseau de Jacquemin (Jacquemin, 1994).

Reprsentation explicite du temps au niveau des neurones

Figure 38. Sommation spatio-temporelle : addition des potentiels voqus la fois dans l'espace et dans le temps. a) 2 potentiels voqus (reprs par les flches) ne dpassent pas la valeur seuil. b) 2 potentiels voqus qui dpassant la valeur seuil gnrent un potentiel d'action.

Le temps peut galement tre trait localement au niveau du neurone, ce qui permet davoir une certaine robustesse temporelle : deux entres dun neurone donn ne doivent plus tre ncessairement synchrones pour avoir un certain effet (Chapellier, 1996). Ce modle de neurone temporel peut tre ralis de deux manires diffrentes : soit en gardant les proprits biologiques dun neurone, soit en construisant un modle pour rsoudre un problme dingnierie sans autres types de proccupations (ignorant compltement laspect biologique). Il existe de nombreux modles dinspiration biologique. La plus grande classe est ainsi forme par ce que lon nomme les modles Integrate and Fire (Koch, 1999), (Liu et al., 2001). Leur principe est de sommer spatialement et temporellement Integrate les entres leur provenant. Lorsque cette somme dpasse un seuil qui leur est propre, ils mettent Fire une impulsion (potentiel daction) (Figure 38). Ces modles possdent ainsi des proprits temporelles inspires des neurones biologiques, tout en permettant un calcul rapide.
b.2 Reprsentation implicite du temps : Rseaux de neurones rcurrents

La connectivit des units dans les rseaux de neurones rcurrents ne se limite pas, comme dans le cas des rseaux propagation avant (feedforward), des architectures dans

page 98

lesquelles l'information se propage de l'entre vers la sortie, couche aprs couche. Tout type de connexion est admis, c'est dire d'un neurone n'importe quel autre, y compris luimme. En dautres termes, lorsquon se dplace dans le rseau en suivant le sens des connexions, il est possible de trouver au moins un chemin qui revient son point de dpart. Un tel chemin est dsign sous le terme de cycle. Une grandeur, un instant donn, ne peut pas tre fonction de sa propre valeur au mme instant. Par consquent, tout cycle du graphe des connexions dun rseau de neurones rcurrent doit comprendre au moins une connexion de retard unitaire (Dreyfus et al., 2002). Ceci donne lieu des comportements dynamiques fort intressants mais qui peuvent tre trs complexes (Haykin, 1999).
1 2 n i
wi1 wi 2

win

ai

f(.)

yi

Figure 39.
y1 y2 wi1 wi 2

Reprsentation du comportement statique dun neurone statique.

yN

wiN

ai

f(.)

i1

yi

yi

Figure 40.

Reprsentation du comportement dynamique dun neurone rcurrent.

Les rseaux rcurrents peuvent prsenter deux types de comportements : le premier est que ces rseaux sont capables de se stabiliser dans un certain nombre de points de leur espace dtat, appels points dquilibre ou Fixed Point . Ces points constituent la rponse du rseau en prsence dune donne et lapprentissage consiste affecter aux poids des connexions les valeurs permettant cette relaxation vers un point dquilibre. Larchitecture la plus connue et la plus ancienne ayant ce type de comportement est le modle de Hopfield (Hopfield, 1982). Bien que ce rseau soit gnralement utilis pour apprendre un certain nombre dassociations statiques pour des problmes doptimisation multicritres, le rseau de Hopfield possde une certaine dynamique de convergence ; c'est--dire que le rseau passe par un certain nombre de points de son espace dtats avant datteindre un point dquilibre. Ce type de rseau peut donc gnrer une squence finie partir dun point donn de son espace dtat. Une variante de ce modle a t propose par Amit (Amit, 1988) pour la mmorisation de squences temporelles. Son modle se base sur celui de Hopfield pour stocker les diverses formes de la squence, et le niveau temporel, reprsent par des retards, est capable denchaner les formes apprises. Le second comportement temporel que produisent les rseaux rcurrents est une succession dtats, ou plutt de points dans lespace dtats, mais sans quil y ait stabilisation en un point particulier. Il peut sagir par exemple dun cycle limite au cours duquel le rseau passe cycliquement par certains tats. Lapprentissage appel Trajectory Learning consiste alors donner aux poids des connexions, les valeurs qui permettent au rseau de produire ce comportement particulier.

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 99

Principales architectures de rseaux rcurrents


-

Architecture de Jordan

Dans larchitecture propose par Jordan (1986) (Figure 41-a), les units de la couche de sortie sont dupliques sur une couche appele couche de contexte. Les units de cette couche tiennent galement compte de leur propre tat linstant prcdent. Cette connexion rcurrente dune unit de contexte elle-mme lui confre une mmoire individuelle. -

Architecture dElman

Elman (1990) sest inspir en grande partie du rseau de Jordan pour proposer son architecture (Figure 41-b). Cette fois-ci, ce sont les units de la couche cache qui sont dupliques dans la couche contexte avec un poids unitaire. Lapprentissage seffectue par lalgorithme de rtropropagation et ne concerne que les poids de propagation avant.
O(t) Couche de sortie

O(t) Couche de sortie

1 Couche cache

Couche cache 1

C(t) Couche de contexte Couche dentre

C(t) Couche de contexte Couche dentre

Figure 41.

Architectures rcurrentes : Jordan (a), Elman (b).

Architecture de Moakes

Le modle de la Figure 42-a introduit par Moakes (1994) reprsente une architecture particulire rcurrente des rseaux RFR applique au traitement dynamique de la parole. Ce rseau combine rcurrence (globale) des connexions et fentre temporelle. Des retards n et m sont associs respectivement au signal dentre s(k-1) et au signal de sortie y(k) reboucl sur lentre du rseau. Cette architecture de RFR rcurrent a t utilise par (Billings et al., 1995) comme un filtre non linaire de bruit. -

Architecture de Mak

La Figure 42-b prsente une autre architecture de rseau RFR rcurrent (Mak, 1995). La rcurrence des connexions se situe au niveau des sorties de chaque neurone gaussien. Les paramtres des fonctions gaussiennes sont dtermins par lalgorithme des k-moyennes, par contre, les poids des connexions rcurrentes et de sortie sont dtermins par lalgorithme de rtropropagation du gradient. Le rseau a t test sur une application dapprentissage de squences temporelles relles dune rponse impulsionnelle dun filtre passe bas.

page 100
y(t)

s(k-1)

w1
n
y(k)

wM

u11

1
+

uM 1

u1M

1
+

uMM

y(k-1)

1 ( x(t ))

M (x(t ))

x(t)

Figure 42.

Larchitecture de Moakes(a) et de M.W. Mak (b) pour un RFR rcurrent.

Architecture de Miyoshi

Le rseau propos par Miyoshi (1995) (Figure 43) a t conu pour lidentification et la prdiction des systmes dynamiques chaotiques. Ce rseau rcurrent se compose de plusieurs sous rseaux RFR. Chaque sous rseau r (r = 1,.,N) contient K cellules gaussiennes et un neurone de sortie de fonction dactivation linaire. Cette architecture a t reprise par (Honda et al. 1998) qui a propos un algorithme dapprentissage.
11
1 w1

1 K

g1

y1

1 K

x1 (t )

1r
xr (t )
r K

w1r

r wK

gr

yr

gM

x N (t )

yM

1N
w1N

N K N wK

gN

Figure 43.

Larchitecture de Miyoshi pour un RFR rcurrent.

Larchitecture R2BF

Le rseau R2BF (Frasconi et al., 1996) 35 reprsente (Figure 44) une architecture hybride entre neurones gaussiens (reprsentation locale) et neurones sigmodes (reprsentation globale). Une premire couche cache de neurones gaussiens est entirement connecte la deuxime couche cache de neurones sigmodes. La sortie de ces neurones est connecte un neurone de sortie, mais galement rinjecte sur lentre des neurones gaussiens. Ce rseau de neurones a t appliqu sur un problme dapprentissage de squences dune grammaire dun automate tats finis. La mme application avec une architecture

35

Recurrent Radial Basis Function

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 101

lgrement diffrente dun RFR rcurrent peut tre trouve dans (Sorel et al., 2000), et avec un PMC rcurrent dans (Giles et al., 1992).

Figure 44.

Larchitecture de Frasconi pour un RFR rcurrent (le R2BF).

Architecture DGNN

Ce rseau DGNN36 (Ferariu et al., 2002) prsente un caractre gnrique, en incluant des neurones rcurrents de type gaussiens, sigmodes et linaires (Figure 45). A partir de lapplication et des performances souhaites, un algorithme gntique est mis en oeuvre afin de dterminer la topologie et les paramtres optimaux du rseau.

Figure 45.

Topologie du DGNN

Algorithmes dapprentissage pour rseaux rcurrents


-

Fixed Point Learning

Ce type dalgorithme dapprentissage permet daffecter aux poids des connexions les valeurs assurant la convergence vers un point dquilibre. Nanmoins, la convergence de ce type dalgorithme souffre dans certains cas dune dpendance des conditions initiales. En effet, un changement infinitsimal des conditions initiales ou de la pente dun point intermdiaire sur la trajectoire, peut changer le point dquilibre vers lequel le systme volue (Pearlmutter, 1990). -

Rtropropagation rcurrente

Lalgorithme de rtropropagation rcurrente a t propos par Pineda (Pineda, 1987) et Almeida (Almeida, 1988) qui ont remarqu que lalgorithme de rtropropagation du gradient est un cas particulier dun gradient de lerreur plus globale.
36

Dynamic General Neural Network

page 102

Trajectory Learning

Lalgorithme fixed point learning prsent prcdemment est incapable de reproduire des squences ou des trajectoires temporelles. On dira que ce sont des modles qui utilisent le temps (Chappelier, 1996). En dautres termes, la convergence du rseau vers un tat stable suppose une certaine temporalit. Par contre, dans la deuxime catgorie dalgorithmes dapprentissage, le temps est trait par le rseau de neurones. Le paramtre temps reprsente une donne traiter par le processus dapprentissage. Leur but est donc dapprendre au rseau de neurones reproduire une squence temporelle grce sa mmoire dynamique. On peut recenser cinq algorithmes dapprentissage pour rseaux rcurrents dit Trajectory Learning (Atiya et al., 2000), (Aussem, 2002) : la Rtropropagation dans le temps ou Back-Propagation Through Time : BPTT (Werbos, 1990), (Rumelhart et al., 1986) ; la Propagation Avant ou Forward Propagation appel aussi Real Time Recurrent Learning : RTRL (Williams et al., 1989) ; la Propagation Avant Rapide ou Fast Forward Propagation : FFP (Toomarian et al., 1991) ; lapproche par Fonction de Green ou Green Function : GF (Sun et al., 1990) et enfin lapproche par Block Update : BU (Schmidhuber, 1992). Dautres algorithmes dapprentissage ont t proposs ces dernires annes, parmi lesquels : Temporal Recurrent Back-Propagation qui se trouve la croise du BPTT et lalgorithme de rtropropagation rcurrente par (Aussem, 1995) ; Recursive Back-Propagation (RBP) et sa version temps rel Causal Recursive BackPropagation (CRBP) par (Campolucci et al., 1999) ; une autre technique qui se base sur une approximation du gradient de lerreur propose par (Atiya et al., 2000) ; et enfin une technique dapprentissage appele Statistical Approximation Learning (SAL) applique une architecture de rseau rcurrent bien particulire appele Simultaneous Recurrent Networks (SRN) propose par (Sakai et al., 2002). Nous prsentons brivement les deux algorithmes dapprentissage les plus utiliss pour les rseaux de neurones rcurrents : BPTT et RTRL.

Rtropropagation dans le temps Back-Propagation Through Time : BPTT


Le principe de cette mthode consiste dplier un rseau rcurrent. Le rseau ainsi dpli est de type feedforward et peut faire lobjet dun apprentissage par une version lgrement modifie de lalgorithme de rtropropagation. La duplication (le dpliage) ne sapplique que pendant la phase dapprentissage. Le principal problme que pose lalgorithme de rtropropagation du gradient dans le temps est quil ncessite beaucoup de ressources informatiques. Pour de longues squences ou des squences de longueur inconnue, il devient inutilisable. Plus de dtails sur ce type dalgorithme sont prsents dans (Pearlmutter, 1990), (Werbos, 1990), (Warwick et al., 1992).

Le RTRL (Real Time Recurrent Learning)37


Lalgorithme de rtropropagation dans le temps reprsente une technique dapprentissage hors-ligne. Williams et Zipser (Williams et al., 1989) ont propos un algorithme pour lapprentissage des rseaux rcurrents sans avoir connatre la longueur de lhorizon temporel de la squence dapprentissage. La mise jour des poids seffectue au fur et mesure que les donnes sont prsentes au rseau sans avoir dupliquer le rseau rcurrent (Robinson et al., 1987). Leur principal dsavantage est que le rseau de neurones doit tre entirement connect et souffre dune certaine lenteur du temps dapprentissage.

37

On peut trouver en littrature lappellation Forward Propagation : FP

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 103

Notons que cette dmarche est analogue celle utilise habituellement sur les rseaux propagation avant, qui consiste appliquer les modifications aux poids aprs chaque exemple au lieu dattendre la fin du cycle complet de prsentation des donnes. Par ailleurs, cette technique ne garantit pas le suivi du gradient total de lerreur de toute une squence dapprentissage (Tsoi et al., 1994).

4.4.2 ANALYSE

COMPARATIVE ENTRE LES REPRESENTATIONS DYNAMIQUE ET SPATIALE POUR LA SURVEILLANCE DYNAMIQUE

Les rseaux de neurones temporels se divisent donc en deux grandes catgories : rseaux de neurones dynamiques et spatiaux. Ces deux reprsentations du temps correspondent respectivement une reprsentation interne et externe du temps. Les topologies des rseaux de neurones pour chaque reprsentation temporelle sont compltement diffrentes et chacune possde ses avantages et ses inconvnients. Nous dfinissons trois types dapplications des rseaux de neurones temporels pour la surveillance dynamique industrielle : la reconnaissance de squences temporelles (boolennes et relles), la prdiction temporelle et la reproduction de squences temporelles.

La reconnaissance de squences temporelles :

La reconnaissance de squences temporelles consiste produire une rponse spcifique lorsquune squence particulire se produit lentre du rseau. En dautres termes, le rle du rseau de neurones dans ce cas est de reconnatre une squence temporelle bien particulire (application de reconnaissance des formes). Cest le cas par exemple de la reconnaissance de la parole o la sortie du rseau indique le mot qui vient dtre mis. En surveillance, ce type dapplication est utilis selon deux manires diffrentes : la reconnaissance dune squence boolenne et la reconnaissance dune squence relle. Pour le cas dune squence boolenne, le rseau de neurones est utilis pour surveiller tout un Systme Evnements Discrets (SED). Les variables dentre au rseau de neurones sont de type boolen (vnementiel). Dans le deuxime cas, le rseau de neurones surveille un signal capteur dun quipement industriel (variable de surveillance de type rel). Le but est de reconnatre un palier dune dgradation prcoce de lquipement et dliminer les pics de changements brusques du signal, synonymes de fausses alarmes.

La prdiction temporelle :

La prdiction temporelle consiste donner une valeur future dun signal capteur partir des connaissances aux instants prsents et passs de ce signal. En surveillance dynamique, ce type dapplication est trs important car prdire lvolution dun paramtre dun quipement permet danticiper lvolution future du signal dun capteur afin de prendre des dcisions prventives. Le rseau de neurones est dans ce cas utilis comme approximateur universel (modlisation dynamique de lquipement surveiller).

La reproduction de squences temporelles :

La reproduction de squences temporelles consiste reproduire toute une squence temporelle par le rseau de neurones. Ce type dapplication est aussi trs important en surveillance dynamique. Le rseau de neurones peut tre utilis pour reproduire un rgime transitoire dune volution temporelle dun paramtre dun quipement industriel. La comparaison entre la sortie relle et celle du rseau de neurones permet davoir un rsidu pour la dtection et le diagnostic de cet quipement. Souvent, le rgime transitoire dun

page 104

quipement, obtenu soit au dmarrage de lquipement soit entre changement de modes de fonctionnement, est trs riche en informations utiles au diagnostic prventif. Nous avons rcapitul sur le tableau ci-dessous les performances des principales architectures de rseaux de neurones temporels pour chacun des trois types dapplication. Les rseaux spatiaux (TDNN et TDRBF) ainsi que les rseaux dynamiques dlais (ATDNN) se prtent bien aux problmes de reconnaissance de squences. Les fentres temporelles dans le premier cas et les dlais au niveau des connexions dans le deuxime cas permettent au rseau de neurones de prendre en compte un certain pass du signal afin de pouvoir donner une rponse par rapport toute une squence. Les rseaux biologiques en particulier les rseaux Integrate and Fire sont galement capables de reproduire ce type de comportement. Lutilisation des rseaux spatiaux peut tre plus souple que les deux autres architectures puisquun simple ajout dune fentre temporelle peut rendre les architectures feedforward statiques capables de traiter le temps. Linconvnient majeur de la reprsentation spatiale du temps est quelle suppose l'existence d'une interface avec le monde extrieur dont le rle est de retarder ou de retenir les donnes jusqu'au moment de leur utilisation par le rseau : comment connatre l'instant o les donnes doivent tre traites ? La longueur de la fentre temporelle est finie et dtermine a priori, soit par la plus longue information traiter, soit en supposant la mme longueur pour toutes les donnes. Cest donc bien dans la nature mme de la reprsentation spatiale que se pose la difficult de diffrencier une position temporelle relative d'une position temporelle absolue (Elman, 1990). Les architectures reprsentation spatiale du temps peuvent galement tre utilises pour des applications de prdiction de sries temporelles (prdire la valeur de x(t + ) partir des connaissances des valeurs [ x(t i ) ]i =0,..., ) (Chang et al., 2001).
Reprsentation spatiale Reprsentation dynamique Le temps est explicite Le temps au niveau de connexions -Rseaux retardsLe temps au niveau du neurone Modle Modle fonction du biologique temps oui oui non oui oui non Le temps est implicite -Rseaux rcurrents-

Reconnaissance de squences Prdiction temporelle Reproduction de squences

oui oui non

oui oui non

oui oui oui

Tableau 1.

Rsultats comparatifs entre les performances des architectures temporelles

Par contre, aucune des architectures neuronales temporelles, except les rseaux rcurrents, nest capable de reproduire des squences temporelles. La raison est que seuls les rseaux rcurrents possdent des mmoires dynamiques grce la rcurrence des connexions (Aussem, 1995). Le signal dentre ne se propage pas seulement de la couche dentre vers la couche de sortie comme dans les rseaux feedforward, mais se rtropropage galement de la sortie vers lentre. Cette boucle ferme permet au rseau de garder en mmoire une trace interne dun signal dentre, par exemple une impulsion, et de reproduire en sortie une squence temporelle grce aux algorithmes dapprentissage de type trajectory learning. Dun autre ct, les temps d'apprentissage ainsi que les ressources informatiques ncessaires leur mise en uvre peuvent tre relativement importants (Bernauer, 1996). Le domaine dapplication des rseaux rcurrents se montre plus large que les autres architectures. Leur application dans des problmatiques de surveillance dynamique est par

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 105

consquent plus prometteuse que les autres architectures. Notre choix se porte donc naturellement vers ce type de rseaux de neurones temporels :
dun ct la prise en compte du temps est implicite, c'est--dire quon na pas besoin davoir un mcanisme externe pour retarder les donnes dentre (comme pour la reprsentation spatiale du temps), dun autre ct, les rseaux rcurrents sont bien les seuls rseaux possder une mmoire dynamique interne travers la rcurrence des connexions. Cette mmoire leur permet, non seulement de reconnatre des squences temporelles et de faire de la prdiction de sries temporelles (comme les autres reprsentations temporelles) mais aussi dapprendre reproduire des squences temporelles.

En contre partie, la prsentation des principaux algorithmes dapprentissage des rseaux rcurrents montre que la phase de calcul des poids des connexions est trs laborieuse. Les temps dapprentissage et les ressources informatiques ncessaires leur mise en uvre sont relativement importants. Leur application en surveillance dynamique peut tre trs laborieuse, surtout pour des traitements en temps rel et pour un rseau entirement rcurrent (globalement rcurrent). La solution envisage pour contourner ces dsavantages, passe par lutilisation des rseaux partiellement rcurrents et plus prcisment des rseaux localement rcurrents LRGF (Locally Recurrent Globally Feedforward).

4.5 UNE NOUVELLE STRUCTURE DE RESEAU DYNAMIQUE POUR LA SURVEILLANCE LE RRFR RESEAU RECURRENT A BASE DE FONCTIONS RADIALES (RRBF RECURRENT RADIAL BASIS FUNCTION)
Comme nous lavons constat prcdemment, une application de surveillance dynamique avec de rseaux de neurones rcurrents peut tre trs complique cause de lapprentissage trs complexe et coteux en temps de calcul. Pour viter la complexit du processus dapprentissage, une faon simple davoir une mmoire dynamique interne au rseau de neurones est dutiliser des rcurrences locales au niveau du neurone lui-mme. Ce type bien particulier de rseaux de neurones rcurrents est appel reprsentation Localement Rcurrente Globalement Feedforward ou Locally Recurrent Globally Feedforward (LRGF). Dans ce type darchitecture, la rcurrence des connexions est prsente uniquement au sein du neurone lui-mme. Ceci rduit considrablement le processus dapprentissage tout en gardant un aspect dynamique fort important du rseau de neurones rcurrent. La mmoire de type LRGF nous permet de proposer un rseau RFR dynamique appel RRFR : Rseau Rcurrent Base de Fonctions Radiales. Cette architecture nouvelle de rseau RFR dynamique prsente une structure plus souple avec un algorithme dapprentissage simplifi. Ce rseau possde deux types de mmoire : une mmoire statique grce aux neurones gaussiens de la couche cache, et une mmoire dynamique grce aux neurones localement rcurrents de la couche dentre. Le rseau RRFR propos profite de laspect dynamique des reprsentations LRGF tout en gardant la simplicit et lefficacit des rseaux RFR.

page 106

4.5.1 ARCHITECTURE DU RRFR


En faisant appel aux rcurrences locales de type LRGF, nous proposons un outil de surveillance capable de prendre en compte laspect dynamique des donnes dentre - afin de pouvoir dtecter une dgradation ou prdire lvolution dune sortie capteur - et capable dapprendre en continu les diffrents modes de fonctionnement dun quipement sans avoir oublier les connaissances prcdemment acquises et, surtout, de garder une certaine simplicit dutilisation du rseau de neurones pour des applications industrielles. Larchitecture neuronale sinspire des avantages des rseaux RFR et de ceux des rseaux rcurrents. La Figure 46 prsente larchitecture du RFR rcurrent que nous proposons, appel rseau RRFR : Rseau Rcurrent Base de Fonctions Radiales. Le rseau RRFR est compos de trois couches : La couche l1 appele mmoire dynamique du rseau, a comme rle principal de prendre en compte la dynamique des donnes dentre (Figure 46). En dautres termes, cette couche sert mmoriser le pass du signal dentre du rseau. Cette mmoire dynamique est constitue par des rcurrences locales au niveau des neurones dentre sans trop compliquer la topologie du rseau RFR. Cela revient, en quelque sorte, greffer une mmoire dynamique aux rseaux RFR statiques. Cest pour cette raison que nous nous sommes intresss aux rseaux Localement Rcurrents connus sous lappellation LRGF Locally Recurrent Globally Feedforward . Nous prsentons une tude sur les architectures LRGF existantes en littrature avec des tests de performance pour chaque modle afin de choisir celle qui serait la plus adapte la surveillance dynamique. La couche l 2 , appele mmoire statique du rseau, a pour rle de mmoriser les prototypes, comme pour les rseaux RFR classiques. Les entres de cette couche ne proviennent plus directement des donnes dentre mais rsultent de la sortie de la premire couche, savoir la mmoire dynamique. Un premier traitement des donnes dentre est donc effectu par la premire couche avant que celles-ci soient mmorises par la mmoire statique. Le prototype ainsi mmoris par les neurones gaussiens aura implicitement pris en compte la dimension temporelle des donnes dentre. Nous dtaillerons davantage les effets de la mmoire dynamique sur la mmoire statique au chapitre suivant. La couche de sortie l 3 qui donne la dcision de la classification (dans le cas dune application en reconnaissance de formes), ou la valeur de la fonction prdire (dans le cas dune approximation de fonction).
Entre

2 3

l3 l1
Mmoire Dynamique

l2
Mmoire Statique

Couche de dcision

Figure 46.

Rseau RRFR (Rseaux Rcurrents Fonctions de base Radiales).

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 107

4.5.2 MEMOIRE DYNAMIQUE DU RESEAU RRFR : ARCHITECTURE LRGF


Lappelation LRGF : Locally Recurrent Globally Feedforward de larchitecture Localement Rcurrente Globalement Feedforward, reflte clairement le fait que les rcurrences des connexions ne sont permises que localement au niveau du neurone (Locally Recurrent), la propagation du signal seffectuant de la mme manire que pour les rseaux statiques propagation avant (Globally Feedforward). Une tude a t ralise par A.C. Tsoi et A.D. Back (Tsoi et al., 1994) sur les diffrentes architectures LRGF existantes en littrature. Daprs cette tude, les auteurs ont class les architectures LRGF en trois catgories : Les architectures retour local synaptique (Local Synapse Feedback), Les architectures retour local de lactivation (Local Activation Feedback), Les architectures retour local de la sortie du neurone (Local Output Feedback). Les architectures retour local de lactivation et de la sortie interprtent bien la dimension temporelle implicitement par une rcurrence des connexions. Par contre, concernant larchitecture retour local synaptique, le temps nest pas pris en compte par la rcurrence des connexions, mais tout simplement par des retards synaptiques. Nous plaons donc cette catgorie plutt dans la reprsentation explicite du temps au niveau des connexions. Nous divisons donc les architectures LRGF en deux catgories : retour local de lactivation et retour local de la sortie. Ces deux catgories sont illustres dans la Figure 47. Daprs A.C. Tsoi et A.D. Back (Tsoi et al., 1994), nous pouvons recenser deux modles de neurones pour la reprsentation LRGF retour local de la sortie : le modle de Frasconi-Gori-Soda et celui de Poddar-Unnikrishnan, et un seul modle pour larchitecture LRGF retour local de lactivation, le modle de Frasconi-Gori-Soda.
Architectures LRGF

LRGF avec retour de lactivation

LRGF avec retour de la sortie

(Frasconi-Gori-Soda)

(Frasconi-Gori-Soda) (Poddar-Unnikrishnan)

Figure 47.

Reprsentation des diffrentes architectures LRGF.

Les conclusions de A.C. Tsoi et A.D. Back sont nettement en faveur des architectures LRGF dont les performances ont t compares celles des rseaux globalement rcurrents - prcisment le rseau rcurrent de Williams-Zipser38 (Williams et al., 1989). En effet, les auteurs ont compar quatre architectures neuronales : le rseau de Back-Tsoi, le neurone retour local de la sortie Frasconi-Gori-Soda, le rseau entirement rcurrent de WilliamsZipser et le TDNN. Le rseau le plus performant est celui de Frasconi-Gori-Soda suivi par le TDNN. Le rseau le moins performant est le rseau Williams-Zipser avec la convergence la plus lente. Le rseau de Williams-Zipser souffre galement de considrables difficults pour la modlisation de signaux dynamiques (prcisment des signaux vocaux).

a) ARCHITECTURE LRGF AVEC RETOUR DE LA SORTIE


La premire reprsentation implicite du temps au niveau du neurone est caractrise par un bouclage de la sortie du neurone vers son entre. Ce type de neurone est appel neurone retour local de la sortie ou Local Output Feedback network. Nous pouvons
38

Rseau rcurrent dont lalgorithme dapprentissage est le RTRL

page 108

recenser en littrature deux types de neurones retour local de la sortie (Tsoi et al., 1994) : le modle de Frasconi-Gori-Soda (Frasconi et al., 1992), (Gori et al., 1989, 1990) et le modle de Poddar-Unnikrishnan (Poddar et al.,1991a, b).
a.1 Le modle de Frasconi-Gori-Soda

Llment qui diffrencie le modle du retour local de lactivation et celui du retour local de la sortie introduits par Frasconi-Gori-Soda est, bien videmment le point de retour qui se situe au niveau de lactivation dans le premier modle et au niveau de la rponse du neurone dans le second modle. Dans le modle avec bouclage de la sortie, lvolution de la sortie du neurone dpend de ses propres rponses antrieures :
e1 (t ) wi1 e2 (t ) wi 2

ai (t )

f (.)
1 wii

yi (t )

en (t ) win
w
m ii

2 wii

Figure 48.

Architecture gnrale dun rseau LRGF avec bouclage de la sortie (modle de Frasconi-Gori-Soda). Les 1 reprsentent des retards unitaires.

En dautres termes, lactivation du neurone est fonction de ses entres pondres (comme le neurone classique) et des valeurs retardes de sa sortie. Sa sortie yi (t ) est donc dfinie par les quations suivantes :

yi (t ) = f ( ai (t ) )
q ai (t ) = wij e j (t ) + wii yi (t q ) j =1 q =1 n m

[1]

Lorsquil sagit dun neurone dentre au rseau, et si lon simplifie le modle de la Figure 48 en ne considrant quun seul retard, son activation peut tre ramene lquation ci-dessous. Ce type de neurone est communment appel neurone boucl (Figure 49). ai (t ) = i (t ) + wii yi (t 1)
i (t )

[2]
f (.)

ai (t )

yi (t )

wii

Figure 49.

Architecture simplifie dun Rseau LRGF avec retour de la sortie.

La fonction dactivation f (.) du neurone boucl est la sigmode39 (Figure 50) dfinie par :
f ( x) = 1 exp bx 1 + exp bx

[3]

39

Tangente Hyperbolique. Nous supposons que

b>0

ce qui rend cette fonction strictement croissante.

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 109

f ( x)

0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 -100

b = 0.5 b = 0.05

-80

-60

-40

-20

20

40

60

80

100

Figure 50.

Allure de la sigmode en fonction du paramtre b.

Points dquilibre

Pour tudier limpact du bouclage de la sortie sur le comportement dynamique du neurone, nous allons considrer son volution en labsence de toute excitation extrieure ( i (t ) = 0 t > 0 ) (Frasconi et al., 1992), (Bernauer, 1996). Dans ces conditions, lactivation du neurone boucl est dfinie par lquation suivante :
ai (t ) = wii f ( ai (t 1) )

[4]

La recherche des points dquilibre de cette quation, cest--dire de lensemble des points a* tels que a* = wii f (a* ) , revient chercher les racines de la fonction g dfinie par40 :
g (a ) = wii f (a ) a

[5]

Daprs la dfinition de la fonction f ( x) , f (0) = 0 . a0 = 0 est une solution vidente de g (a ) = 0 . La recherche des autres racines de g (a ) se fait par ltude de ses variations.
+ Si bwii > 2 , le neurone boucl possde trois points dquilibre a0 , a0 et a0

Si bwii 2 la fonction g (a ) est toujours dcroissante et donc lquation g (a ) = 0 ne possde quune seule solution. Le neurone boucl ne possde alors quun seul point dquilibre a0 .
yi yi = ai wii yi = f ( ai )

yi

yi =

ai wii f (ai )

ai a0 = 0
a0

ai a0 = 0
+ a0

bwii 2

bwii > 2

Figure 51.

Points dquilibre du neurone boucl en fonction du produit bwii .

40

Nous considrons bien videmment que lauto-connexion

wii 0 , sinon on ne peut pas parler de rseaux LRGF.

page 110

Stabilit des points dquilibre

Ltude de la stabilit des points dquilibre se fait en utilisant la fonction de Lyapunov dfinie par V (a ) = a 2 . Nous concluons ainsi que :
Le neurone boucl de Frasconi-Gori-Soda possde
un seul point dquilibre stable a0 = 0 si bwii 2 avec wii > 0 ,
+ deux points dquilibre stables a0 et a0 , et un point dquilibre instable a0 = 0 si

bwii > 2 .
Comportement doubli

Considrons le neurone boucl de la Figure 48 dont lvolution est donne par lquation suivante :
yi (t ) = f ( ai (t ) )

ai (t ) = i (t ) + wii yi (t 1)

[6]

avec f (.) la fonction dactivation sigmodale du neurone boucl (quation [3]) et wii > 0 .
Proprit Un neurone boucl possde un comportement doubli si pour un instant donn t0 et une activation ai (t0 ) quelconque, q > 0, > 0, t > t0 + q, > 0 , tel que : si ai (t0 ) > > ai (t ) 0 si ai (t0 ) < < ai (t ) 0 [7]

Lors de ltude de la stabilit des points dquilibre nous avons constat que le neurone boucl ne possde quun seul point dquilibre stable a0 = 0 si bwii 2 avec wii > 0 et en labsence de toute excitation extrieure, i (t ) = 0 t > 0 . Dans ce cas, pour nimporte quelle activation ai (t ) 0 du neurone boucl, lactivation du neurone tend vers a0 = 0 . Par consquent, nous obtenons limt ai (t ) = aO = 0 . Le neurone boucl possde bien un comportement doubli si bwii 2 et wii > 0 :
y (t )
1

yi yi =

0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1

ai wii

yi = f (ai )

bwii = 1.99

ai a0 = 0
bwii = 1.9

10

20

30

40

50

60

70

80

90

100

-a-

-b-

Figure 52. Comportement doubli : a) Convergence de la sortie du neurone boucl vers le point dquilibre stable a = a0 ( wii > 0 ), b) Etapes du comportement doubli

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 111

y (t )

0.8

yi =

ai wii

yi yi = f (ai )

0.6

0.4

bwii = 1.99

0.2

a0 = 0

ai

-0.2

-0.4

-0.6

-0.8

10

20

30

40

50

60

70

80

90

100

-a-

-b-

Figure 53.

Comportement doubli : a) Oscillations dues la valeur ngative de lautoconnexion wii < 0 . b) Etapes du comportement doubli

Comportement de mmorisation

Proprit Un neurone boucl possde un comportement de mmorisation si pour un instant donn t0 et une activation ai (t0 ) , > 0 : t > t0 , tel que : si ai (t0 ) > 0 ai (t ) > 0 si ai (t0 ) < 0 ai (t ) < 0 [8]

+ Le neurone boucl possde trois points dquilibre a0 < 0 , a0 = 0 et a0 > 0 si bwii > 2 . + Daprs la thorie de Lyapunov, les deux points a0 et a0 sont des points dquilibre stables et a0 = 0 est un point dquilibre instable. Donc si la sortie du neurone boucl

sloigne du point a0 = 0 du ct suprieur a (t0 ) > a0 ou infrieur a (t0 ) < a0 cest pour
+ tendre vers un point dquilibre stable ( a0 pour le premier cas et a0 pour le deuxime) :
yi
a(0) = 1

1 0.8 0.6 0.4 0.2

yi =

ai wii f (ai )

a(0) = 0.01 0 -0.2 -0.4 -0.6 -0.8 -1 a(0) = -1 0 10 20 30 40 50 60 70 80 90 100


a0

a(0) = -0.01

ai a0 = 0
+ a0

-a-

-b-

Figure 54. Mmorisation : a) Convergence de la sortie du neurone boucl vers le point + dquilibre stable a0 pour a (0) > 0 et vers a0 pour a (0) < 0 , b) Etapes de la mmorisation.

Ce comportement avec deux points dquilibre stables reste valable mme si on ajoute lactivation du neurone un terme extrieur constant i tel que (Frasconi et al., 1995) :

page 112

yi (t ) = f (i + wii yi (t 1) )

et

i < I *

[9]

avec I * le point dintersection de la tangente de f (.) parallle la droite yi = ai / wii avec la droite yi = 0 (Figure 55). Dans le cas contraire, si i > I * , il ny aura plus quun seul point dquilibre stable (positif si i > I * et ngatif si i < I * ), et la sortie du neurone boucl va tendre en un nombre fini de transitions vers ltat dquilibre proche de 1.
yi
1

yi =

ai wii

0.8

0.6

0.4

0.2 a0

0 -0.2

I * a0 I*
+ a0

ai

-0.4

-0.6

-0.8

-1 -100

-80

-60

-40

-20

20

40

60

80

100

Figure 55.

Limites de mmorisation deux points dquilibre stable du neurone boucl.

Longueur de la mmoire dynamique du neurone boucl

Proprit La limite de la longueur de la mmoire dynamique dun neurone boucl peut tre quantifie par ltude de linfluence dune variation i (t ) de lentre un instant t donn sur les variations de la sortie du neurone boucl yi (t + q) un instant t + q . On dira quun neurone boucl a atteint sa limite maximum de mmorisation dynamique qmax si au bout dun certain temps, la variation de lentre i (t ) na aucune influence sur la variation de la sortie yi (t + q) . On peut exprimer ceci par lquation suivante :
lim
q

yi (t ) =0 i (t q)

[10]

Nous avons dmontr (Zemouri, 2003) que pour bwii < 2


lim yi (t ) lim(bwii / 2) q (b / 2) = 0 q (t q ) q i [11]

Dans ce cas, le neurone boucl possde bien une limite de mmorisation. Dans le cas bwii 2 , en procdant par simulation des quations obtenues, on obtient yi (t ) ainsi les rsultats schmatiss par la Figure 56.a. qui montre que le maximum i (t q) est obtenu pour bwii = 2 . Nous avons ensuite quantifi la valeur maximale de la longueur yi (t ) en fonction de la mmoire dynamique. Nous avons donc fix bwii = 2 et calcul i (t q) de q . On obtient une longueur maximale denviron 300 units de temps (Figure 56.b.).

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents


yi (t ) i (t q )
0.025

page 113

yi (t ) i (t q )
0.25

0.02

0.2

0.015

0.15

0.01

0.1

0.005

0.05

0 1.8

1.85

1.9

1.95

2.05

2.1

2.15

bwii

2.2

50

100

150

200

250

300

-a-

-b-

Figure 56. Longueur de la mmoire dynamique du neurone boucl : a) en fonction du produit bwii pour un q donn, b) en fonction de q avec une configuration de longueur de mmoire maximum ( bwii = 2 ) obtenue partir du premier graphe. a.2 Le modle de Poddar-Unnikrishnan

La deuxime reprsentation locale du temps par retour de la sortie est celle du modle de Poddar-Unnikrishnan illustr par la Figure 57. La sortie du neurone est rgie par les relations ci-dessous :
yi (t ) = f ( ai (t ) )
ai (t ) = wij e j (t ) + wii zi (t )
j =1 n

[12]

zi (t ) = yi (t 1) + (1 ) zi (t 1)

On remarque que le neurone de Frasconi-Gori-Soda prsent prcdemment reprsente un cas particulier du modle de Poddar-Unnikrishnan o i = 1 .
e1 (t ) wi1 e2 (t ) wi 2 ai (t ) yi (t )

en (t ) win
wii

f (.)

1
z i (t )

Figure 57.

Architecture gnrale dun rseau LRGF avec bouclage de la sortie (modle de Poddar-Unnikrishnan). Les 1 reprsentent des retards unitaires.

Lorsquil sagit dun neurone dentre au rseau, son activation peut tre ramene lquation suivante : ai (t ) = i (t ) + wii zi (t ) [13]

En procdant de faon similaire au cas prcdent, nous obtenons des informations sur les points dquilibre :
si bwii 2 le neurone ne possde quun seul point dquilibre a0 = 0 ,

page 114

+ si bwii > 2 le neurone possde trois points dquilibre a0 , a0 et a0 .

sur leur stabilit :


un seul point dquilibre stable a0 = 0 si bwii 2 avec wii > 0 et 0 < < 1 ,
+ deux points dquilibre stables a0 et a0 , et un point dquilibre instable a0 = 0 si

bwii > 2 et 0 < < 1 . sur le comportement doubli : comportements distincts en fonction de bwii pour 0 < < 1 :
y(t )
1

un comportement doubli si bwii 2 avec wii > 0 , un comportement de mmorisation si bwii > 2 .
y (t ) 1
0.8

0.8

0.6 0.4

=1 = 0.5

0.6 0.4 0.2

=1

0.2

= 0.5

0 -0.2

0 -0.2 -0.4 -0.6

= 0.5

-0.4 -0.6

=1

-0.8

-0.8 -1

-1

10

20

30

40

50

60

70

80

90

100

20

40

60

80

100

120

140

160

180

200

-a-

-b-

Figure 58. Influence des paramtres et bwii sur le comportement du neurone boucl de Poddar-Unnikrishnan : a) comportement doubli , b) comportement de mmorisation.

et sur la longueur maximum de la mmoire dynamique, obtenue pour bwii = 2 et = 1 . Cette longueur maximale est q = 300 . On rappelle que le cas o = 1 reprsente un cas particulier du neurone boucl de Frasconi-Gori-Soda prsent prcdemment :
yi (t ) i (t q)
0.025

yi (t ) i (t q )
0.25

=1
0.02

0.2

0.015

0.15

0.01

0.1

= 0.99
0.005

=1
0.05

= 0.97
0 1.8 1.85 1.9 1.95 2 2.05 2.1 2.15 2.2 2.25

= 0.9
0

bwii

50

100

150

200

250

300

-a-

-b-

Figure 59. Longueur de la mmoire du neurone de Poddar-Unnikrishnan : a) en fonction de bwii et pour un q donn, b) en fonction de q et avec une configuration de longueur de mmoire maximum ( bwii = 2 ) obtenue partir du premier graphe.

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 115

b) ARCHITECTURE LRGF AVEC RETOUR DE LACTIVATION


La deuxime reprsentation locale du temps implicitement au niveau du neurone est celle prsente pas la figure suivante. Cette architecture particulire de rseaux LRGF introduite par Frasconi-Gori-Soda (Gori, 1989) est appele local activation feedback network ou rseau retour local de lactivation.
e1 (t ) wi1 e2 (t ) wi 2 ai (t )
1 wii

en (t ) win
w
m ii 2 wii

f (.)

yi (t )

Figure 60.

Architecture gnrale dun rseau LRGF avec bouclage de lactivation. Les 1 reprsentent des retards unitaires.

Lvolution de la sortie de ce neurone dpend non seulement de ses entres pondres linstant t, mais galement des valeurs retardes de son activation. Sa sortie yi (t ) est dfinie par les quations :
yi (t ) = f ( ai (t ) )
q ai (t ) = wij e j (t ) + wii ai (t q ) j =1 q =1 n m

[14]

o ai (t ) reprsente lactivation du neurone linstant t, f (.) sa fonction dactivation, e j (t ) son entre, wij la valeur du poids de la connexion reliant le neurone i au neurone
k amont j et wii reprsente le poids de lauto-connexion du neurone i avec un retard gal q 1 . Cette auto-connexion permet au neurone de garder en mmoire une trace dun certain pass de ses entres e j (t ) : le neurone est donc dot dune mmoire dynamique. Ce rseau

peut tre simplifi en utilisant quun seul retard au niveau de lauto-connexion (Figure 61). Lactivation du neurone devient alors :
ai (t ) = ( wij e j (t ) ) + wii ai (t 1)
j =1 n

[15]

e1 (t ) wi1 e2 (t ) wi 2 ai (t ) yi (t )

en (t ) win
wii

f (.)

Figure 61.

Architecture simplifie dun Rseau LRGF avec retour de lactivation

Lorsquil sagit dun neurone dentre au rseau, son activation peut tre ramene lquation suivante : ai (t ) = i (t ) + wii ai (t 1) [16]

page 116

Ltude des proprits de ce type de neurone retour local de lactivation, revient tudier son comportement en labsence de toute excitation extrieure ( i (t ) = 0 t > 0 ). En dautres termes, ceci revient tudier linfluence du retour local de lactivation sur la mmoire dynamique du neurone. Concernant les points dquilibre, deux cas sont possibles en fonction de wii :
si wii 1 , le seul point dquilibre dans ce cas est a0 = 0 , si wii = 1 , tous les points a sont des points dquilibre. cas wii 1 , le point a = a0 est un point dquilibre instable si wii > 1 . cas 1 < wii < 1 , le point a = a0 est un point dquilibre stable. pour wii < 1 , le point a = a0 est un point dquilibre instable. dans les cas limites : wii = 1 lactivation du neurone oscille entre les valeurs a (comportement astable), et reste stable en a pour le cas o wii = +1 .

Pour ltude de la stabilit des points dquilibre, nous obtenons :


-

Comme pour les deux cas prcdents, en se basant sur les proprits des comportements doubli et de mmorisation, le neurone retour local de lactivation possde deux comportements distincts en fonction de wii :
Un comportement doubli si wii < 1 , Un comportement de mmorisation si wii 1 .

Les figures suivantes illustrent ces deux comportements en fonction de wii :


1 0.8 0.6 0.4 w = 0.99 0.2 w = 0.98 0 -0.2 -0.4 -0.6 -0.8 -1 0 50 100 150 200 250 300 350 400 w = 0.99
-0.6 -0.8 -1 0 20 40 60 80 100 120 140 160 180 200 1 0.8 0.6 0.4 0.2 0 w = 0.99

w = 0.98

-0.2 -0.4 w = - 0.99

-a-

-b-

Figure 62. Comportement doubli. Convergence de lactivation du neurone vers le point dquilibre stable a = a0 : a) sans oscillations pour des valeurs positives de lauto-connexion, b) avec oscillations pour des valeurs ngatives de lauto-connexion.

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 117

8 6 4 2 0 -2 -4 -6 -8 w = 1.2 w = 1.2

8 6 4

w = 1.1 w = 1.1

2 0 -2 -4 -6 -8

w = 1.2

w = -1.2

10

12

14

16

18

20

10

12

14

16

18

20

-a-

-b-

Figure 63.

Comportement de mmorisation. Divergence de lactivation du neurone vers une valeur infinie a) sans oscillations, b) avec oscillations.

Enfin, ltude de la longueur de la mmoire dynamique du neurone retour local de lactivation se fait par lanalyse des variations yi (t ) de la sortie par rapport celles de lentre i (t q) . Daprs cette relation, on peut conclure que :
le neurone retour local de lactivation possde une mmoire de longueur finie si wii < 1 :

lim
-

yi (t ) = lim f ( ai (t ) ) wii q = 0 i (t q) q

[17]

une mmoire longueur infinie si wii > 1

yi (t ) = lim f ( ai (t ) ) wii q = + q + (t q ) q + i

lim

[18]

4.5.3 ANALYSE

COMPARATIVE DES TROIS PRINCIPAUX TYPES DE MEMOIRES DYNAMIQUES DU RESEAU RRFR

Les architectures LRGF peuvent tre divises en trois reprsentations majeures : deux reprsentations retour local de la sortie (le neurone Frasconi-Gori-Soda et le neurone Poddar-Unnikrishnan) et une reprsentation retour local de lactivation (le neurone Frasconi-Gori-Soda). Ces trois neurones rcurrents prsentent des comportements proches.
Les trois neurones possdent un comportement doubli, Les trois neurones possdent un comportement de mmorisation, Par contre, seul le neurone retour local de lactivation possde dans certaines conditions une mmoire longueur infinie. Les deux autres neurones retour local de la sortie (neurone de Frasconi-Gori-Soda et celui de Poddar-Unnikrishnan) possdent une mmoire longueur limite.

Le modle du neurone boucl41 de Frasconi-Gori-Soda reprsente un cas particulier du modle de Poddar-Unnikrishnan ( = 1 ). En utilisant les rsultats de notre tude, nous pouvons conclure que le neurone boucl Frasconi-Gori-Soda possde des performances meilleures que celles du neurone de Poddar-Unnikrishnan. En effet, la longueur de la mmoire du neurone boucl de Frasconi-Gori-Soda est plus importante que celle du
41

Nous rappelons que le neurone boucl reprsente le neurone retour local de la sortie de Frasconi-Gori-Soda.

page 118

modle de Poddar-Unnikrishnan. Dun autre ct, le neurone de Poddar-Unnikrishnan possde un paramtre supplmentaire ajuster, ce qui peut dans certains cas, compliquer la procdure de rglage des paramtres optimum du neurone boucl. On peut conclure alors que le modle de Frasconi-Gori-Soda est plus performant que le modle PoddarUnnikrishnan. Par contre, la comparaison entre les performances du neurone boucl de Frasconi-GoriSoda et le neurone retour local de lactivation, nest pas vidente. La Figure 64 prsente une comparaison des longueurs de la mmoire des trois types de neurones localement rcurrents. On peut voir que le neurone retour local de lactivation possde la mmoire la plus longue pour des valeurs du poids de lauto-connexion proches de 1. Nanmoins, une diffrence majeure existe entre ces deux neurones localement rcurrents : il sagit de lemplacement du point de retour de la rcurrence. En effet, au niveau du neurone boucl (retour local de la sortie) le point de retour se situe aprs la nonlinarit du neurone (aprs la fonction dactivation sigmode) ; au niveau du neurone retour local de lactivation, le point de retour se situe avant la non-linarit (avant la fonction dactivation sigmode). Ce dtail comporte certainement des consquences considrables aux niveaux des diffrences de comportements entre les deux mmoires dynamiques. Nous considrons par consquent, le neurone boucl de Frasconi-Gori-Soda, plus performant que le neurone retour local de lactivation car la non-linarit se situe lintrieur de la mmoire dynamique. Ceci le rend plus efficace dans la prise en compte de la dimension temporelle des systmes non-linaires. Pour appuyer notre hypothse, nous pouvons apporter largument concernant les critres de choix de la fonction dactivation des neurones afin dobtenir un bon approximateur universel. En effet, dans (Tsoi et al., 1994), les auteurs insistent sur lavantage dutiliser des fonctions dactivation non-linaire pour la prise en compte de la non-linarit des donnes dentre. Lemplacement du bouclage : avant la non-linarit ou aprs le passage la non-linarit peut donc tre un critre de choix dcisif pour le type de mmoire dynamique.
yi (t ) i (t q )
0.25

0.2

0.15

a
0.1

b
0.05

c
0 0 50 100 150 200 250 300

Figure 64. Comparaison de la longueur de la mmoire des trois architectures LRGF prsentes prcdemment : (a) neurone retour local de lactivation , (b) neurone boucl de Frasconi-Gori-Soda, (c) neurone de Poddar-Unnikrishnan.

4.6 CONCLUSION ET SYNTHESE


Dans ce chapitre, aprs une brve introduction des proprits de base des rseaux de neurones et une prsentation des principales contributions existantes dans le domaine de la

Chapitre 4 Surveillance Dynamique par Rseaux de Neurones Rcurrents

page 119

surveillance dynamique, nous avons introduit un tat de lart des reprsentations du temps dans les rseaux de neurones. Cet tat de lart met en vidence un domaine mergeant de lintelligence artificielle, dans lequel tout dabord pour des applications de reconnaissance de la parole les scientifiques ont dvelopp des outils neuronaux nouveaux, capables de prendre en compte le temps. Dans ce contexte, les rseaux de neurones dynamiques rcurrents apparaissent comme les mieux adapts la surveillance dynamique. Le principal dsavantage de ces structures neuronales reste nanmoins la lourdeur des algorithmes dapprentissage dvelopps, ainsi que le manque de flexibilit des architectures neuronales temporelles proposes. Afin de palier ces dsavantages, nous avons propos une nouvelle structure neuronale dynamique rcurrente appele Rseau Rcurrent Fonctions de base Radiales faisant appel une approche rcurrente locale (LRGF) et aux fonctions gaussiennes. Ce rseau rcurrent innovant prsente des avantages remarquables : En premier, lutilisation des fonctions radiales permet de mettre en uvre une surveillance efficace, en utilisant une approche de reconnaissance par gnralisation locale, en adquation avec les particularits de la surveillance industrielle. En deuxime, la structure modulaire de la couche mmoire dynamique, base sur les principes des architectures neuronales rcurrentes de type LRGF, nous permet deffectuer un paramtrage de lacquisition de chaque lment de la signature du systme surveill, en fonction de sa dynamique et des caractristiques de mmorisation ou doubli souhaites. Ceci permet la mise en uvre dune surveillance dynamique flexible et facile paramtrer. Enfin, la structure de type RRFR permet lapprentissage dynamique des nouveaux modes, caractristique essentielle permettant la mise au point de systmes de capitalisation des connaissances de surveillance, avec des dbouchs intressants dans le domaine de laide au diagnostic et au pronostic. Ce point constitue un atout fort, qui nous a permis de bnficier du soutien dune SSII bisontine Avensy Ingnierie (spcialiste du suivi de production distance) pour le prototypage dun systme de surveillance dynamique et par la suite, de la participation de Cegelec SA (spcialistes de la maintenance) pour le prototypage dun outil dynamique daide au diagnostic/pronostic. Afin de pouvoir adapter toute la puissance et lefficacit des techniques dapprentissage flexibles du RFR notre nouvel outil, le chapitre suivant est ddi la validation et le test du RRFR, en considrant deux configurations : celle utilisant le neurone boucl (neurone retour local de la sortie) de Frasconi-Gori-Soda, et celle faisant appel au neurone retour local de lactivation. Une tude comparative du RRFR et des principaux autres rseaux de neurones temporels sera prsente dans le domaine de la surveillance. Cette analyse du nouvel outil nous permet de poser de bases dune exploitation industrielle du concept.

. . .

Chapitre 5 - Evaluation des performances, tude comparative et exploitation industrielle du RRFR


5.1 INTRODUCTION
Soucieux de laboutissement de nos recherches menes sur les rseaux de neurones dynamiques, une attention particulire a t accorde ltude de lvaluation des performances ainsi qu ltude comparative du Rseau Rcurrent Fonctions de base Radiales propos, par rapport aux autres structures neuronales dynamiques rcurrentes applicables en surveillance. Ces tapes sont indispensables dans une optique dexploitation industrielle de notre concept, exploitation initie par un prototypage mis au point avec le soutien dune SSII bisontine spcialise dans le suivi de production distance. En premier, nous allons ainsi procder lvaluation des performances du RRFR. Dans cette optique, nous abordons des applications-type de surveillance dynamique, en montrant la manire de mettre en uvre loutil et en mettant en vidence ces performances. Une technique dapprentissage base sur la mthode des k-moyennes est ainsi renforce en utilisant lalgorithme fuzzy min-max. Une tude comparative du RRFR par rapport dautres structures neuronales dynamiques fait lobjet dune deuxime partie de ce chapitre. Suite une analyse des outils neuronaux dynamique les plus efficaces en surveillance dynamique, cette tude comparative seffectue en se basant sur le RRFR, le R2BF et le DGNN. Elle montre lefficacit du RRFR dans les applications de type surveillance dynamique, en mettant en vidence les avantages lis au paramtrage, aux techniques dapprentissage et lapprentissage dynamique propre cet outil. Dans le cadre du suivi distance des units de production, la SSII partenaire se trouve souvent confronte des situations de manque de donnes de surveillance, avec en plus, la contrainte dune reconfiguration rapide des outils de suivi et de surveillance dynamiques mis en place chez leurs clients. Une tude de march mene en collaboration a mis en vidence lintrt des industriels pour ce genre de concept, en sachant que pour lutilisateur, loutil neuronal dynamique peut et mme doit rester parfaitement transparent. Ceci suppose une rflexion approfondie en ce qui concerne les modalits pratiques de mise en uvre du concept, avec un rle important accord la matrise de loutil, sa (re)configuration, son paramtrage et son apprentissage. Lexploitation industrielle du nouvel outil constitue par consquent la dernire tape de ce chapitre. Elle dcrit de manire trs succincte le droulement de la mise en uvre dune application de surveillance dynamique en temps rel dun systme, en utilisant lapprentissage dynamique distant via le web.

page 122

5.2 EVALUATION DES PERFORMANCES DU RRFR


Les performances du RRFR (simplicit dapprentissage, efficacit de la mmoire dynamique) sont values sur trois applications-type de surveillance dynamique : reconnaissance de squences temporelles, prdiction de squences temporelles pour le pronostic et reproduction de squences temporelles.

5.2.1 RECONNAISSANCE DE SEQUENCES TEMPORELLES


Loccurrence dun vnement externe peut tre garde dans la mmoire du RRFR soit temporairement pour un comportement doubli du neurone boucl, soit indfiniment pour un comportement de mmorisation. Ces deux types de comportement offrent des possibilits dutilisation diffrentes, selon la problmatique rsoudre. Pour une application dapprentissage de squences temporelles, o linstant doccurrence dun vnement reprsente une donne importante du problme, on exploitera donc le comportement doubli du neurone rcurrent.
Occurrence de lvnement ia Occurrence de lvnement ib + : Evolution temporelle de la sortie du neurone boucl face loccurrence de lvnement ia , X : Evolution temporelle de la sortie du neurone boucl face loccurrence de lvnement ib ,

i (t )

ai (t )

f (.)

yi (t )

y (t )

1 0.9

wii

0.8

0.7 0.6

yib (tm )

i (t )
1

0.5 0.4 0.3 0.2

ia

ib

yia (tm )
0.1

10

t
0 0 5 10

tm

15

20

25

30

35

Figure 65.

Evolution du neurone boucl par rapport deux vnements distincts (se produisant des instants diffrents).

En exploitant les proprits de bijection de la fonction dactivation sigmode du neurone rcurrent, nous avons dmontr (Zemouri, 2003) que pour deux instants dexcitation diffrents, on obtient deux volutions temporelles diffrentes du neurone rcurrent. Par consquent, lvolution temporelle dun neurone rcurrent ayant un comportement doubli, dpend de linstant qui caractrise loccurrence de lvnement considr. Les squences temporelles peuvent tre divises en deux catgories : squences temporelles boolennes (surveillance des systmes vnements discrets) et squences temporelles relles (surveillance dun paramtre de type rel dun quipement). Nous commenons donc lvaluation du RRFR dans loptique de ces deux cas dutilisation.

a) APPRENTISSAGE DE SEQUENCES BOOLEENNES SIMPLES DUN SYSTEME A EVENEMENTS DISCRETS


Une squence boolenne simple est considre comme tant une squence dans laquelle chaque vnement composant ne se produit quune seule fois. Chaque neurone rcurrent de la mmoire dynamique l1 du rseau RRFR est ddi un vnement de la squence. Le nombre de neurones rcurrents de la mmoire dynamique est donc gal au nombre dvnements de la squence (Figure 66-c).

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 123

Nous considrons le cas (Figure 66-a) dun systme de production avec deux machines M1, M2, deux zones de stockage et un convoyeur. Ce systme vnements discrets est muni de capteurs Ci indiquant le passage des pices dans chaque phase du processus. Chaque machine possde son temps de traitement nominal et chaque transfert, un temps nominal de convoyage. On peut alors prendre en compte un ensemble de perturbations sur le systme, et tester les capacits du rseau RRFR reconnatre ces situations de dysfonctionnement. Nous pouvons reprsenter ce type de systme de production avec ses perturbations par un rseau de Petri temporis synchronisations externes (Daniel, 1995), (Racoceanu et al., 2002) (Figure 66-b).

C1 C2 Machine M1 TM1
Per1 tM1 C1 TM1 PM1 C2 Pat1 Per2 tconv Ttr Pconv C4 Pat2 Per3 tM2 TM2 PM2 C6 PM2 C5 Pconv C3 PM1

C3 Tat.1 Tconv

C4 Tat.2

C6 C5 Machine M2 TM2

-a-

1 = C1

2 = C2 3 = C3 4 = C4
Mode systme n Mode systme 1 Mode systme 2

5 = C5 6 = C6

l1

l2
-c-

l3

-b-

Figure 66. a) Systme dvnements discrets tudi, b) Modlisation par rseau de Petri temporiss, c) Architecture du RRFR pour lapprentissage des squences du systme.

Nous avons appliqu le rseau RRFR sur un ensemble de donnes dapprentissage de squences correspondant diffrents modes de fonctionnement du systme de la Figure 66-a (nominal, dgrads, pannes) (Zemouri, 2003). Lapprentissage se fait en utilisant lalgorithme RCE qui prsente lavantage majeur dune convergence rapide. La Figure 67 montre un exemple dvolution de la mmoire dynamique l1 du rseau RRFR pour la squence nominale. Le vecteur mmoris par la mmoire statique ( l 2 ) est compos par les valeurs de sortie des neurones rcurrents la fin de la squence. Les rsultats obtenus nous permettent de tirer un certain nombre de conclusions :
Le rseau RRFR a appris correctement les squences de la base dapprentissage, Le test sur lensemble des squences proches de celles apprises de la base dapprentissage, a t satisfaisant (degr de crdibilit moyen de 90 %). Toutes les squences de la base de test ont t correctement reconnues par le rseau. Le rseau RRFR avec neurones retour local de lactivation, a tendance donner de fausses rponses, contrairement au rseau avec neurone boucl.

page 124

1 = 1
y(t)
1

2 = 1 3 = 1 4 = 1 5 = 1

6 = 1

0.9

0.8

0.7

0.6

0.5 0.4

y6 (34) y5 (34) y4 (34)


y3 (34)

0.3

0.2 0.1

y2 (34)
0 5 10 15 20 25 30 35

y1 (34)

Figure 67.

Evolution des sorties des neurones rcurrents face aux vnements associs chaque neurone. Les valeurs de fin de squence sont mmorises par la mmoire statique.

b) RECONNAISSANCE DE SEQUENCES REELLES


b.1 Dtection prcoce dun palier de dgradation et limination des fausses alarmes

Contrairement aux squences boolennes caractrises par une succession dvnements discrets et finis, une squence relle est une srie temporelle paramtres rels. Dans une squence relle, on sintresse plutt une succession de valeurs relles chaque priode dchantillonnage :
S k = {u (t ), u (t + 1), u (t + 2),...., u (t + n)} | n , u (t )

[19]

En partant de cette forme, nous avons mis en vidence les capacits du rseau RRFR apprendre reconnatre les diffrents paliers de dgradation ainsi qu distinguer les pics de fausses alarmes des paliers de dgradation, aspects essentiels pour lutilisation du RRFR en surveillance dynamique. Considrons le point xa appris du palier dapprentissage de pente 0,005 correspondant une squence relle Sk (Figure 68-b). Nous testons les capacits du rseau RRFR distinguer ce point dautres points faisant partie des paliers de test de pentes diffrentes. La longueur de la mmoire dynamique varie entre un seul neurone rcurrent et un ensemble dun neurone linaire et une cascade de jusqu 6 neurones rcurrents (Figure 68-a) (audel, laugmentation de la qualit de la classification des paliers ne justifie pas le surcot en terme de temps de calcul).
1.4

1.2 0.007 1 0.006

0.8 0.005

0.6

xa
0.4

0.004

0.2

20

40

60

80

100

120

140

160

180

200

temps

Figure 68.

a Rseau RRFR avec mmoire dynamique un neurone linaire et une cascade de neurones boucls, b Apprentissage dun palier de dgradation

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 125

La Figure 69 rsume les rsultats des calculs de distance obtenus. La distance euclidienne est proche de zro pour les droites proches de celle apprise, et tend augmenter pour celles qui sloignent de la droite apprise. La mmoire dynamique du rseau est donc bien capable de caractriser une squence temporelle relle.
Distance euclidienne
0.07

0.06

0.05

0.04

Retour local de lactivation

0.03

0.02

0.01

Retour local de la sortie

9 x 10

10
-3

pente

Figure 69.

Comparaison entre la sortie de la mmoire dynamique avec neurones boucls et celle avec neurone retour local de lactivation.

Le dimensionnement de la mmoire dynamique est un paramtre important pour la caractrisation de la squence relle (Zemouri et al., 2003b). Plus on augmente la cascade de neurones boucls, plus le vecteur de sortie de la mmoire dynamique est reprsentatif de la squence relle. Nanmoins, on commence obtenir de rsultats discriminatoires partir dune mmoire dynamique un neurone linaire et un neurone rcurrent. On peut ainsi dtecter une dgradation aussi minime soit elle, alors que lquipement est toujours dans sa zone de bon fonctionnement. Aprs avoir test les capacits de la mmoire dynamique caractriser un palier de dgradation, nous avons montr que la mmoire dynamique du rseau RRFR est capable de ragir diffremment face un pic de fausse alarme et un palier de dgradation (Zemouri et al., 2002c). Comme pour le cas prcdent, nous allons faire des tests de calcul de distance euclidienne entre le point xa de la droite de pente 0.005 (palier de dgradation) et le mme point, mais cette fois-ci faisant partie dun pic de fausse alarme (voir Figure 70). Le tableau ci-dessous caractrise ce calcul de distance pour chacune des deux mmoires dynamiques (retour local de la sortie et de lactivation).
1

0.8

0.6

0.4

0.2

-0.2

20

40

60

80

100

120

140

160

180

200

temps

Figure 70.

Dissociation entre un changement brusque, et un palier de dgradation.

La rponse du neurone rcurrent est diffrente pour le mme point physique appartenant un palier de dgradation et un pic de fausse alarme. Le neurone rcurrent agit donc comme un filtre passe bas, en liminant implicitement les hautes frquences.

page 126

1 N Rcurrent 1NL + 1NR 1NL + 2NR 1NL + 3NR 1NL + 4NR 1NL + 5NR 1NL + 6NR

Type de mmoire dynamique Retour Local de la Sortie Retour Local Activation 0.0821 0.1780 0.0821 0.1780 0.1361 0.2754 0.1650 0.3096 0.1753 0.3179 0.1776 0.3194 0.1780 0.3196

Tableau 2.

Calcul de distance euclidienne entre un palier de dgradation et un pic de fausse alarme (NL = Neurone Linaire, NR = Neurone Rcurrent).

Nous avons valid cette proprit du neurone rcurrent sur le filtrage des bruits dacquisition de la vitesse de rotation dun moteur lectrique (Figure 71).
Mesure de vitesse

moteur Numrisation
wii Mode 1

Programmation
S(t) Neurone boucl Neurone de sortie Radial Basis Function Mode 2

Rseaux de neurone RFR dynamique

Figure 71.

Schma dapplication de la surveillance dun moteur.

Des perturbations ont t provoques au niveau du capteur de vitesse dune part, et des frottements continus au niveau de laxe de rotation du moteur. La Figure 72 montre dun ct lacquisition de vitesse (entre du neurone rcurrent) et dun autre ct le filtrage effectu par le neurone rcurrent (sa sortie).
20 18 16 14 12 10 8 6 4 2 0 0 500 1000 1500 2000 2500

0.5 0.48 0.46 0.44

Fonctionnement normal Fonctionnement anormal

Frottements

bruits

0.42 0.4 0.38

0.36 0

500

1000

1500

2000

2500

- a - mesure de vitesse

- b - rponse du neurone boucl

Figure 72. Mesure de la vitesse de rotation et rponse du neurone boucl avec les deux types de perturbations : frottements et bruits de mesures. Mise en vidence de la fausse alarme (bruit de mesure) malgr son amplitude importante. b.2 Dtection du type de collision dun bras de robot

Dans la catgorie des test sur des squences relles, une validation supplmentaire a t apporte dans le domaine de la reconnaissance dynamique de signaux capteurs (Zemouri et al., 2003a). Cette application a t construite partir des donnes relles du benchmark Robot Execution Failures 42 (Camarinha-Matos et al., 1996). Le but de cette application est de reconnatre le type de collision dun bras de robot partir dune acquisition de signaux capteurs (Figure 73). Le bras du robot est muni de trois capteurs de force (Fx, Fy,
42 Disponibles sur le serveur de lUniversit de Californie - The UCI KDD Archive [http://kdd.ics.uci.edu]. Irvine, CA: University of California, Department of Information and Computer Science

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 127

Fz). Quatre types de collisions sont susceptibles de se produire (Figure 73) : collision frontale, collision par derrire, collision gauche et collision droite. Chaque type de collision est caractris par une volution temporelle des trois signaux de mesures. La Figure 74 prsente un chantillon de chaque type de collision. Les informations des trois capteurs de force constituent les trois entres du rseau RRFR. Aprs une phase dapprentissage, le rseau RRFR devra reconnatre le type de collision, caractris par une signature des trois mesures de force.
Fx
Mode Normal Capteurs de forces (Fx, Fy, Fz)

Gauche

Droite

Derrire

Devant

Fy Fz

Collision Devant Collision Derrire Collision Droite Collision Gauche

Vue de face

Vue de profil

Figure 73.

Application du rseau RRFR pour la surveillance dun bras de robot. Diffrents types de collisions possibles : frontale, par derrire, gauche ou droite.
200
150

150

100

100

150

100

Fz Fx

80

Fz
50

Fz
60

50

100

Fz
0

40

Fx

50

Fy
0

Fx
Fx

-50

20

Fy

Fy
0

-50

Fy
25 30

-100

-100 0

10

15

20

-50 0

10

15

20

25

30

-150 0

10

15

20

25

30

-20 0

10

15

20

25

30

Collision frontale

Collision par derrire

Collision droite

Collision gauche

Figure 74.

Rponses des capteurs de force (Fx, Fy et Fz) pour chaque type de collision.

Nous avons valu les performances du rseau RRFR avec les deux types de mmoires dynamiques, en les comparant avec celles du rseau RFR classique. La taille ainsi que les paramtres de la mmoire statique du RFR, ont t dtermins par lalgorithme dapprentissage DDA qui permet dtablir un traitement incrmental. Les rsultats des tests obtenus par le rseau RRFR et RFR sont prsents dans le tableau ci-dessous :
Taux de reconnaissance Types de collisions Mmoire dynamique avec Neurone boucl 60 % 16,5 % 75 % 25 % 44 % Mmoire dynamique avec neurone retour de lactivation 40 % 50 % 50 % 50 % 47,5 % Absence de mmoire dynamique (RFR classique) 20 % 0% 0% 0% 5%

Collision Frontale Collision par derrire Collision droite Collision gauche Taux global de reconnaissance

Tableau 3.

Rsultats obtenus (RRFR avec les deux types de mmoire et RFR).

Chaque colonne du Tableau 3 reprsente les taux de reconnaissance obtenus par les trois rseaux tests (RRFR avec les deux types de mmoires dynamiques et RFR statique). Le pourcentage est donn par rapport aux chantillons de test pour chaque type de collision. Nous remarquons que les performances du RRFR sont nettement suprieures au RFR. Labsence de mmoire dynamique rend le RFR incapable de prendre en compte

page 128

lvolution des signaux. Les temps dapprentissage et de traitement sont sensiblement proches pour les trois rseaux ( 0.04 secondes43).

5.2.2 LA PREDICTION TEMPORELLE POUR LE PRONOSTIC


La problmatique de la prdiction temporelle reprsente un vrai dfi dans plusieurs domaines (prvisions mtorologiques, financires, ). En surveillance, elle permet de connatre les volutions futures dun paramtre surveill, afin danticiper sur les actions entreprendre. Une application de prdiction temporelle est diffrente de la reconnaissance de squences temporelles. En effet, la prdiction temporelle est considre comme une application dapproximation de fonctions et non de classification. Les variables de sortie du rseau de neurones sont donc des variables de type rel et non catgoriel. Pour une application de type approximation de fonction, le processus dapprentissage du RRFR comporte deux phases :
Phase non supervise - calcul des paramtres des neurones gaussiens, Phase supervise - calcul du vecteur de pondration de la couche de sortie.

Plusieurs techniques existent pour la premire phase du calcul. Les algorithmes dapprentissage de type heuristique44 RCE et DDA, peuvent prsenter, sous certaines conditions, une bonne solution pour calculer les gaussiennes. Ces techniques prsentent certains dsavantages comme leur sensibilit aux paramtres de lapprentissage. Les centres des gaussiennes ne sont pas dtermins par rapport un critre minimiser, comme pour la technique des k-moyennes. En effet, lalgorithme des k-moyennes dtermine les centres des gaussiennes en minimisant les moyennes des distances quadratiques. Cette technique offre de meilleurs rsultats que les techniques heuristiques, mais prsente galement quelques inconvnients. Nous proposons une version amliore de lalgorithme des k-moyennes, qui pallie aux faiblesses de la version classique. Tous ces points seront traits et mis en vidence travers deux exemples-type de prdiction de sries temporelles pour des applications de pronostic industriel : la srie temporelle de Mackey-Glass et la prdiction dune concentration de sortie en CO2 dun four gaz (base de donne Box-Jenkins).

a) LA SERIE TEMPORELLE DE MACKEY-GLASS


Soit la srie temporelle de Mackey-Glass dfinie par lquation diffrentielle dlai (Mackey et al., 1977):
dx(t ) 0.2 x(t ) = 0.1x(t ) + dt 1 + x(t )10
[20]

Lapprentissage ainsi que le test de prdiction du rseau de neurones se fera sur un horizon de six pas : x(t + 6) (Figure 75). Le rseau RRFR test dans cette partie comporte une cascade dun neurone linaire et un neurone rcurrent.

43 44

Traitement effectu sur un processeur de 1.2Ghz de frquence dhorloge. Dites aussi techniques incrmentales.

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 129

1.6

1.4

1.2

x (t )

0.8

x (t + 6)

0.6

0.4

0.2

200

400

600

800

1000

1200

-a-

-b-

Figure 75. a.1

a) Srie Mackey-Glass, b) RRFR pour la prdiction de x(t+6)

Techniques RCE et DDA

Ces deux techniques sont gnralement ddies des problmatiques de classification. On peut nanmoins, sous certaines hypothses, les appliquer lapproximation de fonction. En effet, dans ce cas, la notion de classe dappartenance des donnes nexiste pas. Aprs de diffrents test raliss en utilisant les algorithmes DDA et RCE (Zemouri, 2003) cest le RCE qui se montre le plus efficace (Figure 76).
Erreur Moyenne Absolue
0.2

Nombre de prototypes mmoriss


11

0.18

10

0.16

0 = 0, 4

0 = 0, 4

0.14

0.12
6

0.1

0.08

Erreur Population Apprentissage Erreur Population Test

0.06

0.04 0.1

0.2

0.3

0.4

Seuil dapprentissage

0.5

0.6

0.7

0.8

0.9

2 0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Seuil dapprentissage

-a-

-b-

Figure 76. Rsultats de lapplication de lalgorithme RCE sur le problme de la srie Mackey-Glass : a - erreurs destimation ; b - nombre de prototypes crs

Lalgorithme RCE tant le plus efficace, nous avons procd un ensemble de tests de comparaison entre les performances du rseau RRFR (apprentissage utilisant lalgorithme RCE) avec les deux types de mmoires dynamiques et le rseau RFR statique. Le bilan de ces essais est prsent dans la figure suivante :
0.14 RRFR avec bouclage de la sortie RRFR avec bouclage de l'activation RFR statique 0.12

0.1

0.08

Erreur moyenne absolue Ecart type de lerreur moyenne

0.06

0.04

0.02

Temps dapprentissage ( 10 secondes)


1 2 3

Figure 77.

Comparaison des trois rseaux aprs apprentissage par lalgorithme RCE sur le problme de prdiction de la srie MackeyGlass.

page 130

Malgr les rsultats obtenus, les deux techniques dapprentissage heuristiques prsentent nanmoins quelques faiblesses. La plus importante est que leurs performances sont troitement lies aux paramtres que lexpert doit dfinir. En ce qui concerne la valeur initiale ( 0 ) du rayon dinfluence des prototypes par exemple - aucune technique dinitialisation ( part le ttonnement) nest disponible actuellement dans la littrature. Un autre paramtre qui influe grandement sur la qualit des rsultats obtenus, est le seuil du degr dappartenance. Les techniques heuristiques souffrent aussi dune certaine dpendance lordre dans lequel sont prsentes les donnes pour lapprentissage. Nous ne pouvons donc pas garantir loptimalit des rsultats obtenus. On peut nanmoins attribuer deux avantages non ngligeables la technique RCE : une bonne capacit de gnralisation procure au rseau RRFR (erreur sur population de test sensiblement proche de celle obtenue sur la population dapprentissage), ainsi que la rapidit de convergence de lalgorithme.
a.2 Algorithme des k-moyennes

Les faiblesses des deux techniques abordes prcdemment peuvent tre contournes avec dautres techniques plus robustes. Une des plus connues est la technique de partitionnement appele technique des k-moyennes45 qui a pour principe de dterminer le centre j dun nuage de points :
j = 1 Nj
x j

[21]

Le centre j reprsente le point qui minimisera la distance quadratique par rapport tous les autres points ( x ) du nuage ( j ). Cette distance quadratique minimum sera la variance du prototype (carr du rayon dinfluence) :
2j =
1 N
x

(x
j

)( x j )t

[22]

Par rapport aux techniques incrmentales, cet algorithme prsente lavantage de dterminer les prototypes les plus reprsentatifs dun nuage de points. Comme pour les techniques RCE et DDA, lalgorithme des k-moyennes est gnralement utilis dans des problmatiques de classification. Pour pouvoir lutiliser en approximation de fonctions, il faudrait supposer que tous les points de la base dapprentissage appartiennent au mme groupe de centres (mme classe par analogie avec la classification). Aprs quelques tests, nous avons confirm le fait que lalgorithme des k-moyennes donne de meilleures prdictions que les deux techniques heuristiques. Par contre, cet algorithme possde quelques faiblesses :
Problme des nuages vides

Des situations peuvent apparatre o le nuage de points associ un prototype soit vide. Ceci engendre un gros souci pour calculer le rayon dinfluence du prototype. Trois solutions sont alors possibles pour rsoudre ce problme :
45

affecter une valeur au rayon du nuage vide : quel critre pour dfinir cette valeur ? liminer ce point de la liste des k centres,

Appele galement technique des centres mobiles. Son appellation anglophone est k-means clustering algorithm

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 131

calculer le rayon dinfluence en essayant dutiliser le seuil de la technique RCE.

Suite une srie de tests de comparaisons entre la technique de la variance (quation [22]) et la technique du seuil de lalgorithme RCE, nous avons remarqu que le calcul des rayons dinfluence par la technique du seuil de lalgorithme RCE donne de meilleures performances. Nous avons donc opt pour cette procdure pour calculer les rayons dinfluence de chaque prototype. Nous appelons cette mthode - version simple de lalgorithme des k-moyennes.
Problme du choix du nombre de prototypes

Le deuxime point de lalgorithme qui influence les performances du rseau de neurones est le choix du nombre k de centres (prototypes) que le rseau devra mmoriser. La Figure 78 montre linfluence du choix de ce paramtre sur les performances de prdiction du rseau RRFR. Trois zones sont mises en vidence : une zone de sousapprentissage (1), une zone de bonne gnralisation (2) et une zone de sur apprentissage (3). Il faudrait donc initialiser le nombre k pour que le rseau de neurones se trouve dans la zone (2). Il nexiste pas de mthodes formelles pour initialiser a priori le nombre de centres au dbut de lalgorithme (Chang et al., 2001).
Erreur moyenne de prdiction
0.15 Erreur population apprentissage Erreur population test

Dviation standard de lerreur moyenne


0.15 Population apprentissage Population test

0.1

0.1

0.05

0.05

50

100

150

200

250

300

350

400

450

500

50

100

150

200

250

300

350

400

450

500

Nombre k des centres (prototypes)

Nombre k des centres (prototypes)

-a-

-b-

Figure 78. Influence du paramtre k sur les performances de prdiction du rseau RRFR : a) erreur moyenne de prdiction, b) dviation standard de lerreur moyenne de prdiction.

Problme dinitialisation des centres

Au tout dbut de lalgorithme dapprentissage, les k centres sont initialiss gnralement dune faon alatoire. Cette initialisation rend lalgorithme trs instable. Nous proposons donc par la suite une version amliore de lalgorithme des k-moyennes qui tente de contourner ces inconvnients de la version classique.
a.3 Proposition dun algorithme dapprentissage k-moyennes renforc

Le problme dinitialisation des centres peut tre rsolu par une technique appele Fuzzy Min-Max (Simpson, 1992, 1993), (Chang et al., 2001). Cette technique permet de dterminer le nombre k des centres et leur valeur initiale dune manire itrative. Lalgorithme des k-moyennes peut tre ainsi renforc afin de converger vers le minimum de la somme des erreurs quadratiques entre les vecteurs dentre et les k centres. Durant cette phase dinitialisation, des hyper-cubes n dimensions sont crs. Le degr dappartenance dun point chaque hyper-cube est donn par la fonction dappartenance :

page 132

H j ( x,v j ,u j ) =

1 n 1 f ( xi u ji ) f ( v ji xi ) n i =1

[23]

o la fonction floue f est dfinie par lexpression suivante :


x > 1, f ( x ) = x / , si 0 x 0 , x<0

[24]

avec :
Hj
xi

le degr dappartenance (entre 0 et 1) dun point x lhyper-cube j ; la i me dimension du vecteur dentre x ; la valeur de la i me dimension des points maximums et minimums celle du j me hyper-cube.

u ji

et v ji

Le paramtre est appel sensibilit de lhyper-cube. Sa valeur dtermine la pente de la dcroissance du degr dappartenance H j (quation [23]) dun point en fonction de son loignement par rapport lhyper-cube j. Les auteurs de cet algorithme ne donnent aucune mthode formelle pour initialiser ce paramtre de sensibilit du degr dappartenance. Le seul critre donn est dinitialiser ce paramtre de telle sorte minimiser les recouvrements entre hyper-cubes (c'est--dire donner de petites valeurs ). Afin de respecter ce critre et de vouloir garder un certain aspect flou au degr dappartenance, nous proposons linitialisation suivante de :

= min
i

max( x ji ) min( x ji )
x j x j

2 ( N 1)

[25]

avec x ji N la i me dimension du vecteur dentre x j du nuage de points ; le nombre total de points du nuage .

Lalgorithme Fuzzy Min-Max possde trois phases :


1. Initialisation des valeurs maximales et minimales du premier hyper-cube par le premier point prsent au rseau. 2. Calcul du degr dappartenance de chaque point dentre par lquation [23]. 3. Lextension de lhyper-cube ayant la plus grande fonction dappartenance selon la condition suivante :

(max( u
i =1

ji

,xi ) min( v ji ,xi )) n

[26]

o reprsente un paramtre de contrle de la cration des nouveaux hyper-cubes. 4. Si aucun hyper-cube ne peut tre largi (condition de lquation [26] nest pas respecte), un nouvel hyper-cube contenant le nouveau point est cre.

Aprs avoir prsent au rseau lensemble des donnes dapprentissage, un certain nombre dhyper-cubes est cr en fonction de la valeur du paramtre . Ce dernier est le

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 133

seul paramtre que lexpert doit ajuster. On calcule alors les centres de chaque hyper-cube. Les k centres de lalgorithme des k-moyennes sont ainsi initialiss. A partir de ces rsultats, nous proposons la version renforce de lalgorithme dapprentissage des k-moyennes suivant :
1. Initialisation du paramtre

de lalgorithme Fuzzy Min-Max [26],

2. Initialisation des k centres avec une itration de lalgorithme Fuzzy Min-Max, 3. Faire jusqu pas de changement : 3.1. Faire jusqu pas de changement : 3.1.1. affectation de chaque point

x au centre i le plus proche,

3.1.2. calcul des nouveaux centres {1 , 2 ,...., k } de chaque nuage de points avec lquation [21], 3.2. Eliminer les centres des nuages vides 4. Calcul des rayons de chaque prototype avec la technique RCE.

Tableau 4.

Etapes de lalgorithme propos.

Le seul paramtre quil faut donc ajuster avec cette version renforce est le paramtre de lalgorithme Fuzzy Min-Max (quation [26]). Pour tudier la sensibilit de cette version par rapport aux variations de ce paramtre, nous avons test son influence sur la dtermination du nombre de prototypes cres et mmoriss par le rseau de neurones :
Nombre de prototypes (centres)
100

Erreur moyenne de prdiction


0.15 Erreur population apprentissage Erreur population test

90

80

70

0.1

60

50

40

0.05

30

20

10

0.1

0.2

0.3

0.4

0.5

0.6

50

100

150

200

250

300

350

400

450

500

Seuil

Nombre k des centres (prototypes)

-a-

-b-

Figure 79. Influence du paramtre sur les performances de lalgorithme : a) Nombre de prototypes crs en fonction des variations du seuil , b) limites de la zone des prototypes cres aprs convergence de lalgorithme des k-moyennes renforc.

La Figure 79.a montre que quelles que soient les variations du seuil , le nombre de prototypes crs se situe bien dans la zone de bonne gnralisation (Figure 79-b). Lalgorithme force le rseau converger vers une zone de bonne gnralisation, en vitant ainsi les zones de sur-apprentissage et de sous-apprentissage. Cet algorithme est donc plus robuste dans la phase de paramtrage. Nous avons par ailleurs tabli une srie de tests comparatifs entre les performances obtenues avec lalgorithme propos et la version simple des k-moyennes. Les rsultats de ces tests montrent dans tous les cas une erreur moyenne de prdiction (jusqu 5 %) infrieure dans le cas de lutilisation de lalgorithme des k-moyennes renforc. Pour mieux expliquer les rsultats obtenus et ainsi mettre davantage en vidence la diffrence entre la version simple de lalgorithme des k-moyennes et la version renforce propose, nous avons effectu des tests de comparaison sur un exemple illustratif prsent

page 134

sur la Figure 80. La figure (a) montre une initialisation des centres avec une itration de lalgorithme Fuzzy Min-Max. Les centres de nuages vides seront limins par notre algorithme. En fin de calcul, les centres obtenus sont ceux reprsents par la figure (b). Lalgorithme ne garde ainsi que les centres les plus reprsentatifs dune population importante de points. Notons que le rsultat obtenu est le mme chaque excution de lalgorithme (stabilit de lalgorithme), contrairement la version simple de lalgorithme des k-moyennes qui est assez instable. En effet, la figure (c) reprsente un exemple de rsultat obtenu avec la version simple des k-moyennes.
6 Initialisation des centres par une itration du Fuzzy Min-Max 5

Rsultat final obtenu par lalgorithme des k-moyennes 6 renforc aprs limination des centres de nuages vides
5

Rsultat final obtenu avec la version 6 simple des k-moyennes


5

-1 -1

-1 -1

-1 -1

-a-

-b-

-c-

Figure 80.

Stabilit du calcul des centres avec la version renforce des k-moyennes (a) et (b), par rapport version simple de lalgorithme (c).

Ces tests nous permettent de conclure sur trois remarques :


Stabilit des rsultats obtenus avec lalgorithme des k-moyennes renforc. Le nombre k calcul aprs la convergence de lalgorithme des k-moyennes renforc permet au RRFR de se trouver dans la zone de bonne gnralisation (Figure 79). Le rsultat vers lequel converge le RRFR. se trouve parmi les meilleurs rsultats pouvant tre obtenus par la version simple des k-moyennes.

A partir de ces constats, on peut conclure que lalgorithme des k-moyennes renforc converge vers les meilleurs rsultats, avec davantage de robustesse.

b) APPLICATION ET VALIDATION DU RRFR SUR LA PREDICTION DES PARAMETRES DUN FOUR A GAZ
Nous avons procd une validation de ces rsultats sur une application de prdiction industrielle avec des donnes relles : le benchmark dun four gaz Box-Jenkins Furnace Data 46. Le but de cette application est de prdire la concentration de sortie en CO2 y (t + 1) partir de la sortie y (t ) et du dbit de gaz en entre u (t ) (Figure 81).
u(t)

y(t) u(t)
Dbit du gaz dentre

y(t+1)

Four gaz

y(t)

Concentration de sortie en CO2

Figure 81.

Surveillance dun four gaz par le rseau de neurones RRFR.

46 Benchmark disponible sur le serveur du groupe de travail IEEE Working Group on Data Modeling Benchmarks : http://neural.cs.nthu.edu.tw/jang/benchmark

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 135

Le rseau RRFR utilis comporte un neurone linaire et un neurone rcurrent pour chacune des deux variables dentre. La Figure 82 montre lvolution des deux signaux avec les deux groupes y (t ) et u (t ) choisis pour lapprentissage et le test.
y(t) 62
60 58 56 54

u(t) 3

0
52 50 48

-1

-2
46 44

apprentissage
0 50 100 150

test
200 250 300

-3

apprentissage
0 50 100 150

test
200 250 300

-a-

-b

Figure 82.

a) Concentration du CO2 en sortie du four gaz, b) Dbit du gaz en entre.

Linitialisation par la technique Fuzzy Min-Max permet de garder uniquement les centres les plus reprsentatifs dun nuage de donnes. En appliquant toutes les tapes de lalgorithme des k-moyennes renforc, on obtient un nombre de centres k tel que le rseau de neurones se trouve dans la zone de bonne gnralisation, et ceci quelles que soient les variations du paramtre dapprentissage (Figure 83). Comme pour lexemple de la srie temporelle Mackey-Glass, le rseau RRFR converge vers la zone de bonne gnralisation. On vite ainsi les deux zones de sur-apprentissage et de sous-apprentissage.
Nombre de prototypes (centres)
25

Erreur moyenne relative de prdiction (%)


10 9 Erreur population apprentissage Erreur population test

20

7 15 6

5 10 4

2 1

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

10

20

30

40

50

60

70

80

90

100

Seuil

Nombre k des centres (prototypes)

Figure 83.

Nombre de prototypes obtenus en fonction des variations du seuil de lalgorithme Fuzzy Min Max.

Des comparaisons ont t effectues sur une centaine de tests entre la version renforce de lalgorithme des k-moyennes et la version classique. On remarque que, non seulement le rsultat obtenu par la version amliore est stable, mais est aussi meilleur que la moyenne des 100 itrations de la version simple de lalgorithme des k-moyennes. Des tests de comparaison entre les performances de deux types de mmoires dynamiques du RRFR et le RFR statique ont dmontr la supriorit du RRFR (Figure 84). Par ailleurs, les performances obtenues par le RRFR avec mmoire dynamique retour local de la sortie sont lgrement suprieures au retour local de lactivation.

page 136

k-means renforc
15 RRFR avec bouclage de la sortie RRFR avec bouclage de l'activation data3statique RFR

10

Erreur moyenne relative (%) Ecart type %


5

Temps apprentissage en seconde

Figure 84.

Comparaison des performances entre les deux types de mmoires dynamiques et le rseau RFR statique sur une application de prdiction

5.2.3 LA REPRODUCTION DE SEQUENCES


Le troisime type de test que nous avons appliqu au RRFR, concerne la reproduction de squences temporelles. En dautres termes, aprs avoir appris au rseau de neurones une trajectoire temporelle bien dfinie, ce dernier devra pouvoir la reproduire librement, et ceci sans laide daucun mcanisme externe. Le moyen qui lui permet dapprendre et de reproduire de telles squences temporelles, est bien lexistence de la mmoire dynamique. Les rseaux rcurrents sont les seuls pouvoir apprendre reproduire une telle squence. Les techniques utilises pour dterminer les paramtres du rseau de neurones lui permettant de reproduire des sorties dsires des instants dsirs sont appeles Trajectory Learning (Atiya et al., 2000), (Aussem, 2002). Ces algorithmes permettent de faire apprendre au rseau une certaine trajectoire spatio-temporelle. Les deux techniques les plus utilises sont la technique de rtropropagation du gradient de lerreur dans le temps ou Back-Propagation Through Time : BPTT (Werbos, 1990), (Rumelhart et al., 1986) et la Propagation Avant ou Forward Propagation appel aussi Real Time Recurrent Learning : RTRL (Williams et al., 1989). Dautres techniques sont mentionnes dans le travail de thse de Ryad Zemouri (Zemouri, 2003). La complexit temporelle du RTRL peut le rendre extrmement lourd. Quant lalgorithme BPTT, le rseau rcurrent est transform en un rseau feedforward par dpliement. Cette phase de dpliement peut rendre la technique de la rtropropagation du gradient trs lourde et gourmande en ressource informatique. Les deux techniques ne garantissent cependant pas le suivi du gradient total de lerreur de toute une squence dapprentissage, puisque la trajectoire suivie par le rseau dans lespace dtat dpend des modifications apportes aux poids chaque instant. Un autre aspect, qui nous semble trs important, est directement li la diffrence structurelle qui existe entre les architectures Globalement Rcurrente Globalement Feedforward et Localement Rcurrente Globalement Feedforward (GRGF et LRGF). Dans une architecture GRGF, une erreur de sortie du rseau de neurones peut tre rinjecte lentre du rseau, et donc avoir des rpercutions sur les nouvelles rponses du rseau (par exemple les architectures de Jordan, Elman, Moakes, Miyoshi). Par contre, dans un rseau LRGF, la rcurrence nest tolre quau sein du neurone lui mme. Le rseau est donc vu globalement comme un rseau feedforward. Les erreurs de sortie du rseau ont donc de moindres rpercutions que pour un rseau GRGF. Grce la rcurrence locale, la mmoire dynamique du RRFR permet par consquent la transformation du problme de reproduction de squences en un problme dinterpolation linaire.

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 137

Pour faire apprendre au rseau RRFR reproduire des squences temporelles relles, nous avons exploit son comportement dynamique. Grce la rcurrence locale des neurones dentre, le rseau RRFR est capable de garder une trace dune excitation externe, soit indfiniment dans le temps (pour un comportement de mmorisation) soit provisoirement (pour un comportement doubli). Dans notre cas, ce comportement doubli est utilis de manire transformer le problme de reproduction de squences temporelles en un simple problme dinterpolation linaire (Zemouri, 2003). Nous avons tabli deux tests du rseau RRFR sur lapprentissage de la squence chaotique Mackey-Glass et la squence de commande du four gaz.

a) REPRODUCTION DE LA SERIE CHAOTIQUE MACKEY-GLASS


Le premier test du rseau RRFR est celui dapprendre reproduire une squence finie de la srie chaotique Mackey-Glass. Le but rechercher ici est dapprendre parfaitement reproduire une association entre-sortie du rseau de neurones. En dautres termes, on force dlibrment le rseau se trouver en situation de sur-apprentissage. Tous les points dentre au rseau seront donc mmoriss en tant que prototypes. Le calcul des rayons dinfluence est ralis par la technique du RCE. La figure ci-dessous montre les rsultats de lapprentissage dune squence dune longueur de 300 units de temps. La figure de gauche prsente les donnes relles de la srie temporelle, tandis que la figure de droite prsente la sortie du rseau RRFR aprs apprentissage. Cette sortie correspond lvolution de la rponse du rseau RRFR face lvolution temporelle du neurone boucl (en rouge). Ainsi, chaque excitation externe, le rseau voluera librement en reproduisant les 300 valeurs de la srie temporelle apprise. Lerreur de reproduction de la srie temporelle est quasiment nulle.
1.4 1.4 Sortie du rseau RRFR Excitation du neurone boucl

1.2

1.2

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

Sortie Relle

-0.2

50

100

150

200

250

300

-0.2

50

100

150

200

250

300

-a-

-b-

Figure 85. Apprentissage du rseau RRFR reproduire les 300 premires valeurs de la srie Mackey-Glass, a) donnes relles de la srie, b) sortie du rseau RRFR avec lvolution de la sortie du neurone boucl aprs excitation.

b) APPRENTISSAGE DUNE TRAJECTOIRE DE COMMANDE


Nous avons effectu le mme test du rseau RRFR sur la reproduction dune squence de commande u(t) de lapplication du four gaz, dcrite prcdemment. Nous avons pour cette fois-ci test les deux types de mmoires dynamiques : neurone retour local de la sortie et neurone retour local de lactivation. Les rsultats du test sont prsents sur la Figure 86 : celle de gauche prsente les rsultats du RRFR avec neurone boucl, et celle de droite, le rseau RRFR avec neurone bouclage de lactivation. Les deux types de

page 138

mmoires arrivent reproduire remarquablement la squence de commande chaque excitation de la mmoire dynamique ( chaque cycle de commande par exemple).
3 Sortie du rseau RRFR Excitation du neurone retour local de la sortie

Sortie du rseau RRFR Excitation du neurone retour local de l'activation

Cycle de commande
2

Cycle de commande
2

-1

-1

-2

-2

-3

50

100

150

200

250

300

350

400

450

-3

50

100

150

200

250

300

350

400

450

-a-

-b-

Figure 86. Apprentissage du rseau RRFR de la commande u(t) du problme du four gaz, a) RRFR avec neurone boucl, b) RRFR avec neurone retour local de lactivation.

5.2.4 BILAN DE LEVALUATION DES PERFORMANCES DU RRFR


Suite lvaluation des performances du RRFR avec ses diffrentes configurations, ses diffrents algorithmes dapprentissage et sur trois types dapplications des rseaux de neurones en surveillance industrielle dynamique, nous avons constat que les performances des neurones boucls (retour local de la sortie) et des neurones retour local de lactivation sont comparables. Dans la majeure partie des applications, nous conseillons nanmoins ladoption du neurone boucl. La raison essentielle de ce choix est en grande partie due la diffrence structurelle entre les deux neurones rcurrents. En effet, la rcurrence du signal se situe avant la non-linarit de la fonction dactivation pour le neurone retour local de lactivation, et se situe aprs cette non-linarit pour le neurone retour local de la sortie. Cette diffrence de structure permet au neurone retour local de la sortie dintgrer la nonlinarit des donnes dentre dans sa prise en compte de la dynamique de ces donnes, puisque la fonction dactivation sigmode se trouve lintrieur du cycle de rcurrence du neurone. Afin de situer le RRFR ainsi valu par rapport aux autres rseaux de neurones dynamiques, le paragraphe suivant traite une tude comparative mene dans la perspective dune application en surveillance dynamique.

5.3 ETUDE COMPARATIVE DU RRBF PAR RAPPORT AUX


STRUCTURES DE RESEAUX DE NEURONES TEMPORELS LES PLUS SIGNIFICATIFS, DANS LOPTIQUE DE LUTILISATION EN SURVEILLANCE DYNAMIQUE
Afin de slectionner les rseaux de neurones dynamiques les plus pertinents pour la surveillance dynamique et effectuer ainsi une tude comparative efficace des principaux rseaux de neurones dynamiques, nous procdons une classification plus prcise des structures neuronales temporelles selon deux critres essentiels : larchitecture et

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 139

lapproche de gnralisation utilise. Il est noter que ces travaux ont fait lobjet dun article publi dans la Revue dIntelligence Artificielle (Palluat et al., 2005a).

5.3.1 CHOIX DES STRUCTURES NEURONALES TEMPORELLES ETUDIEES


Au cours de nos recherches bibliographiques, nous avons pu tablir que l'on pouvait classer la plupart des rseaux de neurones suivant la rponse de leurs neurones : rponses globales et rponses locales. Le choix d'une rponse locale ou globale dterminera les caractristiques principales du rseau. En effet, un rseau temporel reprsentation externe du temps donnant une rponse globale, comme le NETtalk (Sejnowski et al., 1986), possde une trs bonne capacit de gnralisation. Toutefois, lors d'un nouvel apprentissage, tous les paramtres du rseau doivent tre recalculs. On utilisera de prfrence ce type de rseaux pour les problmes d'interpolation. Par contre, pour un rseau donnant une rponse locale, comme le TDRBF (Berthold, 1994b), la sortie du rseau est non nulle si le vecteur d'entre est proche d'un vecteur appris, et nulle sinon. Lors d'un nouvel apprentissage, seule une partie des paramtres du rseau sont gnrs, car seuls quelques neurones ont une rponse non nulle. Ces rseaux pourront tre utiliss pour rsoudre les problmes d'extrapolation. En prenant en compte un double critre architectural et temporel, les structures neuronales temporelles peuvent tre classes selon le schma suivant :
Rseaux de neurones temporels
Critre principal: intgration de la notion temporelle Critre secondaire: architecture

Reprsentation externe du temps

Reprsentation interne du temps

Reprsentation explicite du temps

Reprsentation implicite du temps

Rponse Rponse locale globale


- TDRBF - TDNN - Nettalk

Temps au niveau Temps au niveau des neurones de la connexion


/ f(a) Jacquemin ADAM Amit ATDNN t

Rcurrence sur une couche

Rcurrence sur plusieurs couches

Modle algbrique
/ f(a,t) - KohoTemp

Modle biologique
- Klaassen et Dev - Azmy et Vibert

Rponse Rponse locale globale


- DGNN - LRGF - Hopfield - DGNN

Rponse mixte
- RRBF - DGNN

Rponse Rponse locale globale


- Jordan - Elman

Rponse mixte
- RBF

Figure 87.

Classification des rseaux de neurones temporels l'aide de deux critres : temporel et architectural.

Dans le cadre des applications de surveillance d'un systme de production, la reprsentation externe du temps dans les rseaux de neurones temporels prsente quelques inconvnients du fait de lexistence de la fentre temporelle. En effet, il est, d'une part, difficile de dfinir la taille de la fentre utile, et d'autre part, la taille de cette fentre modifie directement la taille du rseau. Du point de vue des applications tudies, la reprsentation interne du temps semble donc plus intressante. Elle n'inclue pas d'lments dynamiques externes. Elle ne ncessite donc pas de connaissances a priori du systme. De plus, la dimension du vecteur d'entre

page 140

est rduite car il n'est plus ncessaire de prsenter les valeurs prcdentes des entres et des sorties l'entre du rseau. Parmi les reprsentations internes du temps, la reprsentation implicite du temps semble plus adquate grce sa facilit d'intgration et ses algorithmes d'apprentissage plus faciles mettre en oeuvre. Il est toutefois bon de noter que les rseaux de neurones associs cette reprsentation, appels rseaux de neurones rcurrent, possdent aussi une faiblesse en ce qui concerne la dfinition de la taille de la mmoire comme cela a t montr dans (Bengio et al., 93), mais cette faiblesse est insignifiante par rapport aux qualits de ces rseaux ainsi que par rapport au contexte d'application propos. Pour ltude de la surveillance en ligne, nous effectuerons des oprations de classification et de prdiction. Dans le cas d'une classification, il est important que le rseau de neurones puisse donner un degr de pertinence sa rponse et ainsi, lors d'un degr faible pour chaque rponse, ne pas donner de fausses rponses. L'aspect local rpondant cette condition nous liminons ainsi les rseaux utilisant une rponse globale tels que les rseaux de Jordan, Elman et de Hopfield. Il nous reste donc le choix entre la famille des rponses locales et celle des rponses mixtes. A part le RRFR que nous avons propos, notre choix se porte ainsi sur le R2BF et sur le DGNN. Le RRFR est intressant de part la simplicit du rseau, de la prise en compte du temps et des algorithmes d'apprentissages relativement simples. Pour le DGNN, et particulirement pour le dveloppement de Ferariu (Ferariu et al., 2002), lintrt de ltude provient du choix d'utiliser les algorithmes gntiques pour dterminer l'architecture optimale en fonction du problme pos. Cette facult est particulirement intressante pour surveiller un systme et pour pronostiquer une dfaillance. Enfin pour le R2BF, et notamment pour le dveloppement de Frasconi (Frasconi et al., 1996), son intrt rside dans un comportement semblable celui d'un automate, du lexistence dun rcurrence entre plusieurs couches.

a) LE R2BF (RECURRENT RADIAL BASIS FUNCTION)


Cette architecture (Figure 44), initialement prvue pour l'infrence inductive des grammaires rgulires devra tre modifi pour l'appliquer au pronostic et la surveillance dynamique. Les auteurs proposent des solutions pour l'algorithme d'apprentissage l'aide de diffrentes mthodes qui pourront tre appliques telle que la mthode hybride dfinie par Moody et Darken (Moody et al., 1989).

b) LE DGNN (DYNAMIC GENERAL NEURAL NETWORK)


Les rseaux DGNN (Figure 45) sont bass la fois sur la structure des PMC et sur celle des RBF permettant ainsi d'utiliser les avantages de chacune d'entre elles : les capacits de gnralisation des PMC et l'efficacit calculatoire des RBF. Le but principal de ces rseaux est de permettre la rsolution des problmes d'identification dans les systmes nonlinaires. Devant la difficult slectionner des modles convenant la rsolution du problme complexe, les auteurs proposent une mthode base sur les algorithmes gntiques permettant de dterminer la topologie et les paramtres adquats. Le principal avantage dans cette mthode se situe au niveau de la procdure de gnration du DGNN qui ne ncessite aucune information sur le gradient des critres. Les modles neuronaux obtenus se caractrisent la fois par une bonne prcision de leurs rsultats et la simplicit de leurs architectures, l'utilisateur doit introduire un nombre rduit

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 141

de paramtres par rapport une cration manuelle d'un rseau DGNN. Par contre, la mthode ncessite de grande capacit calculatoire. Afin de comparer les diffrentes architectures et algorithmes d'apprentissage de ces outils, nous proposons deux sries de tests en pronostic et surveillance dynamique.

5.3.2 ETUDE COMPARATIVE DANS LE DOMAINE DU PRONOSTIC


Ltude comparative dans le domaine du pronostic se fait sur les donnes du benchmark du four gaz.

a) PRONOSTIC PAR RRFR


Le traitement s'effectue par une prise en compte directe de l'entre plus la mmorisation des entres prcdentes. L'apprentissage s'effectue en deux tapes :
un apprentissage non supervis un apprentissage supervis

L'apprentissage non supervis permet de dterminer les centres et les rayons des neurones gaussiens. Pour dterminer les centres, nous avons choisi d'utiliser l'algorithme Fuzzy C-mean Clustering dvelopp par Bezdek (Bezdek, 1974). Cet algorithme est analogue l'algorithme k-mean clustering. Le but est de construire une pseudo partition floue constitue de c sous-ensembles flous. Les points sont alors assigns (de manire floue) un sous-ensemble en dterminant la distance au centre des sous-ensembles. La mthode Fuzzy C-mean Clustering permet de dterminer les centres des neurones gaussiens. Pour dterminer les rayons, nous utilisons la mthode tire de l'algorithme RCE. La validit du rsultat dpend du nombre de centres que nous choisissons. Cette architecture s'adapte parfaitement pour la prdiction de concentration de CO2. Mme si l'algorithme peut demander de grandes ressources matrielles pour un nombre important de centres, il reste parfaitement acceptable lorsque ce nombre est restreint.

-a-

-b-

Figure 88.

Architectures RRFR (a) et R2BF (b) pour le pronostic.

b) PRONOSTIC PAR R2BF


Le traitement s'effectue par une prise en compte directe de l'entre. La mmorisation des tats prcdents s'effectue par le bouclage de la sortie sur les neurones gaussiens. L'apprentissage s'effectue en deux tapes : une partie non supervise pour la dtermination des centres l'aide de la mthode Fuzzy C-mean clustering et des rayons l'aide de la mthode tire de l'algorithme RCE, ainsi qu'une seconde partie supervise l'aide d'une mthode de rgression linaire.

page 142

Cette architecture s'adapte bien pour la prdiction de concentration de CO2. Mme si l'algorithme peut demander de grandes ressources matrielles pour un nombre important de centres, il reste acceptable lorsque ce nombre est restreint (ici gal 5).

c) PRONOSTIC PAR DGNN


A des fins de simplification de reprsentation, nous introduisons les notations de la Figure 89-a. Le rseau DGNN utilis pour le pronostic indiqu dans la Figure 89-b :

-a-

-b-

Figure 89.

Simplification du rseau DGNN (a), structure DGNN utilise pour le pronostic(b).

Le traitement s'effectue par une prise en compte directe de l'entre. L'apprentissage s'effectue avec l'algorithme bas sur les algorithmes gntiques. Il permet partir d'une population de DGNN admissibles de dterminer le rseau optimal pour l'application dsire. Pour cela, une optimisation multicritres est applique et rsolue dans le sens de Pareto (la solution est reprsente par une famille de points, nomme ensemble Pareto optimal). Cette architecture ne s'adapte que moyennement pour la prdiction de concentration de CO2. Mme si l'algorithme peut sembler prometteur avec l'utilisation d'algorithme gntique, il reste cependant dcevant quand au temps de calcul et au rsultat obtenu. Un rsultat plus intressant pourrait tre obtenu avec un plus grand nombre de neurones dans la couche cache mais cela augmenterait de faon considrable le temps de calcul.

d) SYNTHESE SUR L'UTILISATION DE RESEAUX DE NEURONES RECURRENTS POUR


LE CAS DU PRONOSTIC

Le tableau suivant reprend les rsultats des tests de pronostic par chacun des 3 rseaux :
Erreur moyenne RRFR (RRBF) R2BF DGNN
0.86 % 1.25 %

Temps dapprentissage
0.26 secondes 0.81 secondes

Temps de reconnaissance 0.2 millisecondes 0.3 millisecondes 2.1 millisecondes

2.37 %

260 000 secondes (3 jours)

Tableau 5.

Synthse des essais comparatifs sur le pronostic

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 143

Le rseau RRFR apparat comme celui dont l'erreur de prdiction est la plus faible tout au long de la squence. Pourtant, le rseau R2BF est aussi particulirement intressant dans ces rsultats. Le rseau DGNN termine en dernire position du fait de ses rsultats moins satisfaisant. Avec un plus grand nombre de neurones dans la couche cache, ce rseau donnerait srement de meilleurs rsultats, mais cela augmenterait considrablement le temps de calcul. En ce qui concerne ce temps d'apprentissage, le rseau RRFR est une nouvelle fois le plus intressant. Le rseau R2BF, avec un temps trois fois plus long est parfaitement acceptable puisqu'il reste infrieur la seconde. Ce temps est important car dans les premiers temps d'utilisation du rseau, il est possible qu'il y ait de nombreuses squences d'apprentissage pour mettre jour la base de donne d'apprentissage afin d'effectuer une prdiction plus prcise, tout en vitant bien entendu le surapprentissage. Le DGNN avec ses trois jours de calculs est bien entendu en dernire position. Il est important de noter que cette squence de test ne comportait pas de phase d'apprentissage en ligne. Si un tel cas devait tre trait, les algorithmes choisis ncessitant l'utilisation de l'ensemble de la base, donneraient des rsultats quivalents un apprentissage hors ligne. Donc pour un systme dont la ractivit est plutt lente comme le four gaz, les rseaux RRFR et R2BF seraient applicable contrairement au DGNN.

5.3.3 ETUDE

COMPARATIVE DANS LE DOMAINE DE LA SURVEILLANCE DYNAMIQUE

Ltude comparative en surveillance dynamique se fait l'aide du benchmark de surveillance d'un bras de robot (Robot Execution Failures47).

a) SURVEILLANCE DYNAMIQUE PAR RRFR


Le RRFR utilis pour la surveillance dynamique est le suivant :

Fonctionnement normal Fx Fy Fz Collision frontale Collision arrire Collision droite Collision gauche

-a-

-b2

Figure 90.

Structure RRFR (a) et R BF (b) pour la surveillance dynamique

Le RRFR fonctionne parfaitement pour la dtection d'erreur. En ce qui concerne les erreurs de classification, elles peuvent venir de la pauvret de la base d'apprentissage, ainsi que des trop faibles diffrences entre les squences de catgories diffrentes. L'avantage de ce neurone rside dans l'utilisation de la mmoire statique et de son algorithme d'apprentissage simple et stable. En effet, avec la mme base, l'apprentissage peut tre fait un grand nombre de fois. On trouvera toujours le mme nombre de centres, les mmes rayons, et donc les mmes rsultats en classification.

47 Benchmark disponible sur le site de l'Universit de Californie Irvine : http://kdd.ics.uci.edu/databases/robotfailure/robotfailure.html

page 144

b) SURVEILLANCE DYNAMIQUE PAR R2BF


Le R2BF, ou tout du moins son algorithme dapprentissage, est impropre en dtection d'erreur. Ceci est du principalement son manque de stabilit. Un autre de ses dfauts rside dans la ncessit d'une grande capacit calculatoire. Une solution consisterait dterminer au pralable le bon nombre de centres ainsi que la partition pseudo floue initiale.

c) SURVEILLANCE DYNAMIQUE PAR DGNN


La figure suivante prsente la structure DGNN utilise pour la surveillance dynamique :

Figure 91.

Schmatisation du rseau DGNN pour la surveillance dynamique.

Ce rseau prsente plus d'intrt dans la thorie que dans la pratique. Son grand dfaut se situe dans les capacits calculatoires gigantesques qui lui sont ncessaires pour effectuer le moindre apprentissage. Il n'est donc pas utilisable pour une application industrielle o nous pourrions avoir ajouter de nouvelles donnes apprendre assez souvent dans les premiers mois d'utilisation.

d) SYNTHESE SUR L'UTILISATION DE RESEAUX DE NEURONES RECURRENTS POUR


LA SURVEILLANCE DYNAMIQUE

Reprenons les rsultats de chacun des rseaux :


Temps dapprentissage RRFR (RRBF) R2BF DGNN 1.03 secondes 14 secondes 13 423 secondes Temps de reconnaissance 2 millisecondes 1 millisecondes 20 millisecondes

Tableau 6.

Temps dapprentissage et de reconnaissance pour la surveillance dynamique

Tableau 7.

Erreurs en surveillance dynamique

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 145

Il est important de noter que les rsultats du DGNN ont t intgrs de manire indicative afin de dmontrer ses faibles performances en plus d'un temps de calcul dj consquent. Ce rseau ou tout du moins son algorithme d'apprentissage est donc incompatible avec la surveillance dynamique. En effet, comme pour le pronostic, il est parfois ncessaire d'effectuer plusieurs apprentissages avec plusieurs bases d'apprentissage diffrentes avant d'obtenir un rseau qui nous permettrait d'obtenir des rsultats satisfaisants. Avec un temps d'apprentissage estim 2700 h, il apparat clairement que nous ne pouvons appliquer cette mthode. En ce qui concerne le rseau R2BF, le problme provient une nouvelle fois de l'apprentissage. Si cette fois le temps de calcul est correct, le problme se situe dans la non rgularit des rsultats. Ce dfaut peut ventuellement tre attnu en dterminant une pseudo partition floue initiale. Le seul rseau qui a donn des rsultats rguliers avec un temps d'apprentissage court est le rseau RRFR. Si ces rsultats sont excellents en dtection d'erreurs, il reste moyen dans la classification de celles-ci. Ce dfaut est du en partie la faiblesse de la base d'apprentissage. Une base plus fournie devrait donc donner de meilleurs rsultats. Il est, une nouvelle fois, important de noter que cette squence de test ne comportait pas de phase d'apprentissage en ligne. Si un tel cas devait tre trait, le rseau RRFR aurait un avantage encore plus prononc. En effet, si les deux autres rseaux, R2BF et DGNN, ncessitent de reprendre l'ensemble de la base pour un nouvel apprentissage, le RRFR n'utilise l'ensemble de la base que pour certains cas. Admettons que nous souhaitions apprendre une donne non reconnue par la configuration actuelle du rseau. Suivant l'algorithme d'apprentissage du RRFR, il est alors ncessaire de crer un nouveau prototype centr sur la donne et de relier ce prototype la classe de la donne. Il n'est pas ncessaire de modifier le reste du rseau et donc de reprendre la base. Nous avons ainsi un temps d'apprentissage en ligne extrmement court. Pour le cas o l'ensemble de la base est utilis, le temps d'apprentissage en ligne est quivalent au temps d'un apprentissage hors ligne. Il est alors ncessaire que le temps d'chantillonnage soit suprieur au temps d'apprentissage. Bien entendu, plus le temps d'apprentissage est court, plus les possibilits d'applications sont grandes.

5.3.4 BILAN

DE LETUDE COMPARATIVE DES DIFFERENTES STRUCTURES NEURONALES TEMPORELLES

En prenant en considration des critres de reprsentation temporelle et de structure, trois types de rseaux de neurones temporels ont t choisis pour leur applicabilit dans le domaine de la surveillance : le RRFR, le R2BF et le DGNN. Ces rseaux ont t adapts et tests sur des applications de pronostic et de surveillance dynamique. Une tude comparative est ainsi mene autour de deux benchmarks spcifiques aux domaines concerns. Les rsultats des deux squences de test ont montrs que le rseau RRFR tait le plus efficace des trois rseaux, la fois par ses rsultats que par ses temps d'apprentissage. Pour le rseau R2BF, ses rsultats moyens dans la surveillance dynamique ne permettent pas de l'employer dans cette situation. Un algorithme d'apprentissage plus performant permettrait srement une rvision de ce jugement. Enfin, pour le DGNN, son algorithme

page 146

d'apprentissage extrmement demandeur de capacit calculatoire ne lui permet pas d'tre implant aisment. Par ailleurs, nous avons constat que le RRFR prsente un intrt certain du point de vue de l'apprentissage en ligne, un aspect extrmement important. En effet, le RRFR possde d'une part une architecture simple (sparation de la mmoire dynamique et de la mmoire statique) et d'autre part, les temps d'excutions des algorithmes d'apprentissage sont relativement courts. Dans l'optique d'un transfert industriel de ce concept, cette proprit apparat comme fondamentale.

5.4 EXPLOITATION

INDUSTRIELLE DE LA SURVEILLANCE DYNAMIQUE PAR RRFR

SOLUTION

DE

5.4.1 INTRODUCTION
Lexploitation industrielle du RRFR propos met en vidence lintrt de ce nouveau rseau de neurones dynamique pour la mise au point de systmes de surveillance dynamiques en temps rel, paramtrables distance via le Web. En effet, nous avons dvelopp une solution originale concernant limplmentation du rseau RRFR dans un Automate Programmable Industriel (API). Cette solution de surveillance neuronale embarque permet de profiter de la rapidit du traitement des donnes et de la sret de fonctionnement de lautomate industriel, ainsi que de louverture donne par linterface coupleur web de ce type de systme.
Fonction Sigmode Entre w11 Radial Basis Function

I1
w22

Neurones de sortie linaires

I2
w33

I3

l1
Mmoire dynamique

l2
Mmoire statique

l3
Couche de dcision

Figure 92. Rseau Rcurrent base de Fonctions Radiales avec ses deux mmoire (dynamique et statique) embarqu dans lautomate programmable.

Cette application sencadre dans le domaine de la e-maintenance, en faisant appel aux supports modernes de communication ainsi quen donnant plus dautonomie et dintelligence aux quipements de surveillance temps rel. Ltude a t dveloppe en collaboration avec une entreprise rgionale - AVENSY Ingnierie -, spcialiste du suivi de production et de la gestion de la maintenance. Son originalit rside dans lexploitation du concept coupleur Ethernet - TCP/IP prsent dans les automates programmables modernes. Dans ce contexte de collaboration, nous avons apport notre contribution au dveloppement dune solution ractive de surveillance industrielle en temps rel. Nous avons ainsi opt pour un accs linformation distance avec une surveillance en ligne temps rel effectue par un automate. Pour cela, nous avons d dcomposer le rseau RRFR en fonctions lmentaires pour quil soit interprtable en langage automate. En effet,

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 147

le langage de programmation automate (step7 pour les API Siemens) reprsente un langage de bas niveau et ncessite une certaine restructuration du rseau RRFR. La solution que nous avons dveloppe comporte deux parties :
Surveillance temps rel en ligne : le RRFR charg dans lunit centrale de lautomate traite les variables de surveillance et donne sa rponse en temps rel, Apprentissage et affichage des rsultats de surveillance distance : le rseau de neurones charg dans lautomate devra tre entirement mis jour par un expert distant via le coupleur web.

Un premier prototype de cette maquette a t prsent lors dun salon sur les microtechniques48. Lintrt de la socit AVENSY Ingnierie tant de commercialiser cette solution de surveillance neuronale temps rel, les deux premires tapes taient bien videmment le dpt dun brevet et le lancement dune tude de march. Aprs plusieurs concertations avec notre partenaire, nous avons abouti une solution qui semble sadapter aux besoins actuels des entreprises industrielles. La solution retenue est dtaille par la suite, en y associant une srie de tests de performance.

5.4.2 CHOIX
REEL

DE LA SOLUTION DE SURVEILLANCE DYNAMIQUE EN TEMPS

Les exigences actuelles du march dans le domaine de la surveillance, prsentent quelques caractristiques rcurrentes :
Capacit dassurer une surveillance en temps rel. Capacit davoir une architecture flexible et volutive. Simplicit dutilisation et de paramtrage. Entirement paramtrable distance (apprentissage distance)

La configuration finale de la solution de surveillance temps rel est laboutissement dun processus slectif de conception. Pour plus de dtails, toutes les tapes franchies vers la solution finale peuvent tre consultes dans la thse de R. Zemouri (2003). Afin dviter des problmes de lenteur du traitement et dinstabilit de lapplication, la solution choisie concerne la surveillance embarque au niveau dun automate programmable. Le programme de surveillance neuronal est ainsi charg dans lunit centrale (CPU) de lautomate. Une surveillance en temps rel est donc possible. Le systme pourra mme agir sur lquipement en cas de dfaillance critique. Loutil que nous proposons reprsente un outil de surveillance et daide la dcision. Le coupleur WEB permet dans ce cas non seulement davoir une Interface Homme Machine distante, mais galement de mettre jour le rseau de neurones depuis une connexion TCP/IP : apprentissage distance. Les programmes (IHM + Apprentissage) sont mis au point en langage JAVA langage distribu, multi plateforme offrant une gnricit parfaitement adapte notre application. La Figure 93 montre larchitecture gnrale dune telle configuration avec les diffrents postes distants. Une base de donnes mmorisant toute lvolution du systme surveiller est cre et mmorise dans le coupleur WEB de lAPI. Cette base de donnes contient les variables de surveillance horodates ainsi que les diffrentes rponses du rseau de neurones. Un expert distant peut ainsi se baser sur cet historique pour mettre jour les
48

14me SALON INTERNATIONAL DES MICROTECHNIQUES, MICRONORA, Besanon 2002.

page 148

paramtres du rseau de neurones embarqu. Cet expert peut trs bien tre situ lintrieur de lentreprise (Intranet) ou bien lextrieur de lentreprise (Internet). Pour aboutir cette configuration, plusieurs choix taient possibles (Zemouri, 2003). Notre choix sest port sur une solution dans laquelle la mise jour du rseau de neurones (apprentissage) est gre par le programme JAVA localis au niveau du coupleur WEB. Lexpert responsable du paramtrage du rseau de neurones ne sera plus oblig de le reprogrammer en step7 ni mme de se dplacer au niveau de lautomate pour le recharger dans la CPU (par rseau local industriel). Toute la phase de mise jour seffectue par connexion TCP/IP via le coupleur WEB. La russite dune telle configuration ncessite une structure du programme neuronal volutive et flexible.
Expert responsable de la mise jour du rseau de neurone (Apprentissage) Responsable Maintenance Responsable Production

Navigateur WEB + Console JAVA

Navigateur WEB + Console JAVA

Navigateur WEB + Console JAVA

Suivi de lvolution de lquipement en temps rel

Couche Ethernet TCP/IP Programme de surveillance en ligne API+Serveur WEB (IHM)

Rponse du rseau de neurone

Rseau Local Industriel Variables de surveillance

Base de Donnes et historique de panne

Procd industriel

Figure 93.

Solution de surveillance en ligne avec apprentissage distant via le protocole de communication Internet TCP/IP.

5.4.3 DESCRIPTION DE LA SOLUTION PROPOSEE


a) INTRODUCTION
Larchitecture globale de la solution propose est illustre par la Figure 94. Une fois charge dans la CPU de lautomate, la structure du programme neuronal est capable dvoluer en tant supervise par un expert distant. Toute la phase dapprentissage est gre via le coupleur WEB par la connexion TCP/IP. Le programme JAVA charg dans le coupleur permet de faire la liaison entre lautomate et lexpert. Pour ce faire, deux fonctions de base sont ncessaires : une fonction de lecture et une fonction dcriture. Ces deux fonctions sont fournies par le constructeur49 et permettent donc de communiquer avec lautomate soit par rseau interne lentreprise (Intranet) soit par rseau externe (Internet). Les conditions imposes par notre partenaire industriel la structure du programme neuronal en step7 sont les suivantes :

49

Dans notre application, les deux fonctions ont t fournies par SIEMENS.

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 149

Aspect volutif :
La structure doit tre entirement volutive via le coupleur WEB. Lutilisateur naura pas reprogrammer et recharger le rseau de neurones dans la CPU de lautomate. Cette facilit dutilisation est un critre trs important et trs apprci par les industriels qui ne possdent pas forcment de connaissances sur loutil neuronal. Le paramtrage du rseau de neurones doit tre entirement transparent lutilisateur. Cette solution ouvre des perspectives vers une externalisation de la maintenance via le web. En effet, lexpert distant pourra suivre les diffrentes volutions des variables de surveillances ainsi que les rponses du rseau de neurones charg de la surveillance de lquipement. Il pourra galement le paramtrer par connexion TCP/IP.

Flexibilit :
La structure du programme neuronal doit tre standard pour un quipement quelconque. Le programme doit tre capable de sadapter un nombre quelconque de variables de surveillance (nombre de sortie capteur) et plusieurs types de variables de surveillance (entier, double entier, boolen, etc.). Cette contrainte a pour exigence une plus grande ouverture au maximum de clients potentiels. Le dveloppement dun produit gnrique cotera moins cher quun produit fait sur mesure un client prcis.

Connexion TCP/IP

Navigateur WEB + Console JAVA Base de Donnes et historique de panne

Fonction lecture Profibus

Step7
Programme neuronal dans la CPU de lautomate

Fonction criture

JAVA
Coupleur WEB de lAutomate

Figure 94.

Diffrentes interactions entre chaque composant de lapplication de surveillance.

b) STRUCTURE DU PROGRAMME NEURONAL EN LANGAGE AUTOMATE


Limplmentation du rseau RRFR dans un Automate Programmable Industriel, est base essentiellement sur deux composants50 de programmation :
Un composant (FC en step7) qui permet de dfinir des fonctions de calcul type comme le calcul de la sortie du neurone boucl ou gaussien en fonction de ses entres. Un composant (DB en step7) qui permet de stocker tous les paramtres du rseau RRFR. Ces paramtres sont exploits par les composants FC pour les diffrents calculs.

La Figure 95 prsente la structure globale du programme neuronal en step7. Chaque couche du rseau de neurones est reprsente par une FC et une DB. La communication avec le programme step7 via le coupleur web ne peut se faire que sur des variables se trouvant dans un composant DB. Un numro est associ chaque DB et chaque variable possde une adresse absolue fixe dans une DB. En localisant ainsi lemplacement de

50 Nous ne nous attarderons pas sur le dtail de ces deux composants. Pour plus dexplication, se rfrer la documentation technique du constructeur SIEMENS.

page 150

chaque variable du programme, on peut soit afficher cette variable sur un poste distant, soit changer sa valeur par un expert distant grce aux fonctions de lecture criture.
Apprentissage distance

Couche de neurones boucls FC N1

Couche de neurones gaussiens FC N2

Couche de sortie

FC N3

DB N1

DB N2

DB N3 Coupleur WEB Fonction de lecture

Donnes capteurs Fonction dcriture

JAVA

Figure 95. Organigramme du rseau RRFR charg dans la CPU de lautomate. La communication avec le coupleur Web se fait travers des variables situes dans le composant DB.

Les deux critres de flexibilit et dvolutivit sont obtenus grce lutilisation de variables de type structure pour chaque DB des diffrentes couches du rseau de neurones. Chaque variable de type structure contient une entte o figurent certaines informations exploites par des pointeurs et qui servent identifier ladresse de chaque paramtre du rseau de neurones.

c) APPRENTISSAGE ET VISUALISATION DES DONNEES


La phase de mise jour du rseau de neurones (phase dapprentissage) consiste reparamtrer le rseau de neurones en fonction de lvolution de lquipement. Cette tape est entirement gre par le langage de programmation JAVA localis dans le coupleur Web de lautomate. Un expert distant responsable de cette mise jour peut donc modifier les paramtres du rseau travers une interface de visualisation. La version renforce de lalgorithme des k-moyennes est alors facilement programmable en langage JAVA. Une fois les paramtres du rseau RRFR extraits, ils sont chargs dans le programme automate par les fonctions dcriture. Comme le montre la figure suivante, une base de donnes est cre par le programme JAVA. Cette base de donnes contient des informations qui seront exploites pour la phase dapprentissage. Ces informations sont les valeurs des diffrentes variables de surveillance horodates (se trouvant dans la DB N1) ainsi que les diffrentes rponses du rseau de neurones (dans la DB N3). Un expert distant peut alors consulter cet historique, analyser les diffrentes donnes de cette base et excuter lalgorithme dapprentissage. Les paramtres du nouveau rseau de neurones sont alors obtenus. Lexpert peut ainsi recharger ces nouveaux paramtres dans la CPU de lautomate par la fonction dcriture. Les DB concernes par cette phase dcriture sont les DB N1 et N2 o figurent respectivement les paramtres des neurones boucls et des neurones gaussiens. Lajout de nouveaux neurones gaussiens devient alors ais. Il suffit de mettre le nouveau nombre de neurones gaussiens au niveau du nombre de sous structures contenues dans la structure

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 151

principale de la DB N2 ainsi que les valeurs de leurs paramtres (prototypes et rayons dinfluence) aux adresses correspondantes. Le programme neuronal charg dans lautomate est ainsi entirement volutif par connexion TCP/IP via le coupleur web.

Apprentissage

Requte pour excuter lapprentissage

Requte pour charger les paramtres du rseau de neurones

Coupleur WEB

JAVA
Lecture des variables de surveillance Ecriture des paramtres dapprentissage DB N1 DB N2 DB N3 Lecture des rponses du rseau de neurones

Figure 96. Organigramme du processus dapprentissage du rseau de neurones. Le programme JAVA charg dans le coupleur peut tre excut distance (TCP/IP). Une base de donnes est galement disponible au niveau du coupleur et consultable distance.

La Figure 97 montre linterface de visualisation pour un utilisateur passif c'est--dire sans pouvoir dcriture dans lautomate.
Affichage des entres capteurs Affichage du mode de fonctionnement

Affichage des sorties de la couche dentre Affichage de lhistorique

Figure 97. Interface (IHM) pour un utilisateur passif - visualisation des valeurs des paramtres de surveillance, du mode de fonctionnement et de lhistorique de lquipement.

Paramtres du rseau Paramtres dapprentissage

Paramtres de la couche dentre

Choix du mode dapprentissage

Affichage des valeurs apprendre

Affichage du mode apprendre

Figure 98. Interface (IHM) pour un utilisateur avec pouvoir (expert actif) - seule personne pouvoir configurer le programme neuronal charg dans lunit central de lautomate.

page 152

Cette interface ne sert qu lire les donnes de surveillance. Un tel degr de scurit est ncessaire si lon veut ouvrir laccs au programme de surveillance des personnes qui ne sont pas forcment qualifies pour la phase de paramtrage du programme neuronal (phase dapprentissage). Cette phase dapprentissage est gre par une interface ddie un expert responsable de la mise jour du programme de surveillance (Figure 98). Cet expert est donc autoris crire dans le programme neuronal de lautomate et ainsi paramtrer le rseau RRFR distance.

5.4.4 EVALUATION DES PERFORMANCES DU PROTOTYPE


a) DESCRIPTION DE LA MAQUETTE DE TEST
Nous avons valu et test les performances du programme neuronal sur une maquette comprenant un automate SIEMENS quip dune CPU 414-2 et dun coupleur Web CP 443-1, un variateur de type MICROMASTER 4 et un moteur courant continu.
CPU (414-2) Variateur (Micromaster 4)

Coupleur Web (CP 443-1)

Moteur courant continu.

Figure 99.

Maquette de test.

b) EVALUATION DES TEMPS DE CYCLE


Plusieurs temps de cycles pour plusieurs dimensions de rseaux de neurones ont t valus sur cette maquette. En fonction des diffrents temps dexcution de chaque module du programme neuronal, nous avons pu formaliser (une prcision de lordre de 5 % ) ce temps de cycle (Tc) par la relation suivante : Tc = 0.241 x Nent + 0.0152 x Nent x Nrbf + 0.08 x Nrbf [27] o Nent reprsente le nombre de neurones boucls en entre, Nrbf le nombre de neurones gaussiens. Le temps de cycle (Tc) est estim en millisecondes (ms). Le tableau suivant prsente les diffrents temps de cycles en fonction de plusieurs topologies du rseau RRFR.
Nent 2 2 2 2 2 5 5 5 Nrbf 10 50 100 150 200 100 200 500 Tc ( ms) 1,586 6,002 11,522 17,042 22,562 16,805 32,405 79,205 Nent 8 8 8 8 8 10 10 10 Nrbf 50 100 200 300 400 100 500 1000 Tc ( ms) 12,008 22,088 42,248 62,408 82,568 25,61 118,41 234,41

Tableau 8.

Diffrents temps de cycle en fonction de plusieurs dimensions du rseau RRFR..

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 153

On peut penser quune dimension moyenne dun rseau RRFR, avec laquelle on peut obtenir de bons rsultats51, est constitue denviron 5 neurones boucls et 500 neurones gaussiens. Une telle dimension possde un temps de cycle de 79 ms. Sauf pour des processus rapides, un temps de cycle de cet ordre (env. 80 ms) reprsente une perspective intressante pour des applications de surveillance temps rel de processus industriel. En prenant en compte la relation des temps de cycle temps dacquisition, on peut avoir deux cas de figures : une situation o le temps de cycle du programme neuronal est infrieur au temps dacquisition. Dans ce cas, une synchronisation entre les deux cycles est ncessaire. Par contre, si le temps dacquisition est plus rapide que le temps de cycle du programme neuronal, on perd dans ce cas une partie des donnes de surveillance. Une tude dtaille de ces deux situations est prsente dans (Zemouri, 2003).

5.4.5 BILAN DE LEXPLOITATION INDUSTRIELLE


Nous avons prsent une solution dexploitation du rseau RRFR pour des applications de surveillance industrielle en temps rel. Le principe de cette solution est davoir un programme neuronal en langage automate, charg dans lunit centrale de celui-ci pour traiter les donnes capteurs en temps rel. La phase dapprentissage et de mise jour du rseau RRFR est entirement gre distance par un expert responsable de la mise jour du rseau RRFR embarqu. Cette communication avec un expert distant est obtenue grce au coupleur Web de lautomate. Ce coupleur joue le rle dune jonction entre la couche de communication TCP/IP et lunit centrale de lautomate (CPU). Nous avons donc structur le programme automate pour quil puisse tre entirement volutif distance, c'est--dire permettre un expert distant deffectuer un apprentissage par connexion TCP/IP. Le rseau RRFR sest montr performant pour ce type dexploitation. Ceci est d la simplicit de son architecture et de son algorithme dapprentissage. Les choix effectus, en occurrence le choix du rseau RFR (pour la partie statique du traitement) ainsi que celui des architectures localement rcurrentes (LRGF pour la partie dynamique), ont t trs avantageux. Une autre architecture rcurrente, comme un PMC globalement rcurrent aurait t plus complique embarquer et aurait certainement pris beaucoup plus de mmoire dans la CPU. La gestion des connexions dun tel rseau rcurrent est beaucoup plus complique quune architecture LRGF. Des tests de performance ont t effectus par rapport plusieurs dimensions du rseau RRFR embarqu. A partir des quantifications des diffrents temps de cycles du programme neuronal, nous considrons que cette solution ouvre des perspectives trs intressantes en traitement temps rel des variables de surveillance condition de bien veiller ce que le nombre de neurones gaussiens soit bien choisi pour ne pas avoir un cycle dacquisition plus rapide que le cycle du programme neuronal dans lautomate. Ce nombre maximum a t quantifi en fonction du nombre des variables surveiller et en fonction du cycle dacquisition. Un autre avantage de cette solution est donn par la robustesse industrielle des architectures API. En effet, contrairement aux PC qui ne sont pas labri dun bug impromptu, un automate est conu pour fonctionner dans un environnement industriel hostile avec plus de fiabilit et de robustesse.

51

Par exemple la carte IBM/ZISC (Zero Instruction Set Computer), qui reprsente une implmentation Hard dun rseau RFR possde 576 neurones gaussiens. (Zemouri et al., 2001)

page 154

En ce qui concerne la phase de commercialisation du systme neuronal de surveillance avec notre partenaire AVENSY Ingnierie, il faudra continuer le prototypage par un travail de dveloppement et de test de dtection, de diagnostic de dfaillances ainsi que des tests de prdiction en environnement industriel. Ces tests sont absolument ncessaires pour convaincre une clientle industrielle (constructeur de machines outils, professionnels de la surveillance et de la maintenance, intgrateurs, etc.) devenue de plus en plus exigeante. Des perturbations peuvent alors tre rajoutes la maquette pour des simulations de dfaillances, car provoquer de vraies dfaillances avec comme risque la destruction du matriel serait relativement dangereux et potentiellement coteux. Ces perturbations peuvent tre obtenues en agissant sur les valeurs de surveillance aprs lacquisition, c'est-dire en gnrant des perturbations au niveau du programme automate (soft) et non pas sur le matriel (hard). Plusieurs combinaisons de dfaillances simules peuvent alors tre obtenues en agissant sur lensemble des donnes acquises.

5.5 CONCLUSION ET PERSPECTIVES


5.5.1 PRINCIPALES CONTRIBUTIONS
Le rseau RRFR se dmarque des autres architectures de rseaux rcurrents essentiellement par sa simplicit de paramtrage. Nous avons ainsi mis en vidence ces proprits en le testant sur trois problmatiques distinctes :
- reconnaissance de squences temporelles Nous avons montr la simplicit avec laquelle le rseau RRFR est capable dapprendre plusieurs squences boolennes simples. Sa capacit de gnralisation locale lui permet de reconnatre des squences proches de celles apprises et de dtecter des squences inconnues. Ce type dapplication est trs utile pour la surveillance dun systme vnements discrets. Le rseau apprend reconnatre des squences de bon fonctionnement et dtecter des squences de dysfonctionnement connues. En surveillance de paramtres rels, lapprentissage de squences temporelles peut servir la dtection prcoce dun palier de dgradation et liminer les pics de fausse alarme. - prdiction temporelle En ce qui concerne la prdiction temporelle, nous avons choisi la srie temporelle chaotique Mackey-Glass et la prdiction de la sortie en concentration de CO2 dun four gaz. Nous avons amlior les performances de prdiction du rseau RRFR grce une version volue de lalgorithme dapprentissage des k-moyennes. En exploitant la technique Fuzzy Min-Max pour linitialisation de lalgorithme des k-moyennes, nous pouvons garantir une meilleure stabilit du rsultat avec une erreur de prdiction proche du minimum global. Cette initialisation permet galement lalgorithme de converger vers un nombre des centres k garantissant une bonne gnralisation en vitant les deux zones de sous-apprentissage et de sur-apprentissage. Lapprentissage du RRFR est ainsi moins dpendant de la phase de paramtrage de lalgorithme dapprentissage. - reproduction de squences temporelles Grce la mmoire dynamique du RRFR, lapprentissage dune squence temporelle nest autre quun problme dinterpolation linaire. Une fois les paramtres des gaussiennes dtermins, les poids de sortie du rseau RRFR sont calculs de telle sorte rsoudre le problme dinterpolation dont le vecteur dentre reprsente lvolution de la mmoire dynamique, et la sortie reprsente la squence temporelle reproduire. La seule condition est que la squence temporelle ne soit pas plus longue que la longueur de la mmoire

Chapitre 5 Evaluation des Performances et Exploitation Industrielle des RRFR

page 155

dynamique du rseau RRFR. Lapprentissage dune squence temporelle en utilisant les algorithmes des rseaux globalement rcurrents est extrmement lourd en temps de convergence et en ressources informatique, alors quavec le RRFR le calcul des poids de sortie seffectue par simple inversion matricielle.

Une tude comparative du RRFR par rapport aux structures neuronales dynamiques les plus appropris pour la surveillance dynamique (R2BF et DGNN) a mis en vidence la supriorit de loutil propos, dans tous les secteurs dapplication lis ce domaine. Enfin, du point de vue de lexploitation industrielle du concept, un des objectifs de notre travail tant de dvelopper un outil neuronal dynamique, facilement paramtrable via la couche de communication TCP/IP pour des applications de surveillance industrielle temps rel, nous avons alors dcompos le rseau RRFR en fonctions lmentaires. Le rseau RRFR est charg dans un Automate Programmable Industriel (API) et assure une surveillance temps rel. La partie apprentissage et visualisation des variables de surveillance est entirement gre distance grce au coupleur serveur Web de lautomate. Un expert distant ( lintrieur ou lextrieur de lentreprise) peut ainsi suivre lvolution de lquipement surveiller et galement paramtrer le rseau RRFR distance. Cette solution profite du traitement temps rel avec la fiabilit du fonctionnement des architectures automates industriels. Lapplication de ce concept ouvre des perspectives nouvelles, trs intressantes pour lexternalisation de la maintenance. En effet, beaucoup dentreprises optent pour ce genre de solution qui leur permet la fois de mieux matriser leur budget maintenance, mais surtout de se recentrer sur leur vritable mtier de production. Une des retombes de ce travail a t marque par lexploitation industrielle en collaboration avec la socit Avensy Ingnierie, qui a mene au dpt dun brevet dinvention52.

5.5.2 PERSPECTIVES
a) PERSPECTIVES SCIENTIFIQUES
Malgr les rsultats grandement surprenants et prometteurs obtenus par les rseaux de neurones artificiels, ces derniers restent tout de mme assez loin dgaler les capacits sensorielles et surtout de raisonnement dun expert humain. Nous avons vu que les rseaux de neurones en gnral, et le RRFR en particulier sont trs efficaces dans la dtection dune dfaillance, dtection dune dgradation (palier de dgradation), modlisation et prdiction dune volution temporelle dun signal non linaire ; par contre, la fonction de diagnostic est notre avis une tche trs complexe, et ne peut tre quen partie rsolue par la technique de reconnaissance des formes. La raison principale est que lexpert humain dans sa mission de tenter de diagnostiquer la cause dune dfaillance de toute une machine ou dun sous ensemble de cette machine, fait souvent appel dautres informations que les valeurs quantitatives (les donnes capteurs). La question quon peut se poser et qui peut ouvrir deux perspectives compltement antagonistes est de savoir est-ce que lon veut tout prix remplacer lexpert humain afin dautomatiser 100% cette tche de diagnostic ?
52

Brevet intitul : Systme de surveillance temps-rel bas sur les rseaux de neurones dynamiques, accessible distance par un serveur web , auteurs : D. Racoceanu, R. Zemouri, N. Zerhouni, R. Labourier, dpositaires du brevet : ENSMM (50%) et Avensy (50%), date de dpt du brevet : 30 septembre 2002, numro denregistrement : 021 2205. Le brevet est actuellement en cours de ractualisation.

page 156

Dans laffirmatif, les recherches sorienteront dans ce cas plutt vers les neurosciences et le dveloppement propre des rseaux de neurones artificiels afin de dvelopper des architectures neuronales qui tendent se rapprocher davantage vers les rseaux de neurones biologiques. Par contre la deuxime option, qui nous semble la plus intressante, est de savoir comment faire pour extraire le bon vecteur caractristique associ une cause bien prcise. Comment fait lexpert humain pour rassembler toutes les informations lui permettant de prendre sa dcision ? Nous pensons que des systmes hybrides de type Neuro-Flous Temporels (association des techniques de la logique floue avec les techniques neuronales temporelles) peuvent offrir une piste intressante, permettant lextraction et lexploitation des connaissances supplmentaires empiriques de lexpert humain.

b) PERSPECTIVES DEXPLOITATION INDUSTRIELLE


Plusieurs perspectives restent entreprendre concernant lexploitation industrielle. La premire est de tester les capacits dynamiques du rseau RRFR charg dans lautomate. En effet, les capacits du rseau RRFR dtecter un palier de dgradation, un pic de fausse alarme ainsi que ses capacits de prdiction nont pas t testes sur le prototype de lautomate programmable bien quelles soient valides par la simulation. Le problme rcurrent tout test dun systme de dtection et de diagnostic de dfaillances rside justement dans lexistence de ces dfaillances. Lide de provoquer une dfaillance relle ne serait videmment pas envisageable de peur de dtruire lquipement. Le plus judicieux serait donc de concevoir un simulateur de pannes. On pourrait ainsi perturber les variables de surveillance, en gnrant une situation similaire une dfaillance relle. Par ailleurs, toute une combinaison de dfaillances et de dgradations peut tre gnre pour tester le rseau RRFR. La seconde dmarche est bien videmment dadapter linterface homme machine en concordance avec le type dquipement industriel surveiller. En effet, linterface actuelle prsente un caractre gnrique qui nous a servi pour effectuer la validation des fonctions de communication de base et de la structure neuronale. Cette adaptation fait partie de la suite du projet de collaboration entre le LAB et la socit AVENSY.

. . .

Chapitre 6 - Surveillance dynamique par rseaux de Petri flous


6.1 INTRODUCTION
Technique importante prsentant un intrt marqu pour la surveillance, le systme expert flou fait appel une base de connaissances incertaines modlises par lenchanement des rgles logiques floues. Lutilisation de la logique floue dans la surveillance permet daffiner les informations acquises sur le terrain. Ceci se fait en introduisant un lment de type degr de vrit (rel compris entre 0 et 1) associ chaque affirmation, ainsi quen considrant un ensemble de rgles spcifiques (souvent volutives) propres au systme surveill et son environnement. Cette technique semble trs prometteuse grce son potentiel dutilisation en surveillance dynamique et pronostic, avec la possibilit de rester proche de loprateur humain, en prenant en compte sa faon de raisonner et en offrant une traabilit intressante pour le retour dexprience, aspect essentiel de toute fonction de maintenance industrielle. Dans ce sens, selon les critres dfinis dans le paragraphe 3.3.3 d), les rseaux de Petri flous font partie des outils de surveillance gnriques, faciles modliser, capables de prendre en compte lincertain, et dont la validation est envisageable grce loutil mathmatique associ. Nous proposons ainsi des outils intgrs de type rseaux de Petri flous (RdPF) ddis la surveillance et la reprise des systmes vnements discrets et plus particulirement des systmes de production. Un mcanisme dinterfaage appropri est intgr chaque outil, afin de rendre possible la mise en place de la boucle systme - surveillance - commande. Dans la maintenance industrielle, cette boucle est utilise en tant que systme daide la dcision et comprend deux tapes supplmentaires fondamentales : la validation par lingnieur de maintenance et la mise en uvre par un oprateur spcialis. Lintgration de la logique floue dans un tel systme daide la dcision permet une formalisation proche du savoir-faire et de la culture dentreprise ainsi quune flexibilit et une dimension prdictive trs intressante. Il est noter que les lments de base prsents dans ce chapitre correspondent aux travaux dvelopps dans la thse de Mme. Eugenia Minca (Minca, 2004), travaux qui ont fait lobjet dun certain nombre de publications dans des revues et congrs internationaux (Minca et al., 2002a,b, 2003a,b,c).

6.2 ETAT DE LART DES RESEAUX DE PETRI FLOUS. UTILISATION DES RESEAUX DE PETRI FLOUS POUR LA SURVEILLANCE DES
SYSTEMES A EVENEMENTS DISCRETS
Lintgration de lapproche floue dans la surveillance des systmes vnements discrets permet des descriptions qualitatives des procdes par lintermdiaire des variables

page 158

logiques floues et par leurs valeurs pondres de vrit, appartenant lintervalle [0,1]. Un outil capable de modliser la surveillance floue des systmes vnements discrets doit intgrer les concepts de la modlisation gnrique dun systme vnements discrets et les concepts gnraux de la logique floue. Les premires contributions de modlisation des bases de rgles logiques correspondent aux approches gnriques de modlisation des rgles de production par des outils de type RdP (Zisman, 1978), (Valette et al.,1987). Dautre part, les travaux de (Murata et al.,1988), montrent la relation entre la dynamique dun rseau de Petri et la programmation logique (les rseaux de Petri Objets) (Sibertin-Banc, 1985). Le jeton devient un objet : il est dfini par des attributs et des mthodes spcifiques. Ces deux directions ont permis la conception dun outil capable dintgrer la logique floue dans la structure du rseau de Petri. Le rseau de Petri flou (RdPF) est un outil trs appropri pour ltude des systmes vnements discrets dcrits par des connaissances incertaines. Un tat de lart trs complet des diffrentes approches existantes a t publi par Cardoso, Valette et Dubois (Cardoso et al.,1996a). La premire contribution spcifique appartient Looney. Mme si loutil propos (Looney, 1988) est plus proche dun rseau de neurone, il respecte, dans sa dynamique, les concepts dun rseau de Petri ddi aux raisonnements logiques flous. Par la suite, quelques approches de rseaux de Petri flous ont t dveloppes partir des rseaux de Petri ordinaires (Chen et al., 1990), (Pedriycz et al.,1994), (Lipp et al.,1994) ou des rseaux de Petri de haut niveau (Scarpelli et al., 1994), (Gomes et al., 1998), (Camargo, 1998).
Cardoso

Tableau 9.

Diffrentes approches des rseaux de Petri flous

Les diffrents types de logiques (classique, linaire et floue) utilises dans la description des systmes, gnrent deux catgories de modles RdPF : - La premire catgorie est reprsente par les rseaux qui modlisent des raisonnements flous exprims par des rgles floues dcrivant le comportement gnrique dun systme vnements discrets. Les rgles floues qui deviennent pour un systme de production des rgles de production (Valette et al., 1987, 1994), sont mises en correspondance avec les transitions. Le modle global, correspondant lensemble des rgles, modlise un systme expert flou. Dans ce cas, le RdPF est interfac avec le systme rel surveill par des informations provenant des capteurs. Les transitions, qui modlisent lensemble des rgles simultanment vraies, seront franchies en parallle et la conclusion

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 159

sera le rsultat obtenu par dfuzzyfication (Hanna, 1994), (Gomes et al., 1995). On reconnat le mcanisme spcifique un contrleur flou, qui, par rapport un systme expert flou, prsente une typologie simplifie. - Lautre catgorie de RdPF modlise un systme dynamique physique. On obtient des classes dapplication qui expriment lincertitude ou le flou des connaissances au niveau des tats des ressources du systme (Cardoso et al., 1990), (Valette et al., 1989). Ce type de RdPF modlise un systme physique par application de la logique linaire aux transformations de ltat des ressources, en conservant lincertitude des connaissances concernant leur prsence ou leur disponibilit. Les composantes du RdPF sont adaptes pour la reprsentation des connaissances incertaines par des variables floues (ensembles flous ou fonctions dappartenance) associes aux places (Cao et al.,1993), (Bugarin et al, 1994) et/ou aux transitions et/ou aux jetons (Chen et al., 1990), (Pedriycz et al., 1994), (Lipp et al., 1994), (Scarpelli et al., 1994), (Gomes et al., 1995) et/ou au marquage (Cardoso et al.,1990), (Cardoso, 1995), (Valette et al.,1989) et/ou aux arcs (Camargo, 1998), (Lipp et al., 1994). Dans toutes ces approches, comme dans notre tude, la prsence du jeton est binaire, mme si celui-ci se charge de valeurs floues au moment de son apparition dans la place. Par ailleurs, pour conserver la cohrence des modles RdPF avec des rgles logiques quivalentes (monotonie de la logique classique), il est ncessaire de faire la remarque suivante : Remarque (Looney, 1988) : Dans un RdPF qui modlise des bases de rgles logiques, le franchissement des transitions ne consomme pas les jetons des places antrieures. Pratiquement, cela peut tre modlis par des arcs qui remettent les jetons dans les places amont aprs le franchissement dune transition ou en supposant un nombre infini de jetons dans chaque place. Ce nombre infini de jetons ne sera donc pas modifi ( - 1 = ) aprs le franchissement de cette transition (Murata et al., 1988), (Cardoso et al.,1996a,b).

6.3 OUTIL DE SURVEILLANCE PAR APPROCHE APPLICATION A LA SURVEILLANCE DYNAMIQUE


6.3.1 INTRODUCTION

FLOUE.

Lintrt principal de la thorie de la logique floue est de permettre la reprsentation du raisonnement approximatif, qui fait intervenir des connaissances incertaines53, imprcises54, ainsi que des connaissances exprimentales et pratiques, habituellement difficiles modliser par les techniques de la logique classique. Lapport de lutilisation des rseaux de Petri pour reprsenter la synchronisation des activits des systmes vnements discrets, nest plus dmontrer. La prise en compte du temps dans les rseaux est calque sur le modle du rseau de Petri temporel qui permet une intgration facile des mcanismes conventionnels pour la modlisation de la dtection directe et indirecte (chiens de garde, comptes rendus).

53 La notion d'incertain est relative la vrit dune information. Elle traite du cas o les lments de connaissance ont une valeur de vrit connue avec plus ou moins de prcision 54 La notion dimprcision porte sur un dfaut quantitatif de connaissance. Elle traite le cas o les lments de connaissance ont un contenu imprcis

page 160

La simplicit dutilisation des RdP pour la dtection des dfauts dans les systmes vnement discrets (SED) et la modlisation de la propagation, et ladaptation de la logique floue pour la reprsentation des systmes de surveillance complexes ou mal dfinis, nous amne proposer un rseau de Petri flou pour la surveillance. Les rseaux de Petri flous sont orients vers la modlisation des raisonnements flous, sur la base des rgles logiques statiques (Looney, 1988), (Chen, 1990). Cest pour donner un aspect dynamique la surveillance des systmes que nous proposons un Rseau de Petri Flou pour la Surveillance (RdPFS), outil qui utilise une approche temporelle floue.

6.3.2 DESCRIPTION ET DEFINITION DE LOUTIL RDPFS


Loutil de surveillance propos suppose lexistence dun modle du systme surveill (Figure 100). Ce dernier doit intgrer la fonction de dtection directe (Lefevre, 2000) qui consiste observer lapparition des symptmes de dfaut signals par les capteurs de surveillance (Combacau, 1991). La dtection directe est mise en correspondance avec les capteurs ou les actionneurs placs dans les points de rfrence de dbut/fin des activits.
Systme de production Modle du systme surveill RdPTO Surveillance dynamique RdPFS

Figure 100.

Place des modles de dtection (RdPTO) et de surveillance dynamique (RdPFS)

Dans le cadre de notre tude, la modlisation du systme surveill fait appel deux Rseaux de Petri Temporels Objets (RdPTO), sur le modle de (Combacau, 1991). Un des rseaux modlise les tats de fonctionnement correct du systme et reprsente le rseau de rfrence. Ce rseau sert de rfrence pour le systme de commande modlis par un autre RdPTO appel rseau de commande. Les deux rseaux se trouvent dans une relation de collaboration (Figure 101). Laspect temporel orient objet consiste en laffectation de linstant de franchissement dune transition en tant quattribut fondamental du jeton.
Symptome 1
TG1

[1, 1]
<p>

Tde b_com 1
<p>

Tdeb_ref
<p>

Pd_e
<p>

TG2

[ 2 , 2 ]

<p>

ai en cours

Pd_s

Td e b _ c o m 2 ai en cours Tf i n _ c o m 1
<p>

Symptome 2

Tf i n _ r e f

Pf_e Pf_s
<p>

Rseau de rfrence

Tf in_com 2
R s e a u d e c om m a nd e

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 161

Figure 101.

Modlisation du systme surveill par RdPTO. Intgration de la dtection directe.

Par rapport aux travaux de Combacau, le modle RdPTO du systme surveill que nous considrons nintgre pas de fonctions de surveillance avances. Cette fonction fait lobjet dun module RdPF spcifique la Surveillance dynamique - le RdPFS. La communication et la synchronisation entre les modles du systme (RdPTO) et le modle de surveillance (RdPFS) se fait par lintermdiaire de symptmes de type signaux de synchronisation (nots par !?s), inspirs des rseaux de Petri synchronisations internes (Daniel, 1995), (Racoceanu et al., 2002). A ces signaux, nous avons rajout des informations floues concernant linstant dapparition du dfaut. Au moment de larrive du jeton de type symptme dans la place du RdPTO qui modlise le symptme de dfaut (chien de garde - CG), un signal de synchronisation sera mis vers la transition correspondante du RdPFS. Le RdPFS modlise lvolution temporelle des dfauts, exprime par un outil descriptif dynamique inspir de larbre de dfaillance. La propagation et lvolution des dfauts sont values par des sections temporelles du marquage du RdPFS. Ce modle est bas sur des informations prdictives qui dclarent a priori certains dfauts de larbre de dfaillance, comme tant critiques dans lvolution du systme. Ces tats critiques identifis par des places correspondantes du RdPFS -, dfinissent le chemin critique des dfauts. Les places critiques sont caractrises par des seuils de criticit des dfauts correspondants. Elles matrialisent linterface qui permet de dclencher laction de reprise/maintenance. Le RdPFS est dfini comme tant le n-uplet < P, T, D, I, O, F, ?S, !R, , , > , avec :
P = {p1, p2,..pn}
ensemble fini des places qui modlisent les dfauts possibles du systme. Cet ensemble de dfauts est structur en deux catgories : dfauts de base et dfauts drivs. Les dfauts pris en considration peuvent tre aussi bien transitoires que persistants ; ensemble fini des transitions qui modlisent lvolution des dfauts, en conformit avec un ensemble des rgles logiques floues R. Chaque transition est associe une rgle ; ensemble fini de propositions logiques qui dfinissent la base des rgles R ; fonction dentre dans les places ; fonction de sortie des places ; fonction qui associe chaque rgle modlise par une transition, une fonction dappartenance F qui dcrit le degr de crdibilit i = F(t) de la rgle. Linstant t correspond la dtection dun symptme de dfaut ; fonction associative qui tabli une valeur de crdibilit j (nombre flou) pour les places correspondant aux propositions logiques djD. Ce paramtre reprsente la possibilit dapparition du dfaut associ la place pj ; fonction bijective qui associe les propositions logiques dj aux places pjP ; fonction qui associe une place pkP, une valeur de seuil k dacceptabilit/permissivit pour le dfaut correspondant, du point de vue de laction de reprise. k correspond au seuil davertissement du paramtre . Le paramtre k est associ uniquement certaines places symbolisant les dfauts drivs critiques. Le dpassement de ce seuil ncessite une action de reprise; ensemble des signaux (flous) des symptmes des dfauts envoys (!) ou reus (?) par le systme surveill respectivement le systme de surveillance. Ils arrivent sur les transitions charges de l'information temporelle instant t de franchissement ; ensemble des signaux (flous) de reprise mis par le systme de surveillance; marquage initial qui correspond aux jetons assigns aux places correspondant aux dfauts de base. Par convention, les places associes aux dfauts de base ne sont pas reprsentes dans le modle global du RdPFS.

T = {t1, t2,..tn} D = {d1, d2,..dn}

I:TP O : P T f i : T F

j : P [0,1] j : P D k : P [0,1]

!?S = {s1, s2,, sl}

!R = {r1, r2,, rl}

page 162

Par lintermdiaire des transitions temporelles, une modlisation de l'volution dynamique de la propagation des dfauts est mise en oeuvre. Les signaux de synchronisation avec le modle (RdPTO) de dtection directe, valident le franchissement des transitions, durant les fentres temporelles alloues. Chaque implication lmentaire dispose des paramtres suivants :
La valeur floue j reprsente la modlisation de la gravit du dfaut, en fonction de linstant de son apparition. Cette valeur est labore dans le modle RdPTO. La valeur floue i reprsente le degr de vrit de l'implication logique di dk en fonction de l'instant d'arrive du signal de dfaut. Cette valeur est labore dans le modle RdPFS et elle reprsente le degr dappartenance de la variable floue t instant dmission dun signal de dfaut la variable linguistique "apparition des dfauts di, dk ". L'instant t d'injection du signal flou reprsente l'instant de franchissement de la transition du RdPFS si elle ne se trouve pas la concurrence des plusieurs places. Dans ce cas, t reprsente l'instant de franchissement possible de la transition temporelle ou le dbut de sa sensibilisation.

Caractristiques du RdPFS :
Le RdPFS modlise des raisonnements logiques et pas des transformations de ressources. C'est la raison pour laquelle la conservation des ressources produites/consommes nest pas respecte et la logique linaire ne sapplique pas. Une place peut tre marque par un seul jeton. Vu qu'une place modlise l'tat d'une variable logique, si la place est marque, la variable logique est vraie et si la place n'est pas marque, la variable logique associe est fausse. Par ailleurs, vu que le rseau modlise des raisonnements logiques flous, le degr de vrit de chaque variable logique est variable. Ceci est caractris par le nombre flou associ la place. Le franchissement d'une transition ne "consomme" pas les jetons des places prcdentes. Ceci est la consquence du fait que le statut des variables logiques ne change pas si on continue faire des raisonnements logiques avec ces variables. On affirme dans ce cas que, dans chaque place aval dune transition franchissable, apparat un jeton qui consomme des copies des jetons des places situs en amont de la transition. Cette remarque nous permet de modifier l'quation fondamentale d'un rseau de Petri qui ne contiendra pas la matrice Pr. Le partage des ressources, concept spcifique aux RdP, perd sa signification dans le cas du RdPFS. Une place marque peut tre "partage" sans conflit, par plusieurs transitions. En ralit, le sens de partage est incorrect, parce que chaque place peut envoyer une infinit de copies des jetons vers les transitions suivantes.

Dans le systme vnements discrets surveill (modle RdPTO), linstant de franchissement t de la transition associe une activit ai surveille (faisant lobjet dune dtection directe) peut tre modlis par la fonction dappartenance FN correspondant une activit normale ou par la fonction dappartenance F (ou F) correspondant lapparition dun dfaut dexcution (Figure 102). La dtection directe implante dans le modle RdPTO du systme, surveille ainsi l'apparition des dfauts par un mcanisme de type chien de garde (CG). Ce mcanisme envoie un signal !si, en utilisant une modlisation floue de linstant de franchissement de la transition du chien de garde (TG). Le signal si est charg dune variable floue i=F(t) associe au degr de crdibilit de la rgle de propagation du dfaut dj vers le dfaut driv dk. Dans le rseau RdPFS, le signal si est rceptionn (?si) et une modlisation floue de limplication d j d k permet de calculer la valeur de vrit de la variable logique d k induite.

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 163

Symptme de dfaut !si

Chemin critique

!rk
<p> dj i = F(t) ?si i dk, k

ai
<p>

pj

Ti
FN F

pk

<p>

t 0 Rseau de Petri Temporel Objet RdPTO modlisation du systme surveill et de la dtection directe tmin t0 tmax T

Rseau de Petri Flou pour la Surveillance RdPFS modlisation de la propagation des dfauts ( partir de l'arbre de dfaillance du systme) ou des dgradations (pronostic)

Figure 102.

Principe de modlisation de la propagation des dfauts

Le point de dpart de la propagation des dfauts dans le modle de surveillance RdPFS, est constitu par les dfauts de base (de type dj). Leur apparition est signale par lensemble des signaux de synchronisation !sj mis par le modle RdPTO du systme surveill. Les dfauts drivs (de type dk) sont des combinaisons logiques de dfauts de base et/ou de dfauts drivs antcdents. Chaque transition Ti du RdPFS correspond une rgle floue qui dcrit la propagation des dfauts. Elle est associe la fonction i = F(t) qui exprime le degr de crdibilit de la rgle de propagation des dfauts modlise par la transition concerne. Cette fonction associe chaque rgle une crdibilit dynamique. Chaque place du RdPFS correspond un dfaut (ou une dgradation) du systme surveill. Le marquage dune place pj correspondant un dfaut de base, est associ une valeur floue j [0, 1] de crdibilit (gravit) du dfaut de base observ. La valeur floue k, associe au marquage de la place pk correspondant un dfaut driv, est calcule en appliquant le modus ponens gnralis (Chen, 1990). Dans notre approche, nous considrons les oprateurs : T(u,v) = min(u,v) - norme triangulaire (t-norme) et (u,v) = max(u,v) - conorme triangulaire (t-conorme), ainsi que loprateur modus ponens gnralis Tprobabiliste (u, v) = u.v . La valeur de crdibilit k de la conclusion sera ainsi :
k = s u p t T T ( j ,f R ( j , k )) = T ( j , i )

[9] [10]

Quand une place pk appartenant au chemin critique est marque, un signal !rk est instantanment envoy vers le systme de reprise (maintenance). Mis part sa mission de synchronisation avec le sous-systme cible, le signal sera charg de deux informations : le nombre flou k associ au marquage de la place et la valeur du seuil k. Une analyse approfondie des problmatiques de modlisation floue de la dtection est prsente dans (Minca, 2004).

page 164

6.3.3 MODELISATION DES REGLES LOGIQUES DE LARBRE DE DEFAILLANCE PAR RDPFS


Comme nous lavons mentionn, le RdPFS est ddi la modlisation des rgles logiques qui dcoulent de larbre de dfaillances (ADD) dans lobjectif deffectuer une surveillance dynamique. Une expression logique de type ADD est compose par lenchanement logique des variables logiques, par lintermdiaire des oprateurs de conjonction et de disjonction logique. Loutil RdPFS peut modliser des rgles logiques d'ADD en respectant un certain nombre de contraintes voques dans (Minca, 2004). Dans la figure suivante, nous prsentons la modlisation de l'expression logique di d j d k . Cette expression est quivalente une disjonction de deux expressions logiques lmentaires :
di d j d k ( di d k ) ( d j d k )
di

ai
1 0

di d k
F

aj
1

d j dk

F T

pi dj j pj

[i j]
?si
Tij

dk, k

t
Tmax = t0i

tmax_i
i

Tmax = t0j j

tmax_ j

pk

?sj

Figure 103.

Modlisation de l'implication logique par une transition temporelle

La transition Tij qui modlise l'implication ( di d k ) peut tre franchie dans lintervalle :

i = t0i , tmax_ i : le signal de synchronisation avec le RdPTO peut arriver durant i .


La transition qui modlise l'implication ( d j d k ) peut tre franchie dans lintervalle :

j = t0 j , tmax_ j : le signal de synchronisation avec le RdPTO peut arriver durant j .


Les signaux !si, !sj peuvent arriver dans l'intervalle temporel :
t0i , tmax_ i t0 j , tmax_ j = i j [28]

6.3.4 EXEMPLE DE MODELISATION EN UTILISANT LE RDPFS


On considre lexpression logique F associe un arbre de dfaillance. Lensemble des signaux {!s1, !s2, !s3, !s4} sont mis par la dtection directe du systme surveill (RdPTO). Lensemble {?s1, ?s2, ?s3, ?s4} reprsente les signaux reus par le systme de surveillance modlis par RdPFS (Figure 104). F = (d1+d2)*d3 + d4*d1+ d3*(d1+d4) [29]

Nous pouvons crire lexpression F en utilisant les oprateurs logiques runion et intersection :

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 165

F = ( d1 d 2 ) d 3 ( d 4 d1) d 3 ( d1 d 4 ) 4 3 4 3 1 24 4 3 1 24 1 24 ds1 ds 4 3 1442444 4 ds 2 3 1442444 4


ds 5 ds 3 2444444444 3 1444444444 ds 6 uuur

L'hypothse de disposer dune description floue, pour un contexte quelconque de dfauts simultans, semble utopique. Dans ce sens, le RdPFS modlise lexpression F en mettant en forme chaque implication lmentaire de type di d j . Ceci nous permet de valoriser lexprience de lexpert qui peut faire des valuations pour des activits singulires. En utilisant loutil RdPFS, nous modlisons lexpression logique F [29] en respectant la correspondance des symboles : + pour lunion et * pour lintersection des variables logiques. Pour chaque transition qui modlise une rgle correspondant une opration logique de larbre de dfaillance, nous avons conu les fonctions Fi dappartenance de linstant t aux classes apparition des dfauts di, dk . A chaque instant t, on identifie des diffrents degrs de crdibilit.
1 0 1 0 3 2 t0 T t 1

F1
t0 T t !s1 !s2 1,?s1 1 2,?s2

Propagation des dfauts dans le sous-systme surveill

F2

d1 d2 d3

d s1
2 3,?s3 4
1,?s1 4,?s4

3,s1 1,4
3,?s3

d s5 ds4

6 7 9

1 0 1 0

F3
t0 T t !s3 !s4 t

ds6
!r(s6) s6

d4
4,?s4

d s3
!r(s2)

F4
t0 T

ds2
Chemin critique

s2

3,s2

Figure 104.

Reprsentation de la fonction F par le RdPFS

Le franchissement de chaque transition (la rgle) consomme les copies des jetons des places amont (lantcdence de la rgle) et induit des jetons dans les places aval (la conclusion de la rgle). A chaque instant t, une section dans le marquage global du RdPFS indique un front temporel dans le sens de la propagation des dfauts.

6.4 ALGORITHME

DYNAMIQUE APPROCHE FLOUE

DE

SURVEILLANCE

PAR

Dans ltude de la dynamique du RdPFS, nous prsentons, dans un premier temps, une analyse du comportement des transitions. Par la suite, une analyse temporelle floue de la propagation des dfauts sera introduite. Elle donne lieu un algorithme dynamique dvaluation des dgradations/dfauts du systme. Enfin, un exemple dapplication met en vidence lintrt de cet algorithme.

page 166

6.4.1 APPROCHE

TEMPORELLE FLOUE POUR SYSTEMES A EVENEMENTS DISCRETS

LA

SURVEILLANCE

DES

Loutil RdPFS est ddi la modlisation des implications logiques qui enchanent des variables logiques par lintermdiaire des oprateurs logiques ET ou OU. Nous avons montr quil nest pas adapt la modlisation complte des raisonnements logiques. Il est par contre spcialis dans la surveillance des systmes de production et, plus particulirement, la modlisation des rgles logiques qui dcrivent la propagation des dfauts. En utilisant cet outil, on peut donc reprsenter les typologies suivantes de rgles logiques :
propositions logiques lmentaires de type implication floue : p q propositions logiques de type implication floue avec conjonction en antcdence :

p1 p2 .... pn q
propositions logiques de type implication floue avec disjonction en antcdence :

p1 p2 .... pn q
propositions logiques de type implication floue avec conjonction en consquence :

p q1 q1 ..... qm p q1 q1 ..... qm

propositions logiques de type implication floue avec disjonction en consquence :

( A B C) ( A C) (B C)

Conjonction dans lantcdence :

Rgles Logiques modlises par le RdPFS

( A B C) ( A C) (B C)
( A B C ) ( A B) ( A C )
Disjonction dans la consquence: Conjonction dans la consquence:

Disjonction dans lantcdence:

( A B C ) ( A B) ( A C )
Figure 105. Propositions logiques lmentaires modlises par le RdPFS

Remarque : Loprateur ngation nest pas modlis, car les rgles logiques de propagation des dfauts prennent en considration la possibilit dapparition des dfauts et pas la possibilit de leur non- apparition. Pour les propositions logiques complexes de type implication logique, des transformations sont effectues pour mettre en vidence ces propositions logiques lmentaires. L'algorithme propos pour l'laboration du RdPFS, outil spcialis dans l'analyse temporelle floue de la propagation des dfauts, fait appel aux tapes suivantes : 1. Modlisation du systme surveill par RdPTO 2. Dtection directe modlise par des mcanismes de chien de garde (CG), extensions du modle RdPTO du systme.

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 167

3. Fuzzyfication de linstant de franchissement Symptome de la transition du chien de garde TG. Les jetons du CG du RdPTO deviennent des objets ayant comme attribut le nombre flou d ( Symptome ) 4. L'apparition des symptmes dans les places des mcanismes CG, implique lmission des signaux de synchronisation !si. Ces signaux, mis par les places du RdPTO, sont rceptionns comme signaux duaux ?si par les transitions du RdPFS. Les signaux !?si sont chargs des informations i = d ( Symptome ) reprsentant la gravit du dfaut (dgradation) enregistr. 5. Elaboration du modle du systme de surveillance par RdPFS, eu utilisant l'expression associe lADD. L'expression de lADD sera dcompose en rgles logiques. La structure du rseau RdPFS traduit l'enchanement logique des rgles de la base des rgles (R) obtenue. 6. En partant du rseau RdPFS obtenu, on identifie les implications logiques lmentaires, modlises par des transitions. Limplication logique lmentaire met en vidence la "contribution" de chaque variable logique de lantcdence dans la valeur de vrit de la consquence. 7. Les implications lmentaires mettent en vidence la relation de causalit temporelle entre les deux dfauts, relation qui permet dassocier chaque transition qui modlise la rgle, un intervalle de sensibilisation correspondant la fentre temporelle [timin , timax ] pendant laquelle, aprs l'occurrence d'un dfaut, un dfaut driv est susceptible d'apparatre. 8. Pour chaque implication logique lmentaire, on propose une modlisation floue de la force de liaison entre les variables impliques. Cette description floue est en fonction de l'instant d'arrive du Symptome . La rgle logique modlise reoit la valeur de crdibilit :
i = a ( Symptome )

[30]

9. En appliquant le modus ponens gnralis, on peut calculer la valeur de crdibilit de la consquence de cette rgle :

k = ( j i ) i

[31]

10. Pour les transitions qui modlisent une implication avec plusieurs variables en antcdence / consquence, on applique la formule :
k = max/ min ( j i ) min/ max ( i )

[32]

6.4.2 DYNAMIQUE DES TRANSITIONS DANS LE RESEAU DE PETRI FLOU POUR


LA SURVEILLANCE

En fonction de linfluence des dfauts du systme surveill et de la permissivit d'une action de maintenance (reprise), nous considrons la classification suivante des dfauts :
Dfauts permis :

page 168

Peuvent tre corrigs sans arrter le systme et sans interventions sur le systme de commande. Ils sont pris en compte par la politique conomique comme des dfauts admissibles ; - Dfauts autoriss : Caractriss par un certain degr de risque qui demande une intervention obligatoire au niveau de la commande, pour rendre le systme dans un des tats dgrads autoriss (Combacau, 1991) ; - Dfauts interdits : Provoquent des tats interdits du systme. Dans ce cas, une action de reprise est impossible. Pour cette catgorie des dfauts, il est souhaitable de mettre en place une approche prventive qui combine la prdiction avec un systme de correction.

Si un dfaut autoris o interdit est en train se produire, on doit intervenir au niveau de la commande, essentiellement dans les activits qui cooprent son apparition. Les places correspondant ces dfauts dfinissent le chemin critique des dfauts. Elles sont associes aux seuils dintervention ou davertissement :

: P [ 0,1]

[33]

On peut donc dfinir un vecteur critique des dfauts , utilis pour valuer linstant dintervention corrective ou prventive. En prenant en considration les oprateurs ET et OU prsents en grande majorit dans la plupart des arbres de dfaillance les propositions logiques peuvent tre regroupes en quatre catgories : conjonction et/ou disjonction en antcdence et en consquence. Loutil RdPFS est adapt ces catgories des problmes. Dans notre approche temporelle, le seul cas qui pose des problmes particuliers par rapport lapproche de Chen (90) est le cas de la conjonction en antcdence. Nous focalisons notre tude sur ce type de transition. Soit la proposition logique lmentaire : di dk dfinissant une propagation de dfaut. Nous pouvons noncer la proposition suivante : Proposition : Si le signal !si de type Symptme, associ un dfaut de base di nest pas envoy vers le RdPFS, la transition temporelle qui modlise limplication lmentaire di dk nest pas franchissable. La transition qui modlise l'implication logique di dk est une transition temporelle. Si le signal !si est envoy l'instant , il sert de signal de sensibilisation pour la transition temporelle. Une transition qui ne reoit pas le signal ?si est une transition inactive. La transition correspondant un ensemble de places (dfauts) concurrentes prsente les proprits suivantes : Proposition : Les formules qui gnralisent le calcul de la valeur floue pour la place de sortie et pour la transition quivalente, s'appliquent uniquement pour les couples places/transitions qui reoivent les signaux de synchronisation. Proposition : Si une transition na pas au moins un dfaut de base en amont, elle ne reoit pas de signal de type symptme et le degr de vrit associ est la fonction constante =1. Cette transition a le comportement dune transition ordinaire correspondant un raisonnement logique classique.

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 169

Proposition : Si une transition tiT reoit en entre au moins deux signaux si et sj , un coefficient de vrit quivalent ( = equiv ) est associ la transition des places concurrentes (Figure 106). Cette transition matrialise la conjonction : di dj dk
j 1 0

t jmin
di
pi

t j 0 t jmax
didk
= F(t)
ti

T
dk

?si d ?sj d

k pk

dj j
pj

djdk

i
1 0

ti 0

timin
Figure 106.

timax

Modlisation des raisonnements logiques concurrents di dj dk par RdPFS.

Cette transition temporelle reoit pendant l'intervalle de sensibilisation associ, les signaux de dfaut ?si et ?sj. Lapparition des signaux ?si et ?sj (associs chacun deux un dfaut de base) induit des valeurs diffrentes i, j la transition :
di d k ( CV = i ) k = i i d j d k ( CV = j ) k = j j

Un degr de vrit global doit ainsi tre calcul pour la transition qui modlise la concurrence de ces places. La formalisation de ce degr de vrit global passe par lanalyse du rseau de Petri flou qui matrialise lexpression logique quivalente :

i j di d j d k di d k d j d k ;

( CV = )

Pour la transition quivalente, le degr de crdibilit global sera par consquent :

= i j = max ( i , j )
ce qui permet dobtenir le degr de crdibilit de la consquence :

[34]

k = min ( i , j ) = max ( i , j ) min ( i , j )

[35]

Remarque : Nous proposons une approche base sur lhypothse de la seule connaissance des propositions lmentaires de type implication logique : di dk. Le RdPFS permet ainsi de modliser des expressions logiques complexes, en traitant des implications logiques lmentaires, beaucoup plus simples apprhender.

page 170

On gnralise ce raisonnement pour une transition qui a plusieurs (m) places amont qui modlisent des dfauts de base d et plusieurs (n) places aval qui modlisent des dfauts drivs d . En conformit avec une base de rgles R, la structure gnrale des enchanements logiques des dfauts concurrents est la suivante :

Dfauts drivs

d s1 s1

ps1 p1

ds2 s2
1

ps2

m pm dm ?sm

sn

psn

d1
Dfauts de base

d sn

?s1

pk

? dk

= F(t)

1
1 0
t1min
T t1max

1 0
tmmin tmmax
T

Figure 107.

Modlisation des dfauts concurrents en antcdence par RdPFS

Proposition : Le coefficient de vrit correspondant la transition associe l'ensemble des dfauts concurrents D i D prend la valeur :
= m ax(1,
2,

...,

s1

, ...

sn

[36]

si la transition a des places d'entre qui modlisent des dfauts de base, et la valeur :

= 1

[37]

si la transition este une transition intermdiaire et se droule sans restrictions temporelles. La valeur de crdibilit de la conclusion (Chen, 90) est donne par lexpression suivante :

= m i n ( 1 , 2 , . . .

s1

s2

, . .

sn

[38]

Dune manire similaire, nous renvoyons le lecteur vers (Minca, 2004) pour des propositions concernant la propagation des degrs de crdibilit des dfauts disjonctifs en antcdence, ainsi que des dfauts disjonctifs et conjonctifs en consquence. Nous supposons qu'il existe au moins un dfaut qui peut induire un dfaut interdit du systme surveill. Ceci implique dintervenir au niveau de la commande, essentiellement dans les activits qui cooprent lapparition de ce dfaut. Il faut donc faire le pronostic des tats critiques qui exigent l'action de maintenance du systme. Cest le rle des paramtres reprsentant des seuils dacceptabilit pour certains dfauts : P [0,1] Les dfauts sont diffrents du point de vue de leur gravit : limportance dun dfaut comme le chariot en panne nest pas comparable avec celle du dfaut outil cass . Cette caractristique est reflte par les valeurs floues i associes chaque dfaut et donc implicitement chaque place du RdPFS. On a montr que ces valeurs sont variables dans le temps et en fonctions de l'occurrence des diffrents dfauts. Pour un dfaut qui fait partie de la catgorie des dfauts interdits, on attribue un seuil plus petit que pour un dfaut qui fait partie de la classe des dfauts permis ou autoriss. Si

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 171

le seuil est dpass, laction de maintenance sera dclenche. Sinon, le systme de surveillance volue sans intervention corrective.

6.4.3 ALGORITHME DEVALUATION DYNAMIQUE DES DEFAUTS


En partant de l'algorithme d'laboration du RdPFS, prsent dans le paragraphe prcdent, nous proposons un outil algbrique capable de reprsenter la propagation temporelle des dfauts dans le systme surveill. La dynamique du marquage du rseau RdPFS, ne peut pas tre value en appliquant l'quation fondamentale du RdP gnrique. Ceci est du au fait que le rseau RdPFS comporte un aspect atypique du point de vue de la propagation des valeurs de crdibilit. Nous nous intressons donc l'algorithme d'volution du marquage du RdPFS, en fonction des contraintes temporelles lies chaque transition, ainsi que des signaux de synchronisation du RdPFS avec le rseau dual RdPTO. Excution du RdPFS Pour montrer l'volution du RdPFS, nous proposons deux directions de calcul : volution du marquage le vecteur de marquage M dtermination des degrs de crdibilit des places correspondantes au nouveau marquage le vecteur MU On utilise les deux oprateurs de l'algbre Max :
: l'oprateur qui, pour deux variables matricielles m n , choisit la valeur maximum entre les lments de chaque position :

A B = D
d ij = max {aij , bij }

[39]

: l'oprateur qui, pour deux variables matricielles A et B de dimensions ( m p ) et ( p n ) , choisit la valeur maximum entre les produits des lments

duaux, sur la ligne/colonne p (la matrice D aura les dimensions ( m n ) ) :

A B = D
dij = max ( aik bkj )
1 k p

[40]

On considre l'quation fondamentale du rseau de Petri :

M = M 0 + ( Post Pre ) s
qui permet de dterminer l'volution du marquage pour un rseau avec :
Post Pre

[41]

M0

Marquage initial Matrice qui dcrit les relations entre les transitions et les places aval Matrice qui dcrit les relations entre les transitions et les places amont Squence des transitions franchies.

page 172

En considrant [41] et l'hypothse que les jetons, aprs le franchissement d'une transition du RdPFS, restent dans leurs places, on supprime la matrice Pre. La matrice Post a les dimensions ( n t ) , avec :
n = card ( Udi ) + card Ud j

[42]

avec di et d j les dfauts de base respectivement drivs et t le nombre des transitions. Pour prciser la squence des transitions qui seront franchies l'instant t, on doit construire le vecteur S qui dcrit la dpendance de la validation de chaque transition, des signaux ?si qui sont attendus dans sa prcdence. Le vecteur S reflte la base de rgles logiques dduites de l'expression logique de lADD. Ce vecteur a les dimensions ( t 1) . Il exprime l'ide que l'occurrence d'un dfaut est possible si certains dfauts, temporellement prcdents, se sont produits. En respectant l'hypothse que les jetons restent dans leur place aprs le franchissement d'une transition, l'quation fondamentale du RdP devient :

M = M 0 ( Post S )

[43]

Les valeurs de crdibilit pour chaque dfaut se trouvent en dpendance directe des valeurs ( i , i ) injectes par les signaux ?si. En fonction des considrations faites dans le paragraphe 3.1., on calcule pour chaque place du RdPFS, la valeur analytique de i . Par la suite, on dfinit la matrice A qui contient sur la diagonale principale, les valeurs i :
1 2 A ' = : ; A = diag ( A ') : i

[44]

Par ailleurs, on propose la construction de la matrice MD qui fait apparatre le vecteur du marquage M sur la diagonale principale. On peut donc dterminer les valeurs floues, correspondant ltat de crdibilit de chaque variable logique modlise par une place, par l'intermdiaire de lquation :

MU = A diag ( M 0 ( Post S ) )

[45] [46]

MU = A MD
Construction du RdPFS associ larbre de dfaillance du systme surveill ; Identification du vecteur des dfauts de base et drivs ; Identification du vecteur critique des dfauts

L'algorithme pour l'valuation dynamique des dfauts produits est le suivant :

= [ 1 ; 2 ;...i ] , pi {chemin critique}

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 173

Par hypothse, le marquage initial M0 du RdPFS est nul dans les places correspondant aux dfauts drivs, en considrant qu'au dbut de son volution, le systme est dans un tat de fonctionnement normal (sans dfaillance). Les places marques sont celles correspondant aux dfauts de base, seules causes potentielles de dclenchement de l'tat dfaillant du systme surveill. Les vnements discrets responsables de l'volution du marquage du systme, sont les signaux de synchronisation avec la dtection directe.
Dtermination du vecteur S des signaux conditionnels pour les transitions; Dtermination du vecteur A avec les expressions gnrales des valeurs floues correspondant la chaque place;

Calcul du marquage M du RdPFS en utilisant la formule [43];


a)

Calcul du vecteur MU des valeurs floues pour le RdPFS avec [46] :

b) Comparaison de v avec le vecteur critique des dfauts

afin dvaluer

lopportunit de la maintenance.

6.5 EXEMPLE DE SURVEILLANCE DYNAMIQUE PAR RDPFS.


Pour illustrer lapplication de lalgorithme l'valuation dynamique des dfauts dans le RdPFS, nous reprenons lexemple de lADD (paragraphe 6.3.4 ) :
F =

(( d 1 + d 2 ) d 3 ) + ( d 1 d 4 ) + ( d 3 ( d 1 + d 4 ))

[47]

D = U d i = {d 1, d 2, d 3, d 4}

D = Ud si = ds1, ds 2, ds3, ds 4, ds5, ds 6

En appliquant lalgorithme dvaluation dynamique des dfauts, nous obtenons :


Construction du RdPFS associ l'expression [47] :
P1 T1 Ps1 P2 T2 T6 T3 P3 Ps2 Ps4 T9 Ps6 T5 T8

Ps5

P4 T4

T7

Ps3

T10

Figure 108.

Modlisation de la surveillance spare par le RdPFS

page 174

Modlisation de la rgle

d1 d2 ds1
T1

Modlisation de la rgle

d1 d 2 ds1

avant franchissement

Aprs franchissement

P1 1, ?s1

( )
1, s1

P1

m in ( 1, s 1 , 2 , s 1 )
Ps1

01 = 1
Ps1

1
P2

P2

T2

s1 = min ( 1, s1 , 2, s1 ) max ( 1, 2 )

02 = 1
2, ?s2 2, s1 a)

b)

Figure 109.

Modlisation de la rgle d 1 d 2 d s 1 par RdPFS avant a) et aprs b) franchissement

Identification du vecteur des dfauts de base et drivs :

D U D = d1, d 2, d 3, d 4, ds1, ds 2, ds3, ds 4, ds5, ds 6


Identification du vecteur critique des dfauts

= [ 0;0;0;0;0; s 2 ;0;0;0; s 6 ] ,
Marquage initial.

{ ps 2 , ps 6 } {chemin critique}
T

m0 = [1 1 1 1 0 0 0 0 0 0]

[48]

Dtermination du vecteur A des valeurs floues correspondant la chaque place ;


1(t ) 0 0 2(t ) 0 0 0 0 0 0 A= 0 0 0 0 0 0 0 0 0 0 3(t ) 0 0 0 0 0 0 0 4(t ) 0 0 0 0 0 0 0 1s(t ) 0 0 0 0 0 0 0 2 s(t ) 0 0 0 0 0 0 0 3s(t ) 0 0 0 0 0 0 0 4 s(t ) 0 0 0 0 0 0 0 5s(t ) 0 0 0 0 0 0 0 6s(t ) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Nous proposons la base de rgles suivante, dcrivant lenchanement des dfauts associs lexpression logique F :
R1( R1 ) : R 2( R 2 = 3, s1 ) : R3( R 3 = 1,4 ) : R 4( R 4 ) : R5( R 5 = 3, s 2 ) : R6( R 6 ) : d1 d 2 d s1 d s1 d 3 d s 5 d 4 d1 d s 4 d 4 d1 d s 2 d s 2 d3 d s 3 ds5 ds 4 ds3 ds6

[49]

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 175

En tudiant chacune des rgles, nous pouvons crire les expressions des degrs de crdibilit. A titre dexemple, pour la rgle R1, nous obtenons :
d1 d 2 ds1 R1 d1 ds1 d 2 ds1 R1 = min ( 1, s1 , 2, s1 )

) (

)
[50]

s1 = max ( 1, 2 ) min ( 1, s1 , 2, s1 )

En exploitant les autres rgles, nous pouvons crire :


s 5 = m in ( s 1 , 3 ) 1

s5

[51]
1,s1

= m in

( ( m a x ( 1 , 2 ) m i n (
s4

,
4 ,s 4

2 ,s1

)) ,
)

)
[52]

= m i n ( 1 ,

) m

ax

, 1,s 4

s 2

= m ax
= m i n (
1

( 1 , 4 )
s2

m in

4 ,s 2

, 1,s 2

[53] [54]

s3

,
4

)
in

s3

= m in

( m a x (

s 6

) m
s 3

(
s 4

4 ,s 2

, 1,s 2

), )
3

= m ax

s 5

[55]

Dtermination du vecteur S des signaux conditionnels pour les transitions;


s1 s2 s1 s4 ( s1 + s 2 ) s3 S= s1 s 4 ( s1 + s 4 ) s3 ( s1 + s 2 ) s3 s1 s 4 ( s1 + s 4 ) s3 T1 T2 T3 T4 T5 T6 T7 T8 T9 T10

[56]

Calcul du marquage M du RdPFS en utilisant la formule [43]; Matrice Post :

page 176

0 0 0 0 1 Post = 0 0 0 0 0

0 0 0 0 1 0 0 0 0 0

0 0 0 0 0 1 0 0 0 0

0 0 0 0 0 1 0 0 0 0

0 0 0 0 0 0 0 0 1 0

0 0 0 0 0 0 0 1 0 0

0 0 0 0 0 0 1 0 0 0

0 0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0 1

[57]

Evolution du marquage :
m = m0 ( Post S ) ;
a)

[58]

Calcul du vecteur MU des valeurs floues pour le RdPFS avec [46] :


m ' = diag (m) ; MP = m '
MU = A MP

[59]

Dans le cas le plus dfavorable, quand tous les quatre dfauts de base se sont produits, nous obtenons ainsi :
1(t ) 2(t ) 3(t ) 4(t ) s1(t ) MU = s 2(t ) s3(t ) s 4(t ) s5(t ) s 6(t )

[60]

Le vecteur MU contient les coefficients de vrit associs chaque dfaut possible. Il indique en mme temps leur dpendance du temps, donc le caractre variable des informations.
b)

Comparaison de v avec le vecteur critique des dfauts afin dvaluer lopportunit de la maintenance.

Une interface a t construite pour montrer l'volution du marquage du RdPFS en fonction des signaux flous envoys par la dtection directe : Test Signaux de dtection directe [1 1 0 0] T
Detection directe Vecteur S Marquage RdPFSVecteur de valeurs floues 1 1 1 0.950129285 1 1 1 0.231138514 0 1 1 0.606842584 0 0 1 0.485982469 0 1 0.891298966 0 1 0.762096833 0 0 0 0 0 0 0 0 0 0 0 0

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 177

Les informations en provenance des places critiques du RdPFS constituent un dclencheur pour des actions de maintenance prventive. Ceci est ralis par lintermdiaire dun outil de la mme famille, capable de modliser lexprience humaine dans ce domaine.

6.6 ACTION DE MAINTENANCE EN UTILISANT UNE BASE DE


REGLES FLOUES

6.6.1 APPROCHE FLOUE DANS LA FONCTION DE MAINTENANCE


Laction de maintenance base sur une action de surveillance utilisant la logique floue, rclame un nouvel outil capable dintgrer les informations temporelles floues mises par le systme de surveillance RdPFS. L'outil propos doit laborer une action anticipative de correction par rapport une base de rgles logiques floues. Notre proposition suppose quaucun modle nest disponible pour dcrire les relations de cause effet. L'approche floue s'utilise dans les cas o le modle mathmatique est absent ou difficile trouver. La seule connaissance repose sur lexpertise humaine conforte par un solide retour dexprience. Dans cette catgorie, on retrouve les mthodes bases sur lintelligence artificielle. L'outil que nous proposons dans (Minca, 2004) porte le nom de Rseau de Petri Flou pour la Maintenance (RdPFM). Il correspond un systme expert dans le domaine de la maintenance. L'indpendance entre la base de connaissances et le moteur d'infrences est un lment essentiel des systmes experts. Elle permet une reprsentation des connaissances sous forme purement dclarative, c'est--dire sans lien avec la manire dont ces connaissances sont utilises. L'avantage de ce type d'architecture est qu'il est possible de faire voluer les connaissances du systme sans avoir agir sur le mcanisme de raisonnement. La qualit d'un systme expert est dfinie par la richesse de lexprience prise en compte ainsi que par la richesse des scnarios considrs. Dans notre cas, le modle de type RdP est interfac avec les informations temps rel envoys par le modle de commande du systme surveill. Il est plus flexible et moins compliqu dans la dfinition des relations entres-sorties. L'intgration de l'aspect flou lui confre une certaine flexibilit et plus de finesse dans l'valuation des diffrents contextes de dfaillances. L'outil RdPFM propos, fonctionne en relation de synchronisation avec le modle pour la surveillance RdPFS. Les informations attaches aux signaux flous, dcrivent ltat des

page 178

variables logiques associes aux places du chemin critique du modle de surveillance RdPFS (Figure 110). Cette approche correspond une vision en boucle ferme propose pour modliser les actions dtection directe - analyse - maintenance prventive.
RdPFS RdPFM
!s

TG1 Symptome1
[ 1,

P deb_com1 1] Tdeb_com1 <p> P d_e

DEB_tard

RdPTO

Figure 110.

Structure globale de la boucle dtection/maintenance prventive

Nous renvoyons le lecteur soucieux de plus de dtails sur ce dveloppement vers la thse de E. Minca (Minca, 2004).

6.7 APPLICATION TEMPS REEL DE SURVEILLANCE DANS UNE SOLUTION LOGICIELLE DE E-MAINTENANCE
6.7.1 SYSTEME ETUDIE
Pour illustrer lintrt de lapplication de nos outils pour la supervision industrielle, nous avons choisi lexemple dun systme flexible de production de lInstitut de Productique de Besanon (voir description paragraphe 7.3.4 ).
Sous-systme A Tbal0
act a <p> <p> <p> <p,S> <p,S> <p> <p> <prg>

p3
!si

Tfin_gamme

Tpousseur
act b

<S1> <S2> : <S5>

<p,prg>

<S> <prg>
<prog1> <prog2> : <progN>

Tdeb_a
act c

Tdeb_pr p4
<p,prg> <p> prog

Tdeb_a C1C2 [tmin , tmax]


act c <p,prg,S>

Tfin_a
act d

Tfin_a
<prg> <S> <p,prg,S>

<p>

Tbal1
act e <p>

Tbal0

<p,prg>

Tfin_pr
<prg>

Ttireur
RdP de commande

p5
Modle de rfrence (dtection)

Figure 111.

Modlisation dune station de travail par RdPTO

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 179

Pour implmenter un superviseur flou associ au sous-systme correspondant une station de travail, nous avons modlis chaque station en utilisant deux rseaux de Petri coopratifs de type RdPTO (Figure 111) : un rseau pour la surveillance/commande et lautre pour modliser les tats du systme physique (rseau de rfrence).

6.7.2 IMPLEMENTATION
DYNAMIQUE

DES FONCTIONS DETECTION ET SURVEILLANCE

Afin dillustrer notre dmarche, nous considrons lexpression logique F de larbre de dfaillance palette bloque au pousseur associ au systme flexible (Proos, 2001) : F = [(a+b+c+d)* e] + b + c [61]

Les oprateurs + et * reprsentent lunion ou lintersection des variables logiques {a, b, c, d, e}. Elles ont la signification suivante :
a = pousseur bloqu, b= stoppeur S1 bloqu en bas, c = dtecteur D1 en panne, d = poste satur (D4=1), e = le poste tudi est bien le destinataire de la palette.

Lexpression boolenne F peut tre modlise par des blocs logiques ou elle peut tre traduite par une base de rgles floues :
palette bloque au pouss eur <h>

R1: IF (a OR b OR c OR d) THEN g R2: IF (g AND e) THEN f R3: IF (f OR b OR c) THEN h

(FC=R1) (FC=R2) (FC=R3)

s toppeur S1 bloqu en bas <b>

detecteur D1 en panne <c>

<f>

le pos te tudi es t bien le des tinataire de l a palette <e>

F = ( a OU b OU c OU d ) ET e OU b OU c 14444 24444 3 ds1= g 1444444 24444444 4 3 ds2= f 1444444444 24444444444 4 3


ds3= h

<g>

AD D

posseur bloqu en bas <a>

s toppeur S1 bl oqu en bas <b>

dtecteur D1 en panne <c>

pos te s atur <d>

Figure 112.

a) Reprsentation de lexpression boolenne F ; b) Base de rgles logiques floues correspondant F

Le RdPFS qui modlise lvolution des dfauts dans larbre de dfaillance tudi est reprsent dans la Figure 113. L'occurrence du dfaut 'a' sera accompagne par un signal de synchronisation avec le RdPTO au niveau de la transition T1. Dautre part, l'occurrence du dfaut 'b' sera signale par l'injection des deux signaux dans RdPFS qui valident les transitions T2 et T7. Les places P3, P4 et P5 sont mises en correspondance avec les dfauts

page 180

c, d et e. Le marquage initial du rseau (les places P1:P5) signifie les dfauts de base qui peuvent apparatre.
a P1 T2 P2 b T3 P3 c c P6 g T1

!rg

T5

P7

T6

!rh
f T7 P8

P4

T4 T8

P5

Figure 113.

Reprsentation de lexpression F par le RdPFS

En appliquant lalgorithme prsent prcdemment, lanalyse temporelle du RdPFS obtenu permet de dfinir le vecteur des dfauts de base et drivs : a, b, c, d , e, g , f , h ; le vecteur critique des dfauts = g , h , { P 6, P8} {che min critique} , la base de rgles logiques R = { R1, R 2, R3} permettant de calculer les valeurs de crdibilit des dfauts drivs :
a b c d g R1 = ( a g ) ( b g ) ( c g ) ( d g ) = min( , , , ) ag bg cg dg R1
g = max ( a , b , c , d ) R1

[62]

g e f R 2 = ( g f ) ( e f ) R 2 = max (1, ef ) = 1
f = min ( g , e )
f bc h R3 = ( f h ) ( b h ) ( c h ) = min (1, , ) bh ch R3

[63]

[64]

h = max ( f , b , c ) R 3

donnant le vecteur A des valeurs floues correspondant la chaque place:


a b c d A = e g f h

et

a a b b c c d d = e e g min( a , b , c , d ) max( a , b , c , d ) 1 min( e , g ) f min( b , c ) max( b , c , f ) h

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 181

Le vecteur de marquage du RdPFS :


M = M 0 ( Post S )
1 0 1 0 1 0 1 0 M = 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 min ( s1, 1) min ( s 2, 1) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 min ( s3, 1) min ( s 4, 1) 0 0 0 0 0 0 0 min ( ( s1 + s 2 + s3 + s 4 ) s5, 1) 0 0 0 0 0 0 0 1 1 1 0 0 0 0 min ( ( s1 + s 2 + s3 + s 4 ) s5, 1) 0 0 0 0 0 1 0 min ( s 2, 1) 0 0 0 0 1 1 1 min ( s3, 1)

permettant ainsi daboutir au vecteur des valeurs floues du RdPFS

MU = A diag ( M 0 ( Post S ) )
qui sera lui-mme compar au vecteur critique des dfauts , afin dvaluer lopportunit dactions de maintenance curative.

6.7.3 IMPLEMENTATION DE LA FONCTION DE MAINTENANCE (REPRISE)


Le chemin critique indique les places (g respectivement h) qui envoient des signaux flous vers le RdPFM (Figure 114) modlisant le systme expert flou (SEF).
!sa(t) ?u1
<S1> <S2> : <S5>

RdPTO
<p> <prg>

<p,prg> <S>

<u1>

Tdeb_pr
<p,prg>

<prg> act a <prg> <S>

Tdeb_a
C1C 2

[tmin , tmax ] <p,prg,S>

prog <prog1>

<prog2> : <progN>

Tfin_a
<p,prg,S >

Tfin_pr
<prg> !sa(t) !sb (t) !sc(t) a ?sa (t ) ?sb(t) ?sc(t) !sd(t) ?sd (t) !se(t) d ?se b c

RdPFS (ADD)r (t)


g

k
rg(t)

RdPFM (SEF)
<u1(t) > !u1 !u2

chemin critique !rg(t) g g=( a* a, b* b, c* c, d) d* e,g f f = T(g* ge, e* ge ) !rh(t) f h h = ( b* b, c* c, f* f )

dg <g_F, g_N, g_G> rh(t) df <h_F, h_N, h_G> rh (t)

<u2(t) >

Figure 114.

Modlisation de lensemble du systme temps-rel de surveillance-commande (ADD = arbre de dfaillance, SEF = systme expert flou)

Ces signaux flous peuvent dclencher la maintenance si et seulement si toutes les places concurrentes avec la base de rgles positionnes en amont de la transition , ont reu les signaux !ri de synchronisation avec le RdPFS. Les variables de sortie u1 et u2 reprsentent les commandes de maintenance. Le mcanisme de maintenance modlis par RdPFM constitue limplmentation dune base de rgles logiques floues :

page 182

D g _F

D g _N D g _G

h D h_F

D h_N

D h _G

g u1 U 1_L U 1_N

g U 1_R

mg u2 U 2_L

h U 2_N

h U 2_R

mh

u1

u2

si R si si

Dg _ N Dg _ G Dg _ N

et et et

Dh _ N Dh _ N Dh _ G

alors U1 _ N alors U1 _ R alors U1 _ L

et U 2 _ L et U 2 _ R et U 2 _ R

F ' faible ' N ' normale ' G ' grave ' R ' rapide ' L ' lente '

Figure 115.

Base des rgles floues pour la maintenance

6.7.4 INTEGRATION

DE LAPPROCHE GLOBALE DE SURVEILLANCE FLOUE DANS UNE PLATE-FORME LOGICIELLE

Afin de permettre une utilisation des concepts proposs de faon transparente pour lutilisateur, dans le cadre dune plate-forme daide la dcision en ingnierie de maintenance, nous avons conu une plate-forme logicielle capable dintgrer lapproche de supervision floue dveloppe prcdemment.

Figure 116.

Interface du systme de surveillance dynamique

Les signaux de dfaut envoys par le modle du systme, sont des variables acquises par les fonctions dacquisition spcifiques. Nous avons test le logiciel dans le contexte d'un scnario qui correspond loccurrence du dfaut b = stoppeur S1 bloqu en bas (le signal ?S1 sera envoy par la dtection directe). Cette fois on a suppos des valeurs alatoires pour les variables floues a, b, c, d, e qui dcrivent le degr de certitude (ou

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 183

la possibilit) dapparition de ces dfauts. Seuls les signaux s1 = !rg et s2 = !rh, appartenant au chemin critique du RdPFS, sont envoys vers le RdPFM linstant t. Pour les dfauts g et h, ainsi que pour u1, nous proposons une description par fonctions dappartenance aux clases floues :
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

U L
1 0.9 0.8 0.7 0.6 0.5
1 0.9 0.8 0.7 0.6 0.5 0.4

U N
1

U R
1

!r g = 0.38

0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5

!rh = 0.42
0.6 0.7 0.8 0.9 1

0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 117.

Fonctions dappartenance de la variable g, h et u1 aux classes floues

Pour modliser chaque rgle en appliquant lapproche ZMA, on effectue le produit cartsien de la variable logique floue (Dg_N ET Dh_N) et U1_ N. Cela implique lintersection de lextension cylindrique de (Dg_N ET Dh_N) - et de lextension cylindrique de U1_ N. Pour chaque rgle, nous obtenons la matrice des nombres flous correspondants. La base de rgles R correspond lagrgation des rgles R1, R2, R3.

Figure 118.

Reprsentation de la base de rgles floues R

Lagrgation des rgles est suivie par le mcanisme dinfrence avec les variables dente !rg = s1 et !rh = s2. Cela implique aussi lextension cylindrique des variables s1 et s2 puis lintersection avec R. Le rsultat final est reprsent par la fonction dappartenance de la variable u1 qui sera lagrgation des rsultats partiels obtenus par infrence. Par dfuzzyfication, nous obtenons enfin la commande du systme pour la maintenance.
0.7 0.6

0.5

0.4

0.3

0.2

0.1

u1 = 0.58
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 119.

Dfuzzyfication de la variable floue U1

Un signal de maintenance sera envoy vers le modle du systme dans la partie commande.

page 184

6.8 CONCLUSION ET PERSPECTIVES


Les travaux prsents dans ce chapitre ont t orients vers la surveillance dynamique et laide la maintenance (reprise) des systmes de production par intgration des connaissances imprcises. Nous avons opt pour la modlisation de la surveillance et de la maintenance floues par les rseaux de Petri, outil reconnu comme tant bien adapt pour la modlisation des systmes vnements discrets. La nouveaut de notre approche consiste dans l'intgration de la logique floue dans la modlisation des raisonnements logiques par les rseaux de Petri. La prise en compte du temps dans les rseaux est calque sur le modle du rseau de Petri temporel qui nous permet lintgration facile des mcanismes conventionnels pour la modlisation des fonctions de la surveillance ou la maintenance des systmes. La logique floue permet un traitement original de l'incertitude, en formalisant le traitement de la connaissance partielle et de l'inconsistance des systmes dinformation. Dans ce sens, ce travail de recherche a valu les mthodes et thories applicables dans la surveillance des systmes qui utilisent comme outil descriptif les raisonnements logiques flous. Nous avons propos l'tude des concepts de dtection/ pronostic/ maintenance dans l'apparition/ propagation/ correction des dfauts, en exploitant une base dinformations imprcises. Le point fort de la logique floue est de permettre la reprsentation par des rgles logiques des connaissances imprcises, incertaines ainsi que des connaissances exprimentales et pratiques qui sont difficiles modliser par les techniques de la logique classique. En synthse, nous avons propos une approche globale homogne de modlisation en faisant appel deux outils de modlisations de la mme famille : les rseaux de Petri flous pour la surveillance (RdPFS) et les rseaux de Petri flous pour la maintenance (RdPFM). Ces outils sont bass essentiellement sur la modlisation floue de la variable "instant d'apparition" de l'vnement discret. L'aspect temporel de l'approche formalise par les bases de rgles logiques, permet l'interfaage du modle avec des rseaux de Petri temporels de type diffrent. Le modle rseau de Petri flou pour la surveillance (RdPFS) est construit sur lensemble des rgles logiques correspondant larbre de dfaillance du systme surveill. Nous avons montr que cet outil permet une analyse dynamique des dfauts par une approche temporelle floue. Cette analyse prsente un grand intrt pour la surveillance dynamique et de part sa nature prdictive dans le pronostic industriel. Laction de surveillance est suivie, dans la conception globale de la fonction de supervision, de laction de reprise. Nous nous sommes intress ltude de cette problmatique, en modlisant la fonction de dcision floue pour la maintenance laide des rseaux de Petri flous pour la maintenance (RdPFM). Les modles du systme (RdPTO), du processus de surveillance (RdPFS) et du processus de maintenance (RdPFM), schangent des informations par lintermdiaire de signaux de synchronisation flous. Ceci permet une matrise avance des dgradations du systme durant le fonctionnement, une analyse dynamique permanente de son tat de dgradation et le dclanchement dactions de maintenance prventive. Cette action prcoce constitue une fonction de pronostic qui se trouve ainsi intgr dans un outil global et homogne de supervision. Un prototype de plate-forme logicielle daide la dcision en maintenance prvisionnelle a t dvelopp sur la base de la mthodologie de supervision propose.

Chapitre 6 Surveillance Dynamique par Rseaux de Petri Flous

page 185

Les perspectives de cette tude consistent aborder le problme sous un angle diffrent, de recherche de cause pour le diagnostic/pronostic, en utilisant des outils de la mme famille - RdP flous. Des approches abductives existantes (Looney et al., 2002, 2003) ont t adaptes et ont fait lobjet de dveloppements supplmentaires dans notre axe (Ghernaut et al., 2005), concernant la prise en compte de la qualit dans la maintenance. En effet, la plupart des actions de maintenance sont dclanches en prenant en compte uniquement des informations lies aux machines et aux outils. Une information capitale est reprsente par la qualit du produit fini. En collaboration avec Alstom Belfort et Cegelec, nous avons ainsi mis en vidence une problmatique intressante, permettant une approche conjointe maintenance qualit pour le diagnostic et le pronostic. Les travaux concernant ces dveloppements font lobjet des travaux de thse en cours de A. Ghernaut, travaux qui ne seront pas dvelopps ici. Par ailleurs, une perspective intressante est constitue par lutilisation des proprits dapprentissage dynamique des outils tels que le RRFR et des capacits de prise en compte des connaissances imprcises et incertaines offertes par la logique floue pour en faire un outil neuro-flou adaptatif et volutif daide au diagnostic industriel. Ces travaux font lobjet du chapitre suivant.

. . .

Chapitre 7 - Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique


7.1 INTRODUCTION
Comme nous lavons soulign prcdemment, la recherche des causes des dfaillances est un problme fondamental, nglig dans la plupart des approches dites de diagnostic par reconnaissances de formes . Ceci correspond en fait une classification, correspondant la dtection du dfaut. En effet, si chaque dfaut tait parfaitement catalogu avec sa cause possible claire et l'identification prcise de l'organe dfaillant, le processus de diagnostic pourrait en effet se rduire une simple reconnaissance de formes. Dans la ralit industrielle, les choses se passent souvent diffremment. L'identification de l'organe dfaillant et la recherche de la cause sont des processus beaucoup plus complexes, prenant en compte l'information disponible (pas toujours exhaustive) sur le systme concern, son volution, les diffrentes rvisions et volutions qu'il a pu subir. Par ailleurs, l'historique de maintenance (pas toujours complet) est souvent insuffisant pour permettre la constitution dun AMDEC ou dun arbre de dfaillance suffisamment pertinent et mis jour pour constituer lui tout seul un outil efficace. Mise part la complexit du processus de recherche de causes, le diagnostic est donc souvent tributaire de la pertinence et la validit des informations disponibles. Dans ce contexte, nous nous sommes proposs dtudier un outil daide au diagnostic capable de prendre en compte linformation de maintenance au format industriel (AMDEC, ADD, GMAO) lexprience humaine avec ses imprcisions et ses incertitudes, tout en enrichissant au cours de son fonctionnement - sa base de connaissances par apprentissage dynamique des faits nouveaux. Nous retrouvons dans ces exigences, des caractristiques des systmes neuro-flous. En effet, ces systmes combinent les capacits dapprentissage et de gnralisation des rseaux de neurones, avec la formalisation de rgles imprcises ou entaches dincertitudes correspondant une information humaine approximative ou une information partielle ou partiellement errone, comme cest souvent le cas dans les applications industrielles.

7.2 GENERALITES SUR LES SYSTEMES NEURO-FLOUS


Actuellement les systmes infrence floue sont employs dans de nombreux domaines industriels. Utiliss principalement lorsque le modle mathmatique du systme physique est difficile laborer, ils exploitent des rgles floues tires dune expertise humaine pour modliser le comportement dynamique du systme. Ces rgles sont du type :
SI la vitesse est grande et la distance est petite, ALORS freiner trs fortement

page 188

Les principaux avantages des techniques floues sont lapproche naturelle de la modlisation et la bonne interprtabilit de la description, en employant des rgles linguistiques. Cependant, comme il n'y a aucune mthode formelle pour dterminer ses paramtres (ensembles et rgles floues), l'excution d'un systme flou peut prendre beaucoup de temps. Dans ce sens, il serait intressant de disposer dalgorithmes permettant lapprentissage automatique de ces paramtres. Lune des mthodes qui permet de rpondre ces exigences est la thorie des rseaux de neurones qui emploie des chantillons (donnes d'observation) pour lapprentissage. La combinaison des deux techniques nous donne les systmes neuro-flou.
Dfinition du neuro-flou (Nauck et al., 1997)
Les systmes neuro-flous sont des systmes flous forms par un algorithme d'apprentissage inspir de la thorie des rseaux de neurones. La technique dapprentissage opre en fonction de l'information locale et produit uniquement des changements locaux dans le systme flou dorigine.

Les rgles floues codes dans le systme neuro-flou reprsentent les chantillons imprcis et peuvent tre vues en tant que prototypes imprcis des donnes dapprentissage. Un systme neuro-flou ne devrait par contre pas tre vu comme un systme expert (flou), et il n'a rien voir avec la logique floue dans le sens stricte du terme. On peut aussi noter que les systmes neuro-flous peuvent tre utiliss comme des approximateurs universels. (Lee et al., 2001).
Expressions linguistiques Donnes linguistiques Logique floue Neuro-flou Donnes numriques Rseaux de neurones Apprentissage Oprations parallles

Figure 120.

Le systme neuro-flou

7.2.1 AVANTAGES

ET INCONVENIENTS DE LA LOGIQUE FLOUE ET DES RESEAUX DE NEURONES

L'utilisation conjointe des rseaux de neurones et de la logique floue, permet de tirer les avantages des deux mthodes : les capacits d'apprentissage de la premire et la lisibilit et la souplesse de la seconde. Afin de rsumer lapport du neuro-flou, le Tableau 10 regroupe les avantages et les inconvnients de la logique floue et des rseaux de neurones. Les systmes neuro-flous sont crs afin de synthtiser les avantages et de surmonter les inconvnients des rseaux neuronaux et des systmes flous. De cette manire, les algorithmes dapprentissage peuvent tre employs pour dterminer les paramtres des systmes flous. Ceci revient crer ou amliorer un systme flou de manire automatique, au moyen des mthodes spcifiques aux rseaux neuronaux. Un aspect important est que le systme reste toujours interprtable en termes de rgles floues, vu qu'il est bas sur un systme flou.

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 189

Rseaux de neurones

Logique floue

Le modle mathmatique non requis Aucune connaissance base sur les rgles Plusieurs algorithmes dapprentissage disponibles

avantages Le modle mathmatique non requis La connaissance antrieure sur les rgles peut tre utilise sont Une interprtation et implmentation simple inconvnients

Boite noire (manque de traabilit) Ladaptation aux environnements diffrents est difficile et le rapprentissage est souvent obligatoire (sauf pour le RBF) la connaissance antrieure ne peut pas tre employe (apprentissage partir de zro) (sauf pour le RBF) Aucune garantie sur la convergence de lapprentissage

Les rgles doivent tre disponibles Ne peut pas apprendre Adaptation difficile au changement de lenvironnement Aucunes mthodes formelles pour lajustement

Tableau 10.

Comparaison entre la logique floue et les rseaux de neurones

7.2.2 METHODES ET COMBINAISONS NEURO-FLOUES


Diverses associations de ces deux mthodes ont t dveloppes depuis 1988 et sont le plus souvent orientes vers la commande de systmes complexes et les problmes de classification. Il existe ainsi trois mthodes neuro-floues : Premire mthode neuro-floue :
L'une des premires mthodes neuro-floues est le codage du systme d'infrences floue sous la forme d'un rseau de neurones multicouches dans lequel les poids correspondent aux paramtres du systme. L'architecture du rseau dpend du type de rgle et des mthodes d'infrence, d'agrgation et de dfuzzification choisies.
fA11 x1

et et

fA1n fA21 x2

W1 Wi

agrgation Wp

et

fA2n

Figure 121.

Exemple de rseau de neurones pour la commande floue

D'aprs la figure prcdente, pour des rgles de la forme :


"SI V1est A1i et V2 est A2i ALORS W = wi"

nous obtenons un rseau de neurones qui admet pour entre les valeurs x1 et x2 prises par les variables V1 et V2 et dont les deux couches caches correspondent respectivement au calcul de la valeur des fonctions d'appartenance Aij pour l'entre xi et celui de la valeur prise par la conjonction des conditions de chaque rgle utilisant un oprateur adquat. Les fonctions d'appartenance sont considres comme des paramtres ajusts par les poids entrant dans la premire couche cache. Les conclusions Wi des rgles sont galement des paramtres ajustables par l'intermdiaire des poids associs la dernire couche.

page 190

Seconde mthode neuro-floue :


Cette seconde approche consiste utiliser les rseaux de neurones pour remplacer chacune des composantes d'un systme de commande floue. Ces rseaux sont destins lapprentissage des fonctions d'appartenance, au calcul de l'infrence et la ralisation de la phase d'agrgation et de dfuzzification. Ils peuvent raliser l'extraction des rgles floues en analysant la corrlation qui existe entre les entres et les sorties du rseau de neurones. Ces approches permettent de rsoudre deux problmes importants de la logique floue : le dtermination des fonctions d'appartenance et ladaptation l'environnement du systme.

Troisime mthode neuro-floue :


Elle utilise des rseaux de neurones et des systmes flous associs en srie ou en parallle. Plusieurs variantes d'utilisation sont ainsi possibles : - Le rseau de neurones fonctionne en amont du systme flou. Les variantes d'entres du systme flou sont dtermines partir des sorties du rseau de neurones (dans le cas o elles ne sont pas mesurables directement) ou encore un rseau de neurones effectue une tche de classification ou de reconnaissance de formes, suivie d'un systme flou d'aide la dcision. - Un rseau de neurones qui fonctionne en aval du systme flou, dans le but d'ajuster les sorties d'un systme de commande floue de nouvelles connaissances obtenues, les variables de sorties tant les erreurs sur les variables de sortie du systme flou.
x1 x2 Rseau neuronal

y1 y2

xk

Systme Flou

Z1 Z2

y1\ yk\

Figure 122.

Exemple d'association en srie d'un rseau de neurone et d'un systme flou


Systme Flou x1 x2 z1 z2 Z1 Z2

xk

x1 x2

Rseau neuronal

dz1 dz2

xn+k

Figure 123.

Exemple d'association en parallle d'un rseau de neurone et d'un systme flou

Il existe quatre grandes catgories de combinaisons des rseaux de neurones avec la logique floue : - Rseau flou neuronal :

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 191

Des techniques floues sont utilises pour augmenter les possibilits d'apprentissage ou l'excution d'un rseau neuronal. Ce genre d'approche ne doit pas tre confondu avec les approches neuro-floues proprement dites

- Systme neuronal/flou simultanment :


Le rseau neuronal et le systme flou fonctionnent ensemble sur la mme tche, mais sans s'influencer, c.--d. ni l'un ni l'autre n'est employ pour dterminer les paramtres de l'autre. Habituellement le rseau neuronal traite les entres, ou post-traite les sorties du systme flou.

- Modles neuro-flous coopratifs :


Le rseau neuronal est employ pour dterminer les paramtres (les rgles et les ensembles flous) d'un systme flou. Aprs la phase dapprentissage, le systme flou fonctionne sans le rseau neuronal. Cest une forme simple des systmes neuro-flous. Elle est largement rpandue dans des outils de dveloppement flous commerciaux, quoique les problmes smantiques puissent surgir.

- Modles neuro-flous hybrides :


Les approches neuro-floues modernes sont de cette forme. Un rseau neuronal et un systme flou sont combins dans une architecture homogne. Le systme peut tre interprt comme un rseau neuronal spcial avec des paramtres flous ou comme un systme flou mis en application sous une forme distribue parallle.

Notre tude sintressera particulirement ce dernier type darchitecture (Racoceanu et al., 2003), qui tire un meilleur parti de lutilisation conjointe des deux principes.

7.2.3

SYSTEMES NEURO-FLOUS HYBRIDES

a) ARCHITECTURES NEURO-FLOUES HYBRIDES


Une architecture 3 modles flous est propose dans (Lee et al., 2001) : La rgle: j (j = 1,2,, J) : SI x1 est A1j et et xn est Anj , ALORS y1 est f1 j et et ym est f mj .
Bkj o f k j = kj b j + b j x + ... + b j x 1k 1 nk n 0k (type I) (type II) (type III) (IV.1)

avec xi(i = 1, 2, , n ), yk (k = 1, 2, , m) respectivement les variables dentres et de j sortie, A ji les ensembles flous dentre ; B kj , kj et b0jk + b1jk x1 + L + bnk xn reprsentant respectivement, des ensembles flous de sortie, des composants singleton et des combinaisons linaires des variables dentres. La Figure 124 montre les diffrentes architectures des systmes neuro-flous. FALCON (a) et GARIC (b) interprtent la rgle floue de type I avec une structure 5 couches, NEFCLASS (c) interprte la rgle floue de type II avec une structure 3 couches et ANFIS (d) interprte la rgle floue de type III avec une structure 6 couches.

page 192

y1 y1
\

ym\

F C C x2 x1 R R R R R R R R R N

x2 x1 N

A
1 1

A
2 1

1 2

2 A2

X x1 x2 (a) FALCON x3

X x1 x2

(b) GARIC

(c) NEFCLASS

(d) ANFIS

Figure 124. a.1

Diffrentes architectures des systmes neuro-flous

ANFIS (Adaptative-Network-based Fuzzy Inference System)

ANFIS reprsente un systme infrence floue mis en application dans le cadre des rseaux adaptatifs. Il utilise la procdure dapprentissage Hybride (Shing et al., 1993). Cette architecture (Figure 124 d) affine les rgles floues obtenues par des experts humains pour dcrire le comportement d'entre-sortie d'un systme complexe. Il est implment dans la boite outils Neuro-Fuzzy de MATLAB. Ce modle donne de trs bons rsultats en poursuite de trajectoire, approximation non linaire, commande dynamique et traitement du signal.
a.2 FALCON et GARIC

Il sagit de modle 5 couches, utilisant la fuzzyfication en entre et la dfuzzyfication en sortie. Ceci correspond linterprtation juste de la technique de Mamdani. La prcision accrue des rsultats provoque une lenteur dans lexcution du systme. Ce modle est rarement utilis en pratique mais il reste le meilleur pour la commande (Figure 124 a,b)
a.3 NEFCLASS

Modle utilis gnralement en classification, il est constitu de 3 couches : une couche dentre avec les fonctions dappartenance, une couche cache reprsente par des rgles et une couche de sortie dfinissant les classes (Nauck et al., 1996) (Figure 124 c) Ce modle est facile mettre en application, il vite ltape de dfuzzyfication, tout en tant prcis dans le rsultat final, avec une rapidit bien suprieure aux autres architectures.
a.4 NEFCON

Modle form de 3 couches. Une couche cache forme par des rgles, une couche dentre incluant les nuds dentre avec les sous-ensembles flous dantcdences et une couche de sortie avec un nud de sortie et les sous-ensembles des consquences. Llaboration des rgles est similaire larchitecture NEFCLASS, avec une diffrence en sortie (Kruse et al, 1998). Cette architecture est gnralement utilise en approximation de fonctions et en control flou (Figure 125). Le processus dapprentissage du NEFCON peut tre divis en deux phases. La premire phase consiste trouver les rgles de base initiales. Si les connaissances antrieures ne sont pas disponibles les rgles de base seront apprises avec difficult. Et si cette rgle est

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 193

dfinie par un expert lalgorithme les compltes. Dans la seconde phase, les rgles de base sont optimises par modification des sous-ensembles flous des rgles. Les deux phases utilisent lerreur floue, cette erreur peut tre trouve avec la diffrence entre la sortie dsire et celle obtenue.
y

R1

R2

R3

R4

R5

(1) 1

( 21)

( 22 )

3( 2 )

X1

3(1)

1( 2 ) 1( 2 )

X2

Figure 125. a.5

Modle NEFCON avec deux entres, 5 rgles et une sortie

NEFPROX (Neuro Fuzzy function apPROXimator)

Modle obtenu par lassociation des deux architectures : NEFCLASS et NEFCON, il est utilis dans diffrentes applications comme la classification et lapproximation de fonctions (Nauck et al., 1997). Le NEFCLASS utilise un algorithme supervis pour dfinir les rgles floues, le NEFCON utilise un algorithme dapprentissage non supervis avec le calcule de lerreur de sortie. Les deux modles emploient la rtropropagation afin de dfinir les sous-ensembles flous. Compar au modle ANFIS, NEFPROX est beaucoup plus rapide, mais ANFIS donne de meilleurs rsultats en approximation.
y y

R1

R2

R3

R4

R5

X1

X2

Figure 126.

Modle NEFPROX avec deux entres, 5 rgles et deux sorties

Le NEFPROX est le premier systme interprtable et lisible, ddi lapproximation de fonction. Nanmoins, ses rsultats en classification reste moins bons que ceux donns par le NEFCLASS.
a.6 Architecture SANFIS

Une autre structure connexionniste base sur la fonction floue de base (FBF), a t dveloppe rcemment (Lee et al., 2000) (Figure 127). Pour ces 3 modles quon peut

page 194

comparer ceux de la Figure 124, les entres sont les mmes, alors que les sorties sont diffrentes. Ils sont utiliss selon le type dapplications :
Le modle de type I (modle de Mamdani) est linguistiquement comprhensible, car il utilise les ensembles flous dans les antcdences et les consquences des rgles floues. Avec sa meilleure capacit de gnralisation, ce modle est plus appropri pour la commande et les systmes experts. Le type II est une version simplifie du premier. Il rduit le nombre de paramtres et vite le processus de dfuzzification, ce type est gnralement utilis en classification. Le type III rduit encore le nombre des rgles floues pour modliser les systmes volus ; il est utilis dans les fonctions dapproximation non linaires, la commande dynamique et le traitement du signal.
y1 ym y1 ym
x a11

y1
x x a12 am1

ym

x am 2

R1

R2

RJ-1 RJ

R1

R2

RJ-1 RJ

R1

R2

RJ-1 RJ

R1

R2

RJ-1 RJ

R1

R2

RJ-1 RJ

R1

R2

RJ-1 RJ

x1

xn

x1

xn

x1

xn

Figure 127.

Les trois diffrents types de SANFIS

Par la suite, nous allons passer en revue les diffrents algorithmes d'optimisation et de classification associs aux systmes neuro-flous hybrides. Ces algorithmes portent le nom dalgorithmes de groupage.

b) ALGORITHMES DE GROUPAGE ASSOCIES AUX SYSTEMES NEURO-FLOUS


HYBRIDES

Un systme flou peut tre ajust automatiquement. Si, en plus de l'expertise humaine, on dispose de donnes exprimentales dcrivant le mme phnomne, il devient possible de mettre en uvre un algorithme d'apprentissage sur ces donnes. L'algorithme ajuste progressivement les coefficients du modle (en gnral, les paramtres dfinissant les trapzes des ensembles flous) de faon minimiser l'erreur de prdiction commise par le systme de rgles floues. Cet apprentissage, tout fait semblable celui que subit un rseau de neurones, a fait qualifier la mthode de "neuro-floue". Cette analogie est renforce par le fait que l'on peut donner partir d'un ensemble de rgles floues, une reprsentation graphique ressemblant celle d'un rseau de neurones.
b.1 Groupage flou

Les algorithmes de groupage flou forment une famille bien identifie des techniques d'induction de rgles. L'objectif initial de ces algorithmes est d'organiser des donnes en groupes homognes, pour, notamment dans le cadre de la classification (Ahmedou et al.,

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 195

97), rendre compte de l'appartenance d'un individu plusieurs classes. L'ide d'associer une rgle chaque groupe, et ainsi d'utiliser ces techniques pour l'induction de rgles, est apparue dans un deuxime temps. Pour ce faire, le partitionnement des entres correspondant la prmisse de la rgle est dduit des caractristiques du groupe : prototype et zone d'influence.
X2 3 2 G1 G2

G3

Si X1 est 1 ET X2 est 3 ALORS G1 Si X1 est 3 ET X2 est 2 ALORS G2 Si X1 est 2 ET X2 est 1 ALORS G3 1 2 3

X1

Figure 128. b.2 Techniques de groupage

Exemple de groupage

Selon le type dapprentissage qui nous permet de dterminer et d'optimiser le nombre de classes, on peut citer deux mthodes de groupage :
Mthodes statiques d'adaptation

Dans cette catgorie, un algorithme de groupement commence par un nombre fixe de classes dtermines par l'utilisateur. Pendant le procd de groupage, la configuration des classes est mise jour par un processus d'optimisation. Dans cette catgorie de mthodes, on retrouve le Hard Clustering-C-Means (HCM) et le soft clustering-Fuzzy C-Means (FCM) ou ISODATA. Les algorithmes HCM et FCM divisent une collection de vecteurs en classes et trouvent les centres des classes tel qu'une fonction objective de dissimilitude (ou de distance) est rduite au minimum (Pal et al., 1995) et (Lee et al., 2001). Ces algorithmes ne garantissent pas une convergence une solution optimale, leur efficacit est fortement lie aux choix initiaux des centres de classes. De mme, en raison du nombre important de classes, la configuration finale peut tre difficile interprter.
Mthodes dynamiques d'adaptation

Deviner ou dterminer le nombre de classes par l'tre humain peut savrer tre impossible. Par consquent les algorithmes d'apprentissage capables de dterminer automatiquement le nombre de classes ont suscit un intrt croissant. On peut citer deux catgories de mthodes (Lee et al., 2001), (Ahmedou et al., 1997) : Growing Partitioning Algorithms (GPA) ou algorithme de partitionnement croissant, et Shrinking Partitioning Algorithms (SPA) ou algorithme de partitionnement dcroissant. - Growing Partitioning Algorithms : Algorithme qui commence par des classes vides et adapte les nouvelles classes jusqu' ce que le critre spcifier soit satisfait. La thorie adaptative de rsonance (ART) et l'algorithme de groupement align (ACA) sont deux exemples reprsentatifs du GPA.

page 196

- Shrinking Partitioning Algorithms : Mountain clustering method (MCM), et les deux variantes : Subtractive clustering method (SCM) et Mapping-constrained agglomerative (MCA), sont des exemples reprsentatif de lalgorithme SPA. Dans le but daccrotre le nombre de classes produites, le SPA commence par un nombre raisonnable de classes et limine celles qui ont une densit faible (poids ngligeable), durant le processus dvaluation seulement.

7.2.4 METHODOLOGIE DE MODELISATION NEURO-FLOUE


La modlisation neuro-floue comporte trois phases (Chen et al., 2001) :
Cration du modle flou initial, qui consiste en la collection des rgles floues Slection des variables d'entres significatives, en se basant sur le modle flou initial Le nombre optimal des rgles floues est dtermin par l'algorithme FCM.

La figure suivante nous montre le schma gnral de la modlisation neuro-floue :


Processus de connaissances Donnes Modle d'initialisation Partition de la validation Slection des entres Modle d'optimisation Modle de validation Modle final

Figure 129.

Schma gnral de la modlisation neuro-floue

7.2.5 APPROCHE NEURO-FLOUE EN CLASSIFICATION


a) CLASSIFICATION A BASE DE REGLES FLOUES
Lide gnrale que sous-tend cette approche, est lhypothse de lexistence dune relation entre les valeurs dun vecteur dattributs et la classe laquelle appartient lchantillon. Par exemple, on peut dire : Les objets de la classe C1 sont caractriss par des vitesses leves et des altitudes moyennes ou parfois basses . cela peut tre traduit en relation floue de la manire suivante : SI un objet se dplace rapidement et altitude moyenne, ALORS il est trs vraisemblable quil appartient la classe C1, mais il est possible aussi quil appartienne la classe C2 .
Altitude (h) Eleve (1) (2) (3)

Moyenne

(4)

(5)

(6)

Basse

(7) Petite

(8) Moyenne

(9) Grande

Vitesse (V)

Figure 130.

Partition floue des attributs

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 197

On commence par faire une partition floue des attributs avec des termes linguistiques. De cette manire, lespace reprsentant lobjet sera divis en sous-ensembles flous. Pour effectuer la classification dun individu inconnu, on compose la relation floue avec le vecteur dappartenance de lindividu aux sous domaines flous ainsi dfinis. La Figure 130 prsente une partition floue des attributs. Dans notre exemple, les attributs altitudes (h) et vitesse (v) se divisent chacun en trois sous-ensembles flous (Ayat et al., 2000). Lespace D reprsente lobjet est dfinit par 9 sous domaines flous (numrots de 1 9) que lon va relier lespace des classes par des relations (ou rgles) floues. Ces relations seront reprsentes sous forme dune matrice, dont chaque lment ij exprime la force de la relation entre la classe i et le sous domaine j.
Sous-domaine Classe
C1 C2
1 2 3 4 5 6 7 8 9

0 -

0 -

0 -

0 -

0 -

1 0,3

0 -

0 -

0,7 -

Tableau 11.

Degrs flous de relation entre les classes et les sous domaines de la partition

b) APPRENTISSAGE PAR TECHNIQUES NEURONALES


Sauf cas trs simple, les relations floues ne peuvent tre dtermines la main. Elles doivent provenir de lexpertise ou bien de lapprentissage. Le premier cas correspond un systme expert ncessitant lopinion dun spcialiste dans le domaine. Cependant, sauf unanimit des experts, il nest pas toujours facile de dterminer exactement toutes les relations susceptibles dintervenir dans le processus. Lapprentissage, de ce fait, peut apporter une solution. Il sagit dans ce cas dun systme capable de gnrer des relations partir des exemples (ou chantillons dapprentissage).

7.3 CONCEPTION DUN OUTIL NEURO-FLOU POUR LAIDE AU


DIAGNOSTIC

7.3.1 UTILISATION DES SYSTEMES NEURO-FLOUS POUR LE DIAGNOSTIC


Dans la bibliographie lie lutilisation des systmes neuro-flous pour le diagnostic, nous avons recens quelques contributions importantes :
Dans (How et al., 1999, 2000), les auteurs prsentent une mthode utilisant la logique floue pour le diagnostic des transformateurs. Ils envisagent une utilisation ultrieure des rseaux de neurones pour la gnration automatique de rgle partir des donnes. Dans (Tromp, 2000), lauteur associe un modle dynamique des liens causaux entre les dfaillances, au modle numrique de traitement du signal. Ce choix permet la prise en compte dinformations lies la fiabilit, en plus des informations en provenance des capteurs. Les outils utiliss sont les rseaux de Petri et les chanes de Markov Caches (HMM Hidden Markov Model) Dans (Pencol, 2002), lauteur prsente une mthode de diagnostic rparti pour les systmes vnements discrets comme les rseaux de tlcommunication. Une technique de fusion des diagnostics locaux est utilise pour obtenir un diagnostic global.

page 198

Dans le travail de thse de N. Palluat, nous proposons lutilisation de techniques neurofloues pour une aide dynamique au diagnostic. Il est noter que cette thse a dmarr dans le cadre technique de collaboration du work pacquage decision systems du projet europen Proteus (PROTEUS, 2004) et sest continue par une phase de prototypage soutenue par lAnvar (Palluat et al., 2004b). Cette mthode comprend plusieurs tapes (Palluat et al., 2004a) :
- Lacquisition des informations pertinentes du systme : En utilisant les informations extraites du systme (analyse des modes de dfaillances, de leurs effets et de leur criticit AMDEC, larbre de dfaillance et de dgradations - ADD, lanalyse fonctionnelle - AF, ), et avec laide des oprateurs et des experts de linstallation industrielle concerne, il est ncessaire dextraire les zones critiques surveiller, ainsi que les informations utiles de ces zones : informations statiques telles que lADD, les AF et les informations dynamiques (gestion de la maintenance assiste par ordinateur GMAO, historique, capteur caractristiques, etc.). - Application du systme de dtection bas sur les rseaux de neurones dynamiques : En entre du systme de dtection, nous trouvons les informations donnes par les capteurs ; elles peuvent tre binaires ou relles. En sortie, les experts identifient le mode opratoire (le symptme) de llment supervis. Lutilisation des rseaux de neurones artificiels est justifi par leur capacit dapprentissage, leur robustesse, leur paralllisme dans le traitement, leur capacit faire face des problmes inhrents la non linarit des systmes et leur vitesse de calcul lorsquils sont implments dans un circuit intgr. - Application du systme de diagnostic bas sur un rseau neuro-flou : En entre du systme de diagnostic, nous trouvons le degr dappartenance de chaque mode opratoire donn par le systme de dtection. Nous trouvons aussi bien des entres qualitatives ou quantitatives, comme des informations donnes par les oprateurs pour amliorer le diagnostic. En sortie, nous obtenons une liste des causes possibles classes par degr de crdibilit, avec le degr de gravit associ. Ces informations pertinentes peuvent tre dun grand soutien pour la planification des tches de maintenance.

Le principe du systme daide au diagnostic propos est prsent dans la figure suivante
SYSTEME DYNAMIQUE DAIDE AU DIAGNOSTIC Degr de modes Localisation, Origine (Crdibilit, Gravit )

Dtection Dynamique crdibilit des


Capteurs Rseau de neurones RRFR

Diagnostic
Systme Neuro-Flou

Initialisation GMAO - Historique + Synthse AMDEC

Initialisation ADD - Arbre de Dfaillances + AMDEC

Apprentissage En-ligne GMAO

Entre qualitatives / quantitatives externes

Figure 131.

Schma du systme daide au diagnostic.

En fonctionnement, le systme de dtection scrute en permanence le systme (ou le soussystme critique) surveill. Lorsquune panne ou une dfaillance se produit ou lorsque lune des deux est susceptible de se produire, une alarme est dclenche et un diagnostic est lanc, le systme de dtection narrtant pas sa tche. En utilisant les informations

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 199

provenant du systme de dtection, le systme daide au diagnostic propose loprateur les causes possibles de ce problme, ainsi que les interprtations floues de ces causes.

7.3.2 SPECIFICATIONS DE LOUTIL EN UTILISANT LA DEMARCHE UML


Notons que lessentiel de cette partie a fait lobjet dune publication dans la confrence internationale (Palluat et al., 2005b). Notre approche de conception suit lapproche UML (Unified Modelling Language) (Larman, 2002), (Rumbaugh, et al., 1999). Plusieurs raisons nous ont conduit ce choix :
La premire est sa normalisation par lOMG55 (OMG, 2003). Lhistorique a montr que la profusion des notations est, moyen terme, prjudiciable aux entreprises comme leurs fournisseurs. Toute norme doit donc tre considre avec le plus grand srieux, en particulier les normes du domaine public, comme cest le cas pour lUML. La deuxime raison est lintrt montr par les informaticiens pour ce langage de modlisation. Ceci a permis de trouver un terrain dentente lors de travaux dvelopps dans le cadre du projet europen PROTEUS. Il est ainsi intressant de disposer dun ensemble de modles communs permettant une validation des partenaires, ainsi que le passage ultrieur la phase de prototypage et de dveloppement. La troisime raison est la possibilit dutiliser le mme atelier de gnie logiciel, depuis lexpression des besoins jusqu la gnration de tout ou partie de lapplication. La dernire raison, mais non la moindre, est dutiliser les principes et concepts objet pour enrichir la dmarche de conception de systmes daide la dcision. On en attend des amliorations dans le sens tout la fois de la richesse, dune modularit, dune cohrence et dune rigueur accrues.

Figure 132.

Schma global du processus de modlisation UML

55

Site Internet de lOMG : http://www.omg.org/, site Internet de lOMG li UML : http://www.uml.org/

page 200

UML sarticule autour de plusieurs types de diagrammes, chacun deux tant ddi la reprsentation des concepts particuliers dun systme logiciel. Le schma suivant montre comment, en partant des besoins utilisateurs formaliss par des cas dutilisation et une maquette, et avec lapport du modle du domaine, on peut aboutir des diagrammes de conception qui permettent de driver du code assez directement (Roques, 2003).

a) DEFINITION DES BESOINS DES UTILISATEURS


Lors de ltude des besoins des utilisateurs, nous avons spcifi les exigences fondamentales dun outil daide au diagnostic moderne :
utilisation simple capacit dinterfaage avec les outils industriels dacquisition de donnes (SCADA Supervisory Control And Data Acquisition Tlsurveillance et Acquisition de Donnes, Ethernet, ) possibilit dutilisation en absence dune base de donnes et de connaissances complte, avec la possibilit ultrieure de prendre en compte les nouvelles expriences (si possible en ligne) capacit didentifier les fausses alarmes interfaage avec les outils industriels de gestion de la maintenance (GMAO) et comprhension des rsultats par un professionnel de la maintenance (paramtrage similaire aux mthodes industrielles de type AMDEC, ADD) possibilit dinterfaage avec des IHM - clients lgers (PDA, ordinateurs portables) intgration de loutil dans un ordinateur industriel ou un systme embarqu

b) SPECIFICATION DES CAS DUTILISATION DE LOUTIL


La premire tape ncessaire ltablissement des cas dutilisation de loutil est constitue par la dfinition des acteurs. Dans notre cas, les acteurs humains sont constitus par le responsable de la maintenance, lexpert de loutil et loprateur de maintenance. Nous prenons aussi en compte les acteurs non humains, savoir le SCADA56, lADD, la GMAO, et lAMDEC.
Crer un nouvel outil

Expert de loutil

SCADA Responsable Maintenance Mettre jour la configuration de loutil GMAO

Mettre jour les paramtres de loutil

Recevoir une alerte

Figure 133.

Cas dutilisation concernant le Responsable de Maintenance

En ce qui concerne le responsable maintenance, ses cas dutilisation principaux ont t mis en vidence par lexpression des besoins, savoir :
Crer un nouvel outil, qui fait intervenir lacteur Expert de loutil ;

56 SCADA = Supervisory Control and Data Acquisition - systme de supervision et dacquisition de donnes des processus industriels

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 201

Mettre jour la configuration de loutil, qui fait intervenir lacteur Expert de loutil et le systme SCADA ; Mettre jour les paramtres de loutil, qui fait intervenir le systme GMAO ; Recevoir une alerte.

En ce qui concerne loprateur de maintenance, il ne possde quun seul cas dutilisation, savoir : Demander une aide au diagnostic :

Oprateur Maintenance

Demander de laide au diagnostic

Figure 134.

Cas dutilisation de lOprateur de Maintenance

Enfin, pour lacteur Expert de lOutil, nous pouvons trouver les cas dutilisation suivants :
crer un nouvel outil, dj prsent dans les cas dutilisation du responsable maintenance ; configurer loutil, qui fait intervenir deux systmes SCADA et ADD ; initialiser loutil, qui fait intervenir trois systmes SCADA, AMDEC et GMAO ; mettre jour la configuration de loutil, dj prsent dans les cas dutilisation du responsable maintenance.

Crer un nouvel outil

Responsable Maintenance Mettre jour la configuration de loutil

Expert de loutil Configurer loutil

ADD

SCA DA

Initialiser loutil

GMA O

AMDEC

Figure 135.

Cas dutilisation de lacteur Expert de lOutil

c) STRUCTURATION EN PAQUETAGES
Pour optimiser lorganisation de notre systme, nous avons organis les cas dutilisation en les regroupant en ensembles fonctionnels cohrents. Pour ce faire nous utilisons le concept gnral dUML qui sappelle le package ou paquetage. Les acteurs ont t ainsi

page 202

regroups dans un paquetage spar sur lequel sappuient deux paquetages de cas dutilisation :
UC Off-line UC On-line

Acteurs

Figure 136.

Organisation des cas dutilisation et des acteurs en paquetages.57

Parmi les cas dutilisation de lexpert de loutil, trois cas sont relis par des relations dinclusion : la cration dun nouveau systme ncessite la configuration et linitialisation de loutil, qui ncessite elle-mme la configuration. Nous retrouvons ainsi les paquetages UC Off-line et UC On-line dtaills :
UC Off-line

Responsable Maintenance Crer un nouvel outil << include >> Expert de loutil << include >> Configurer loutil SCA DA << include >> ADD

UC On-line

Recevoir une alerte

Expe rt de loutil

SCA DA Responsable Maintenance Mettre jour la configuration de loutil GMA O


GMA O

Mettre jour les paramtres de loutil

Initialiser loutil

AMDEC

Oprateur Maintenance

Demander une aide au diagnostic

Figure 137.

UC Off-line et On-line

d) MODELE DU DOMAINE
Aprs avoir effectu une modlisation par les cas dutilisation qui correspond une description fonctionnelle, il est ncessaire de passer une modlisation structurelle, statique du systme raliser, sous forme densemble de classes logicielles, ventuellement regroupes en paquetages. Nous avons ainsi identifi les concepts mtier participant chaque cas dutilisation, en prenant en compte les associations entre ces concepts et leurs attributs. En considrant les concepts majeurs identifis, nous aboutissons la reprsentation suivante :

57

Lacronyme UC pour use case est souvent utilis pour raccourcir les noms de paquetage.

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 203

Systme surveiller

est surveiller par 1 1

1
Outil de surveillance

Rseau neuro-flou

1 1 1*

1 1

1
Rseau de neurones dynamiques

1 1 1..*

Cause Requiert

met

1*
Mode de fonctionnement se cre partir de Requiert est inscrit

est inscrit

Alerte

SCADA

ADD

AMDEC

GMAO

Figure 138.

Cartographie des concepts majeurs du domaine

Pour la sparation en paquetages, nous avons fait le choix de dcouper le modle en trois paquetages, le premier concerne le systme surveiller, le deuxime est loutil de surveillance appel outil DNFS Dynamic Neuro Fuzzy System et enfin le troisime est le paquetage regroupant les outils de la maintenance :
Systme surveiller Outil DNFS + Outil de surveillance + Rseau de neurones dynamique + Alerte + Mode de fonctionnement + Rseau neuro-flou + Cause

Outil de maintenance + SCADA + ADD + AMDEC + GMAO

Figure 139.

Reprsentation synthtique des paquetages et de leur contenu

e) SPECIFICATION DETAILLEE DES EXIGENCES


A partir des cas dutilisations tablis prcdemment, nous avons procd la description dtaille de ces cas, afin dobtenir une expression prcise des besoins prcise, avant daborder lanalyse et la conception dobjets. Nous avons ainsi spcifi de manire dtaille chacun des cas dutilisation :
cration dun nouvel outil configuration de loutil initialisation de loutil

page 204

rception dune alerte demande daide au diagnostic mise jour de la configuration de loutil mise jour des paramtres de loutil

A partir de cette description, nous avons pu dfinir des diagrammes de squence systme, les diagrammes des classes participantes, les diagrammes dactivits de navigation ainsi que les diagrammes dinteraction. Ceci nous a permis dobtenir les requtes spcifiques ncessaires, les interfaces ncessaires au dveloppement de loutil, ainsi que les procdures correspondant aux diffrentes phases dutilisation de loutil.
: OperateurMaintenance : Diagnostic : DiagnosticDtaille : ControlDiagnostic : RND : RNF

diagnostic() ou diagnostic(info1,info2, ) diagnostic() ou diagnostic(info1,info 2, ) degreModes() Modes,Degres diagnostic(Mod,Deg) ou diagnostic(Mod,Deg,info1,in fo2,) resultats create(resultats) : RsultatDiagnostic

a
Accs DNFS

Accueil Oprateur

RsultatDiagnostic /nbCause

Diagnostic

Diagnostic dtaill

Recherche
Diagnostic Oprateur Maintenance Diagnostic() ControlDiagnostic Diagnostic() DegreModes() DNFS

Rsultat Diagnostic

DiagnosticDtaille info1 info2 Diagnostic()

[oui]

Autre Diagnostic ? [non] Fin Normale

Figure 140. Diagramme de squence (a), diagramme de classes participantes (b) et diagramme de navigation (c) pour le cas dutilisation Demander une aide au Diagnostic

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 205

7.3.3 DESCRIPTION DE LOUTIL NEURO-FLOU UTILISE


Comme nous lavons prcis (Figure 131), loutil est form de deux parties, une partie neuronale rcurrente (RRFR) pour la dtection dynamique et une deuxime partie neurofloue pour laide au diagnostic. Comme ltude de la partie RRFR a dj t prsente dans les chapitres prcdents, nous allons tudier dans ce qui suit, la partie aide au diagnostic. Comme nous lavons prcis prcdemment, le cas dutilisation configuration de loutil nous permet de capitaliser linformation de lADD sous la forme dun systme neuro-flou. Les rgles utilises respectent le principe abductif de recherche de cause et prsentent la forme suivante :
Porte ET : a ET b c : c = a b. Porte OU : a OU b c: c = a b.

Les quations obtenues sont entirement dveloppes mais ne sont pas rduites. La rduction entrane des pertes dvnements de base (pouvant constituer des causes primaires potentielles). Cest la raison pour laquelle nous nen faisons pas appel. Les implications prcdentes sont transformes en rseau neuro-flou, dans lequel les dfaillances sont reprsentes par des neurones sigmodes ou linaires :

Figure 141.

Principe de transformation des portes ET et OU de lADD en systme neuro-flou

Un vnement de base est reprsent par un neurone de fonction dactivation linaire. Dans la fonction sigmodale utilise :
ei Ii 1 , avec Ii lentre du neurone et xi sa sortie, xi = i Ii e +1 i 1 reprsente un facteur de frquence de la dfaillance. Ce paramtre savre dterminant lors de la phase de configuration de loutil. En phase dinitialisation, selon la description UML, lexpert de loutil extrait des donnes de lAMDEC, en les intgrant dans loutil de diagnostic - en occurrence le systme neuro-flou. Ltape dextraction consiste en la prise en compte, dans le systme neuro-flou, de la frquence et de la gravit de chaque dfaillance ou dgradation enregistre dans lAMDEC :
Pour chaque ligne l de lAMDEC DO IF verifcause(l) THEN NewElement (0) = cause (l) NewElement (1) = frequency (l) NewElement(2) = severity (l) ExtAMDEC = ExtAMDEC + NewElement ENDIF RETURN Ext AMDEC

page 206

Dans un premier temps, pour chaque vnement de base de lADD prsent dans lAMDEC, nous allons effectuer le calcul du degr de crdibilit associ, en fonction de la frquence dapparition de cet vnement. Ceci correspond une opration de fuzzyfication. En fait, cette fuzzyfication est une version plus labore dune opration courante dans lindustrie lors de la construction dun AMDEC : il sagit des tables de correspondances, associant les valeurs du MTBF (Mean Time Between Failures) des valeurs numriques.
MTBF [h]
Jamais apparu 3200 < MTBF 2200 < MTBF 3200 1200 < MTBF 2200 200 < MTBF 1200 MTBF 200 1 2 3 4 5

Frquence

0,8 1,3 1,9 2,5 3,3 4,4

Tableau 12.

Exemple dquivalence entre le MTBF, la frquence de lAMDEC et le facteur de loutil daide au diagnostic

La valeur de la gravit de la cause constitue une indication supplmentaire fournie loprateur. A partir du moment o toutes les donnes disponibles dans lAMDEC sont exploites, il est possible que certains vnements de base naient pas de frquence associe, car lhistorique nest pas assez fourni. Dans ce cas, nous considrons que cette cause a des chances infimes (quasi-nulles) dapparatre. Cette information sera mise jour ultrieurement, en fonction des nouveaux vnements, donnes par la GMAO. Afin de dclencher une procdure de diagnostic partir dun symptme, un lien sera cr entre le symptme gnr par la dtection dynamique (RRFR) et lvnement correspondant du systme le diagnostic (systme neuro-flou construit partir de lADD). Cet vnement reprsente ltape de localisation du dfaut ou de la dgradation et se traduit par une entre supplmentaire au niveau du neurone correspondant cet vnement :
Entre propage

Symptme

Sortie

Figure 142.

Dclencheurs au niveau dun neurone du systme neuro-flou daide au diagnostic

Aprs les phase de configuration (en utilisant lADD) et dinitialisation (utilisation des paramtres de lAMDEC), loutil daide au diagnostic est autonome et peut servir gnrer des alertes/alarmes et proposer une aide au diagnostic/pronostic. Durant ces cas dutilisation, loutil RRFR de dtection dynamique effectue une surveillance continue du sous-systme critique surveill. Quand une dfaillance (ou une dgradation) intervient, une alarme (respectivement une alerte) est mise et le systme daide au diagnostic (respectivement au pronostic) est lanc. En fonction de linformation (symptme) fournie par le systme de dtection dynamique, le systme propose ainsi loprateur ou aux

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 207

responsables de maintenance les causes possibles, leur degr de crdibilit ainsi que la gravit associ.

7.3.4 EXEMPLE
PRONOSTIC

DAPPLICATION DE LOUTIL DAIDE AU DIAGNOSTIC

Nous illustrons lutilisation de loutil neuro-flou daide au diagnostic/pronostic sur un exemple simple, associ au systme flexible industriel du laboratoire. Ce systme permet de dplacer des palettes pouvant recevoir des composants assembler. Il est quip de 5 stations de travail, pilotes chacune par un automate programmable industriel. Les 5 automates communiquant entre eux via un rseau local industriel. La plate-forme est constitue de deux anneaux. Un anneau intrieur et un extrieur. Lanneau intrieur permet de faire circuler les palettes entre toutes les stations. Lanneau extrieur est ddi au traitement des tches effectuer sur les palettes. Cest sur cet anneau que sont installs les robots et le manipulateur. Larchitecture de linstallation permet de faire transiter une palette dune station la suivante sans la faire revenir sur lanneau intrieur. Ceci est valable pour toutes les stations sauf pour le passage de la station n2 la station n5 :

Station 1

Station 3 Station 4 Station 5

Station 2

Figure 143.

Vue densemble de la plate-forme flexible du LAB

Les palettes circulent sur la plate-forme grce un convoyeur courroies plates. Chaque station dispose dun moteur lectrique, entranant les courroies. Les palettes sont munies dune tiquette magntique qui leur sert de mmoire embarque. Ces mmoires peuvent tre lues dans chaque station grce des ttes magntiques de lecture / criture (PLE plots de lecture / criture). Les tiquettes permettent de mmoriser la gamme dassemblage des produits, pour savoir sur quel(s) poste(s), les palettes doivent subir une opration. Toutes les stations sont identiques. Chacune delles est compose de trois vrins pneumatiques (pousseur, indexeur, tireur), 9 dtecteurs, 6 stoppeurs et de 2 PLE :

page 208

PLE 0 D1
PLE 0 D1 S1 S6 D8 D9

S1

Stopeur (S)
Indexeur

Capteurs (D)
Stoppeurs ( S) Dtecteurs (D) PLE Vrins

Pusher

PLE Vrin

D2 S2

D3

D4

D5 S3

D6 S4 PLE 1 S5

D7

D2 S2

D3

D4

Figure 144.

Dtail dune station (a) et entre du poste(b)

Le sous-systme critique que nous avons surveill reprsente le module dentre dun poste de travail dont nous prsentons un schma ainsi que lAMDEC et lADD associs.
Dsignation
Entre de poste

Fonctions
Permettre la palette de rester sur lanneau intrieur ou extrieur ou de passer de lanneau intrieur vers lanneau extrieur Permettre la palette de rester sur lanneau intrieur ou extrieur ou de passer de lanneau intrieur vers lanneau extrieur Permettre la palette de rester sur lanneau intrieur ou extrieur ou de passer de lanneau intrieur vers lanneau extrieur

Modes de dfaillance
Palette bloque lanneau intrieur sur

Cause
Dtecteur D1 est en panne

Intitul effet systme


Arrt

F
4

G
2

ND
1

C
8

Entre de poste

Palette bloque lanneau intrieur

sur

Stoppeur S1 bloqu en position basse Le pousseur est en panne

Arrt

12

Entre de poste

Palette bloque lanneau intrieur

sur

Arrt

Tableau 13.

AMDEC pour lentre du poste

Figure 145.

ADD pour lentre du poste

En utilisant le principe de transformation des portes ET eu OU de larbre de dfaillance et dgradations en bloc neuro-flous, nous obtenons le systme neuro-flou suivant, qui fait appel deux types de neurones : linaires et sigmodaux.

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 209

Figure 146.

Transformation de lADD en systme neuro-flou (configuration)

En fonction de la fiabilit du symptme envoy par le RRFR (dtection dynamique), nous avons une observation dvnement Palette bloque au pousseur avec un degr de confiance de 0.57. Ce degr est propag dans le systme neuro-flou. La base de connaissances reprsente par loutil neuro-flou nous permet dobtenir une classification des causes possibles en fonction de leur pertinence (degr de crdibilit). La cause originelle la plus plausible (degr de crdibilit de 83 %) est f2 : dfaillance du capteur D1. Cette information constitue une aide au diagnostic et permet une planification efficace des actions de maintenance du systme. Le systme neuro-flou permet la mise en uvre dune approche abductive de recherche de causes, dclanchs par lapparition dun symptme. Par ailleurs, loutil est capable dintgrer la connaissance incertaine ou imprcise, correspondant lenvironnement industriel rel dexpertise et daction en maintenance.

7.3.5 PROTOTYPAGE DE LOUTIL NEURO-FLOU DAIDE AU DIAGNOSTIC


Dans le cadre dun projet Anvar (Palluat et al., 2004b), nous avons eu lopportunit de dvelopper un prototype logiciel bas sur les principes exposs prcdemment, eux mme le fruit dune succession dtapes dtude de march et de spcifications, en conformit avec les exigences industrielles du domaine. Notre choix de logiciels sest port sur le logiciel LabVIEW de National Instrument, un environnement complet, permettant de combiner acquisition, traitement et prsentation des donnes, vitant ainsi le stockage intermdiaire de celles-ci, une caractristique trs utile pour une analyse en temps rel. De plus, son implantation dans un environnement industriel est facilite car facilement intgrable dans un ordinateur industriel, une carte FPGA ou tout autre cible embarque. Enfin, ce logiciel sadapte de nombreuses plateformes et peut tre aisment intgr dans un PDA, lun des objectifs secondaires du projet. Dans le cadre de notre application loutil dvelopp en LabVIEW a t embarqu dans un ordinateur industriel PXI de National Instrument. Des dveloppements sont en cours pour une communication par onde radio grce la technologie WiFi. Pour cela, nous avons fait lacquisition de deux botiers convertisseur Ethernet WiFi, lun permettant de relier le PXI et lautre lordinateur fixe. Enfin, des tests avec un PDA sont effectus afin de faciliter lutilisation de notre outil pour un oprateur de maintenance.

page 210

PDA

Ordinateur industriel PXI Convertisseurs Ethernet-WiFi

Figure 147.

Diffrents lments constituants loutil.

Comme prcis dans la phase de conception de loutil daide au diagnostic, les lments de dpart sont constitus par lAMDEC et lADD associ au systme critique surveill. A partir de ces lments et en utilisant les spcifications obtenues, nous avons pu dvelopper les principales interfaces, correspondant aux cas dutilisation souhaits. Nous prsentons ci-dessous les aperus de trois cas dutilisation :
la configuration linitialisation laide au diagnostic

Le cas dutilisation de configuration est demand par lexpert de loutil suite une demande du responsable maintenance. Laperu suivant montre la phase de transformation de lArbre de Dfaillance effectu par lExpert de lOutil, qui reprend chacune des informations de larbre de dfaillance ( droite) pour crer le rseau neuro-flou.

Figure 148.

Interface de configuration

Chapitre 7 Vers un Outil Hybride Neuro-Flou pour la Surveillance Dynamique

page 211

Dans la situation dinitialisation (tape qui suit naturellement la configuration), lexpert de loutil doit ajouter les informations tires de lAMDEC. Les aperus qui suivent montrent diffrentes phases lors de linitialisation de loutil.

Figure 149.

Interfaces dinitialisation

Enfin, la partie dtection de loutil donne lalerte au responsable maintenance qui dcide dorganiser un diagnostic du systme. Loprateur de maintenance se rend sur place, mais le problme possdant diffrentes causes, il dcide de faire appel loutil de diagnostic pour laider dans son action. Nous avons prsent ci-dessous un exemple de rponse de loutil, dans ce cas dutilisation :

page 212

Degr de crdibilit associ

Gravit de la dgradation / dfaillance

Cause possible

Figure 150.

Interface daide au diagnostic

Sur ce schma, nous retrouvons sur le schma lensemble des causes primaires associs au symptme constat, avec :
le nom de la cause possible ; la possibilit dapparition (en pourcentage) ; le degr de gravit (associ un code de cinq couleurs, de vert rouge, lies la gravit de la cause, de la moins grave, la plus grave)

Ces causes sont tries par ordre dcroissant des possibilits dapparition.

7.4 CONCLUSION ET PERSPECTIVES


Nous avons prsent un nouvel outil de surveillance dynamique neuro-flou en suivant lapproche UML. La modlisation se caractrise par sept cas dutilisation : Cration dun nouvel outil, Configuration de loutil, Initialisation de loutil, Rception dune alerte, Demande daide au diagnostic, Mise jour la configuration de loutil, et Mise jour le modle de loutil. Nous avons illustr lutilisation de notre outil daide au diagnostic sous la forme dun prototype Labview embarqu dans un PC industriel PXI (National Instrument). Ce dveloppement sest fait dans le cadre dun projet Anvar. Le systme est capable de travailler en surveillance classique, comme en surveillance dynamique. Dans ce dernier cas, laction de diagnostic se transforme en action de diagnostic prdictif, donc de pronostic. Dans cette configuration, lensemble des principes de base utilises (apprentissage et modlisation de lincertain) prennent toute leur ampleur, en permettant la mise en uvre dune vritable base de connaissances oprationnelle, avec une mise jour permanente, en fonction des vnements nouveaux reus de la GMAO et des informations capteurs. Actuellement, le travail de prototypage continu paralllement avec la suite de nos recherches sur ce sujet. En effet, des points comme lapprentissage pratique des squences dynamiques (valides par simulation) et ltude de la robustesse de lapprentissage du systme neuro-flou restent approfondir.

. . .

Conclusions Gnrales et Perspectives de Recherche


BILAN, CONCLUSIONS
En suivant les principales tendances dvolution des systmes automatiss et de la productique, nos travaux de recherche se positionnent dans loptique de la mutation de la Productique, induite par lintgration des Sciences et Technologies de lInformation et de la Communication. En effet, cette intgration nest pas uniquement technique ou technologique, mais permet la mise en uvre de concepts organisationnels nouveaux et llaboration de services inimaginables il y a encore une dizaine dannes. Dans ce sens, la dcentralisation de lintelligence et sa migration vers les niveaux bas a t largement facilite, en donnant plus de ractivit aux systmes de production et en permettant la mise en place de techniques de management novatrices. Dans le domaine de la maintenance et de manire plus large, dans la Fonction Maintenance, nous retrouvons ainsi des concepts comme la Tlmaintenance et la Emaintenance, concepts qui ont constitu tout au long de nos recherches un pivot stratgique, qui nous a permis une communication trs aise avec les industriels et les instituts de transfert. Ces domaines ont ainsi fdr un ensemble dinstitutions, industriels de marque et laboratoires prestigieux autour de projets europens, nationaux et rgionaux, qui nous ont permis dacqurir trs rapidement un retour dexprience inestimable. Dans le cadre des domaines ainsi abords, nos contributions se sont orientes prcisment vers la mise au point de systmes intelligents distribus de diagnostic et de pronostic, dans le cadre dune maintenance et une surveillance dite intelligente. Comme nous lavons montr dans nos tats de lart, ce concept fait partie des tendances dans la recherche mondiale, ce qui nous conforte dans lide que nos travaux se situent sinon en avance sur certains points prcis, au moins ltat de lart mondial au moment du dbut de nos travaux. Concernant la surveillance, nos tudes ont abord des problmatiques lies la dtection dynamique, le diagnostic et le pronostic (diagnostic prdictif). Caractristiques essentielle du diagnostic, la recherche de cause dune dfaillance a constitu une de nos proccupations majeures. Dans ce sens, lutilisation de lapproche abductive de recherche de cause, a t considre dans la recherche doutils daide au diagnostic lis des impratifs de :
facilit dacquisition de linformation prise en compte de lincertain par lintgration des aspects lis lutilisation de la logique floue dans le processus de diagnostic et de pronostic gnricit des outils dvelopps et

page 214

validation des rsultats par dveloppement de prototypes de test en collaboration avec des industriels experts du domaine de la maintenance.

En prenant en compte les tendances voques prcdemment, les techniques de lintelligence artificielle ont constitu la colonne vertbrale de nos tudes, avec des travaux allant de la conception thorique de nouveaux outils dynamiques et la simulation, jusqu la validation, le prototypage et lexploitation industrielle doutils de dtection dynamique de dfaillances et de dgradations, ainsi que pour laide au diagnostic et au pronostic industriel. Dans le contexte de la surveillance dynamique, la dtection se fait par un apprentissage dynamique permanent, facilite par la mise au point de rseaux de neurones rcurrent innovants les rseaux rcurrents fonctions de base radiales : RRFR , capables dapporter une approche de reconnaissance locale indispensable au diagnostic et une dtection prcoce des paliers de dgradation et des fausses alarmes. Une tude comparative du RRFR par rapport dautres structures neuronales dynamiques connues, comme le R2BF et le DGNN, montre lefficacit du RRFR dans les applications de type surveillance dynamique, en mettant en vidence les avantages lis au paramtrage, aux techniques dapprentissage et lapprentissage dynamique propre cet outil. Lexploitation industrielle du nouvel outil constitue une tape importante. Elle permet la mise en uvre dune application de surveillance dynamique en temps rel dun systme, en utilisant lapprentissage dynamique distant via le web. Cette exploitation industrielle a donn lieu un brevet dinvention, dpos en collaboration avec une SSII bisontine. Ce dpt conjoint dmontre lintrt que cette socit manifeste par rapport au concept, ainsi que par rapport son potentiel trs intressant dapplication dans le domaine de la surveillance dynamique via les TIC. La prise en compte de lincertain, particularit fondamentale du mtier de la maintenance, est traite en utilisant la logique floue. Lutilisation de la logique floue dans la surveillance permet daffiner les informations acquises sur le terrain. Cette technique sest montre trs prometteuse, grce son potentiel dutilisation en surveillance dynamique et pronostic, avec la possibilit de rester proche de loprateur humain, en prenant en compte sa faon de raisonner et en offrant une traabilit intressante pour le retour dexprience, aspect essentiel de toute fonction de maintenance industrielle. Dans ce contexte, nous avons tudi des outils intgrs de type rseaux de Petri flous (RdPF) ddis la surveillance et la reprise des systmes de production. Ces outils sont bass essentiellement sur la modlisation floue de la variable "instant d'apparition" de l'vnement discret. Un mcanisme dinterfaage appropri est intgr chaque outil, afin de rendre possible lutilisation de modules spcialiss dans la surveillance et la reprise. Lintgration de la logique floue dans un tel systme daide la dcision, permet une formalisation du savoir-faire et de la culture dentreprise, ainsi quune flexibilit et une dimension prdictive trs intressante. Le modle rseau de Petri flou pour la surveillance (RdPFS) est ainsi construit partir des rgles logiques induites par larbre de dfaillance du systme surveill. Nous avons montr que cet outil permet une analyse dynamique des dfauts par une approche temporelle floue. Cette analyse prsente un grand intrt pour la surveillance dynamique et de par sa nature prdictive dans le pronostic industriel.

Conclusions Gnrales et Perspectives de Recherche

page 215

Laction de surveillance est suivie de laction de reprise. Nous avons propos une modlisation de la fonction de dcision floue pour la maintenance laide des rseaux de Petri flous pour la maintenance (RdPFM). Les modles du systme (RdPTO), du processus de surveillance (RdPFS) et du processus de maintenance (RdPFM), schangent des informations par lintermdiaire de signaux de synchronisation flous. Ceci permet une matrise avance des dgradations du systme durant le fonctionnement, une analyse dynamique permanente de son tat de dgradation et le dclanchement dactions de maintenance prventive. Cette action prcoce constitue une fonction de pronostic, qui se trouve ainsi intgr dans un outil global et homogne de supervision. Un prototype de plate-forme logicielle daide la dcision en maintenance prvisionnelle a t dvelopp en Labview sur la base de la mthodologie de supervision propose. Enfin, les avantages des outils neuronaux dynamiques et de la logique floue ont t mis luvre conjointement dans le cadre de systmes hybrides neuro-flous daide au diagnostic. Essentiels pour lindustrialisation des systmes proposs, linformation de dpart est considre sous un format industriel classique (ADD, AMDEC, ) et la mise jour est assure par une relle ouverture du systme traduite par des liens permanents avec les systmes dacquisition (capteurs, SCADA, ) et les systmes de gestion (GMAO, ). Ces caractristiques ont largement facilit le prototypage et la validation industrielle des principes proposs, ainsi que la cration dune vritable base de connaissances dynamique, rutilisable par lentreprise. Ceci est prouv par le nombre important de collaborations industrielles nourries par nos travaux de recherche. Pour finir, parmi les verrous technologiques abords lors de nos contributions, nous pouvons numrer :
la surveillance dynamique par apprentissage en ligne la rapidit et la flexibilit de lapprentissage le temps de rponse le traitement de grands flux de donnes et les mthodes de validation utilisant le test sur des benchmarks et le prototypage industriel.

PERSPECTIVES DE RECHERCHE
Comme nous lavons dj prcis prcdemment, les systmes mcatroniques modernes sont caractriss par une dcentralisation marque de lintelligence au niveau de laction, dans une configuration souvent rpartie. Dans ce contexte et vu les activits menes dans le domaine de la surveillance par intelligence artificielle, nos travaux ouvrent des perspectives dans le domaine des rseaux de capteurs intelligents. Cette perspective pourra ainsi intgrer des tendances technologiques lies aux connecteurs intelligents ( smart connectors ) bass sur le multiplexage et sur les courants porteurs, afin de rduire le volume de cblage, des points de connexion et afin de mieux prendre en considration les contraintes de sret de fonctionnement de ce type de rseaux, contraintes qui dans un avenir trs proche seront vraisemblablement dterminantes. Cette problmatique fait intervenir des concepts comme :

page 216

lintelligence artificielle, la fusion de capteurs, les technologies de linformation et de la communication ainsi que les problmatiques du temps rel :
o o o o

le dterminisme des rponses sur le rseau, la sret de fonctionnement des rseaux de capteurs, la flexibilit, louverture,

A cela se rajoute un environnement technologique orient de plus en plus vers la miniaturisation des composants, qui pose des problmes dintgration de ces capteurs dans les modules dcentraliss. Dans un contexte rgional de cration dun ple de comptitivit microtechniques en Franche-Comt, la problmatique de la fabrication des microsystmes est une problmatique prsentant un intrt croissant. En effet, de nombreux prototypes de microsystmes sont proposs en phase de prototype, avec une cration lie une manire plutt artisanale, tout fait comprhensible vu les technologies innovantes utilises -, mais qui ne se prte pas une commercialisation de ces produits. De ce fait, ltude des microsystmes de production semble tre un domaine porteur et permettant de garder des emplois europens souvent menacs par la dlocalisation. Dans le domaine de la micro productique - domaine abord depuis 2002 au LAB je considre pouvoir apporter ma contribution sur des sujets lis la surveillance et la sret de fonctionnement des microsystmes de production. Dans ce sens, il serait ncessaire :
-

didentifier les verrous du micro monde par rapport une action de type surveillance (dtection, diagnostic, pronostic, ) dfinir les bases dune approche systmiques dans la surveillance des microsystmes de production utilisation des approches IA ou des approches mixtes (de type boite grise modlisation + IA) pour la surveillance des microsystmes de production

Enfin, le diagnostic partir de limagerie mdicale en utilisant les techniques de lintelligence artificielle (correspondant au sujet de ma demande en dlgation au laboratoire IPAL Image Processing and Application Lab FRE CNRS 2339 Singapour) me semble un domaine o me comptences en recherche (surveillance par IA) et en enseignement (traitement de limage) peuvent se donner la main pour aborder une thmatique nouvelle, prsentant un grand intrt dans le domaine des biotechnologies, dans lequel la France et en particulier la Franche-Comt sont bien engages depuis un certain nombre dannes. Sur ce sujet, quelques points me semblent incontournables :
-

utilisation conjointe des techniques de traitement de limage et du diagnostic par imagerie mdicale mise en uvre de techniques de lintelligence artificielle permettant lapprentissage de lexprience mdicale et la formalisation de raisonnements approximatifs pour laide au diagnostic/pronostic.

. . .

Table des figures


FIGURE 1. FIGURE 2. POIDS DES DISCIPLINES ENSEIGNEES ENTRE 1999 ET 2004 EN HEURES ETUDIANT ..................... 34 REPARTITION MOYENNE DES HEURES REELLES PAR TYPE DE FORMATION ENTRE SEPT 1999 ET SEPT 2004................................................................................................................................................... 34 FIGURE 3. REPARTITION MOYENNE DES HEURES REELLES PAR TYPE DACTIVITE ENTRE SEPT 1999 ET AOUT 2004 ..................................................................................................................................................... 34 FIGURE 4. POIDS DES DISCIPLINES ENSEIGNEES DEPUIS 2004 EN HEURES ETUDIANT .................................. 37 FIGURE 5. REPARTITION MOYENNE DES HEURES REELLES PAR TYPE DE FORMATION APRES 2004 (LMD) 37 FIGURE 6. REPARTITION DES HEURES REELLES PAR TYPE DACTIVITE A PARTIR DE SEPT 2004 (LMD) ..... 37 FIGURE 7. SCHEMA GENERIQUE DE LA TELEMAINTENANCE. ....................................................................... 51 FIGURE 8. SCHEMA GENERIQUE DE LA E-MAINTENANCE............................................................................. 51 FIGURE 9. DIFFERENTES POLITIQUES DE MAINTENANCE ............................................................................. 52 FIGURE 10. HIER : CONCEPT MODULAIRE AVEC INTELLIGENCE CENTRALISEE - DEMAIN : CONCEPT MODULAIRE AVEC INTELLIGENCE REPARTIE.............................................................................................. 53 FIGURE 11. TENDANCES DANS LES SYSTEMES DE CONTROLE INDUSTRIEL ET D'AUTOMATISMES ................. 53 FIGURE 12. COMPOSANTES DE LA SURVEILLANCE INDUSTRIELLE................................................................. 55 FIGURE 13. ARCHITECTURE GENERALE DUN SYSTEME DE SUPERVISION EN LIGNE...................................... 56 FIGURE 14. APPROCHE UNIFIEE POUR LA SURVEILLANCE ............................................................................. 56 FIGURE 15. SURVEILLANCE CLASSIQUE ET SURVEILLANCE DYNAMIQUE ...................................................... 57 FIGURE 16. CLASSIFICATION DES METHODES DE SURVEILLANCE - PREMIERE APPROCHE ............................. 58 FIGURE 17. CLASSIFICATIONS DES OUTILS D'IA SUIVANT LES METHODES DE DIAGNOSTIC. ......................... 62 FIGURE 18. CLASSIFICATION GLOBALE DES METHODES DE SURVEILLANCE .................................................. 62 FIGURE 19. STRUCTURE DUN SYSTEME EXPERT ........................................................................................... 65 FIGURE 20. REPRESENTATION DES DIFFERENTES ZONES DE DEUX DISTRIBUTIONS GAUSSIENNES................ 65 FIGURE 21. CYCLE DU RAISONNEMENT A PARTIR DE CAS.............................................................................. 66 FIGURE 22. RECONNAISSANCE DES FORMES PAR RESEAU DE NEURONES. ..................................................... 69 FIGURE 23. EXEMPLE DARCHITECTURE DE SYSTEME DE DIAGNOSTIC PAR LOGIQUE FLOUE. ...................... 70 FIGURE 24. EXEMPLE DE RESEAU BAYESIEN POUR LE DIAGNOSTIC DE VOITURE (PIECHOWIAK, 2004)........ 73 FIGURE 25. EXEMPLE DE GRAPHE CONTEXTUEL ............................................................................................ 75 FIGURE 26. DEPENDANCES ENTRE LES DEFAUTS ........................................................................................... 76 FIGURE 27. RESEAU DE DEFAUTS (FAULT NET).............................................................................................. 77 FIGURE 28. CONVERSION DES PORTES LOGIQUES DE LARBRE DE DEFAILLANCE.......................................... 77 FIGURE 29. RDP ET GRAPHE DE CAUSALITE................................................................................................... 77 FIGURE 30. THEMATIQUES DE RECHERCHES ABORDEES. POSITIONNEMENT DES TRAVAUX DE RECHERCHE CO-DIRIGES PAR RAPPORT AUX PROBLEMATIQUES DE LA SURVEILLANCE ................................................ 83 FIGURE 31. POSITIONNEMENT DE TRAVAUX CO-ENCADRES PAR RAPPORT AUX DIFFERENTS OUTILS DE LINTELLIGENCE ARTIFICIELLE ................................................................................................................. 84 FIGURE 32. APPLICATION DES RESEAUX DE NEURONES EN SURVEILLANCE. ................................................. 86 FIGURE 33. DIFFERENCE DES CAPACITES DE GENERALISATION ENTRE LE PMC (A) ET LES RFR (B)............ 88 FIGURE 34. COMPLEXITE DUN RESEAU DE NEURONES. ................................................................................ 89 FIGURE 35. EXPLOITATION DES RESEAUX STATIQUES POUR DES TRAITEMENTS DYNAMIQUES PAR UTILISATION DE FENETRE TEMPORELLE (A) OU PAR UTILISATION DE CONNEXIONS RECURRENTES (B). ... 95 FIGURE 36. REPRESENTATION DU TEMPS DANS LES RESEAUX DE NEURONES. .............................................. 95 FIGURE 37. EXEMPLE DUN RESEAU AVEC DES CONNEXIONS A DELAIS. ....................................................... 97 FIGURE 38. SOMMATION SPATIO-TEMPORELLE : ADDITION DES POTENTIELS EVOQUES A LA FOIS DANS L'ESPACE ET DANS LE TEMPS. A) 2 POTENTIELS EVOQUES (REPERES PAR LES FLECHES) NE DEPASSENT PAS LA VALEUR SEUIL. B) 2 POTENTIELS EVOQUES QUI DEPASSANT LA VALEUR SEUIL GENERENT UN POTENTIEL D'ACTION. ................................................................................................................................ 97 FIGURE 39. REPRESENTATION DU COMPORTEMENT STATIQUE DUN NEURONE STATIQUE. .......................... 98 FIGURE 40. REPRESENTATION DU COMPORTEMENT DYNAMIQUE DUN NEURONE RECURRENT.................... 98 FIGURE 41. ARCHITECTURES RECURRENTES : JORDAN (A), ELMAN (B)........................................................ 99 FIGURE 42. LARCHITECTURE DE MOAKES(A) ET DE M.W. MAK (B) POUR UN RFR RECURRENT. ........... 100 FIGURE 43. LARCHITECTURE DE MIYOSHI POUR UN RFR RECURRENT...................................................... 100

page 218

FIGURE 44. LARCHITECTURE DE FRASCONI POUR UN RFR RECURRENT (LE R2BF). ..................................101 FIGURE 45. TOPOLOGIE DU DGNN ..............................................................................................................101 FIGURE 46. RESEAU RRFR (RESEAUX RECURRENTS A FONCTIONS DE BASE RADIALES). ..........................106 FIGURE 47. REPRESENTATION DES DIFFERENTES ARCHITECTURES LRGF...................................................107 FIGURE 48. ARCHITECTURE GENERALE DUN RESEAU LRGF AVEC BOUCLAGE DE LA SORTIE (MODELE DE FRASCONI-GORI-SODA). LES 1 REPRESENTENT DES RETARDS UNITAIRES. ...........................................108 FIGURE 49. FIGURE 50. FIGURE 51. FIGURE 52. FIGURE 53. FIGURE 54. ARCHITECTURE SIMPLIFIEE DUN RESEAU LRGF AVEC RETOUR DE LA SORTIE. ......................108 ALLURE DE LA SIGMODE EN FONCTION DU PARAMETRE B. ......................................................109 POINTS DEQUILIBRE DU NEURONE BOUCLE EN FONCTION DU PRODUIT bwii ..........................109 COMPORTEMENT DOUBLI : A) CONVERGENCE DE LA SORTIE DU NEURONE BOUCLE VERS LE a = a0 ( wii > 0 ), B) ETAPES DU COMPORTEMENT DOUBLI ....................110 COMPORTEMENT DOUBLI : A) OSCILLATIONS DUES A LA VALEUR NEGATIVE DE LAUTOwii < 0 . B) ETAPES DU COMPORTEMENT DOUBLI ..............................................................111 MEMORISATION : A) CONVERGENCE DE LA SORTIE DU NEURONE BOUCLE VERS LE POINT
+ a0

POINT DEQUILIBRE STABLE

CONNEXION

DEQUILIBRE STABLE

POUR

a(0) > 0

ET VERS

a0

POUR

a(0) < 0 , B) ETAPES DE LA

FIGURE 55. FIGURE 56.

MEMORISATION.........................................................................................................................................111 LIMITES DE MEMORISATION A DEUX POINTS DEQUILIBRE STABLE DU NEURONE BOUCLE. .....112 LONGUEUR DE LA MEMOIRE DYNAMIQUE DU NEURONE BOUCLE : A) EN FONCTION DU PRODUIT

bwii

POUR UN Q DONNE, B) EN FONCTION DE Q AVEC UNE CONFIGURATION DE LONGUEUR DE MEMOIRE

MAXIMUM ( bwii

= 2 ) OBTENUE A PARTIR DU PREMIER GRAPHE............................................................113

FIGURE 57. ARCHITECTURE GENERALE DUN RESEAU LRGF AVEC BOUCLAGE DE LA SORTIE (MODELE DE PODDAR-UNNIKRISHNAN). LES 1 REPRESENTENT DES RETARDS UNITAIRES.........................................113 FIGURE 58. INFLUENCE DES PARAMETRES
ET

bwii

SUR LE COMPORTEMENT DU NEURONE BOUCLE DE

PODDAR-UNNIKRISHNAN : A) COMPORTEMENT DOUBLI , B) COMPORTEMENT DE MEMORISATION. ......114 FIGURE 59. LONGUEUR DE LA MEMOIRE DU NEURONE DE PODDAR-UNNIKRISHNAN : A) EN FONCTION DE bwii ET POUR UN Q DONNE, B) EN FONCTION DE Q ET AVEC UNE CONFIGURATION DE LONGUEUR
DE MEMOIRE MAXIMUM ( bwii

= 2 ) OBTENUE A PARTIR DU PREMIER GRAPHE. .....................................114

FIGURE 60.

ARCHITECTURE GENERALE DUN RESEAU LRGF AVEC BOUCLAGE DE LACTIVATION. LES 1

REPRESENTENT DES RETARDS UNITAIRES.................................................................................................115 FIGURE 61. ARCHITECTURE SIMPLIFIEE DUN RESEAU LRGF AVEC RETOUR DE LACTIVATION ................115 FIGURE 62. COMPORTEMENT DOUBLI. CONVERGENCE DE LACTIVATION DU NEURONE VERS LE POINT DEQUILIBRE STABLE a = a0 : A) SANS OSCILLATIONS POUR DES VALEURS POSITIVES DE LAUTOCONNEXION, B) AVEC OSCILLATIONS POUR DES VALEURS NEGATIVES DE LAUTO-CONNEXION. ............116 COMPORTEMENT DE MEMORISATION. DIVERGENCE DE LACTIVATION DU NEURONE VERS UNE VALEUR INFINIE A) SANS OSCILLATIONS, B) AVEC OSCILLATIONS. ..........................................................117 FIGURE 64. COMPARAISON DE LA LONGUEUR DE LA MEMOIRE DES TROIS ARCHITECTURES LRGF PRESENTEES PRECEDEMMENT : (A) NEURONE A RETOUR LOCAL DE LACTIVATION , (B) NEURONE BOUCLE DE FRASCONI-GORI-SODA, (C) NEURONE DE PODDAR-UNNIKRISHNAN. .................................................118 FIGURE 65. EVOLUTION DU NEURONE BOUCLE PAR RAPPORT A DEUX EVENEMENTS DISTINCTS (SE PRODUISANT A DES INSTANTS DIFFERENTS). ............................................................................................122 FIGURE 66. A) SYSTEME DEVENEMENTS DISCRETS ETUDIE, B) MODELISATION PAR RESEAU DE PETRI TEMPORISES, C) ARCHITECTURE DU RRFR POUR LAPPRENTISSAGE DES SEQUENCES DU SYSTEME.......123 FIGURE 67. EVOLUTION DES SORTIES DES NEURONES RECURRENTS FACE AUX EVENEMENTS ASSOCIES A CHAQUE NEURONE. LES VALEURS DE FIN DE SEQUENCE SONT MEMORISEES PAR LA MEMOIRE STATIQUE....

FIGURE 63.

...................................................................................................................................................124 FIGURE 68.


A RESEAU RRFR AVEC MEMOIRE DYNAMIQUE A UN NEURONE LINEAIRE ET UNE CASCADE DE NEURONES BOUCLES, B APPRENTISSAGE DUN PALIER DE DEGRADATION ............................................124 FIGURE 69. COMPARAISON ENTRE LA SORTIE DE LA MEMOIRE DYNAMIQUE AVEC NEURONES BOUCLES ET CELLE AVEC NEURONE A RETOUR LOCAL DE LACTIVATION....................................................................125 FIGURE 70. DISSOCIATION ENTRE UN CHANGEMENT BRUSQUE, ET UN PALIER DE DEGRADATION. .............125 FIGURE 71. SCHEMA DAPPLICATION DE LA SURVEILLANCE DUN MOTEUR. ...............................................126 FIGURE 72. MESURE DE LA VITESSE DE ROTATION ET REPONSE DU NEURONE BOUCLE AVEC LES DEUX TYPES DE PERTURBATIONS : FROTTEMENTS ET BRUITS DE MESURES. MISE EN EVIDENCE DE LA FAUSSE ALARME (BRUIT DE MESURE) MALGRE SON AMPLITUDE IMPORTANTE. ..................................................................126

Table de Figures

page 219

FIGURE 73.

APPLICATION DU RESEAU RRFR POUR LA SURVEILLANCE DUN BRAS DE ROBOT. DIFFERENTS TYPES DE COLLISIONS POSSIBLES : FRONTALE, PAR DERRIERE, A GAUCHE OU A DROITE........................ 127 FIGURE 74. REPONSES DES CAPTEURS DE FORCE (FX, FY ET FZ) POUR CHAQUE TYPE DE COLLISION. .......... 127 FIGURE 75. A) SERIE MACKEY-GLASS, B) RRFR POUR LA PREDICTION DE X(T+6) .................................... 129 FIGURE 76. RESULTATS DE LAPPLICATION DE LALGORITHME RCE SUR LE PROBLEME DE LA SERIE MACKEY-GLASS : A - ERREURS DESTIMATION ; B - NOMBRE DE PROTOTYPES CREES ........................... 129 FIGURE 77. COMPARAISON DES TROIS RESEAUX APRES APPRENTISSAGE PAR LALGORITHME RCE SUR LE PROBLEME DE PREDICTION DE LA SERIE MACKEYGLASS........................................................................ 129 FIGURE 78. INFLUENCE DU PARAMETRE K SUR LES PERFORMANCES DE PREDICTION DU RESEAU RRFR : A) ERREUR MOYENNE DE PREDICTION, B) DEVIATION STANDARD DE LERREUR MOYENNE DE PREDICTION..... ................................................................................................................................................... 131 FIGURE 79. INFLUENCE DU PARAMETRE SUR LES PERFORMANCES DE LALGORITHME : A) NOMBRE DE PROTOTYPES CREES EN FONCTION DES VARIATIONS DU SEUIL , B) LIMITES DE LA ZONE DES PROTOTYPES CREES APRES CONVERGENCE DE LALGORITHME DES K-MOYENNES RENFORCE................ 133 FIGURE 80. STABILITE DU CALCUL DES CENTRES AVEC LA VERSION RENFORCEE DES K-MOYENNES (A) ET (B), PAR RAPPORT A VERSION SIMPLE DE LALGORITHME (C).................................................................. 134 FIGURE 81. SURVEILLANCE DUN FOUR A GAZ PAR LE RESEAU DE NEURONES RRFR. ............................... 134 FIGURE 82. A) CONCENTRATION DU CO2 EN SORTIE DU FOUR A GAZ, B) DEBIT DU GAZ EN ENTREE. ........ 135 FIGURE 83. NOMBRE DE PROTOTYPES OBTENUS EN FONCTION DES VARIATIONS DU SEUIL DE LALGORITHME FUZZY MIN MAX............................................................................................................ 135 FIGURE 84. COMPARAISON DES PERFORMANCES ENTRE LES DEUX TYPES DE MEMOIRES DYNAMIQUES ET LE RESEAU RFR STATIQUE SUR UNE APPLICATION DE PREDICTION ............................................................. 136 FIGURE 85. APPRENTISSAGE DU RESEAU RRFR A REPRODUIRE LES 300 PREMIERES VALEURS DE LA SERIE MACKEY-GLASS, A) DONNEES REELLES DE LA SERIE, B) SORTIE DU RESEAU RRFR AVEC LEVOLUTION DE LA SORTIE DU NEURONE BOUCLE APRES EXCITATION. ....................................................................... 137 FIGURE 86. APPRENTISSAGE DU RESEAU RRFR DE LA COMMANDE U(T) DU PROBLEME DU FOUR A GAZ, A) RRFR AVEC NEURONE BOUCLE, B) RRFR AVEC NEURONE A RETOUR LOCAL DE LACTIVATION. ......... 138 FIGURE 87. CLASSIFICATION DES RESEAUX DE NEURONES TEMPORELS A L'AIDE DE DEUX CRITERES : TEMPOREL ET ARCHITECTURAL. .............................................................................................................. 139 FIGURE 88. ARCHITECTURES RRFR (A) ET R2BF (B) POUR LE PRONOSTIC................................................. 141 FIGURE 89. SIMPLIFICATION DU RESEAU DGNN (A), STRUCTURE DGNN UTILISEE POUR LE PRONOSTIC(B). . ................................................................................................................................................... 142 FIGURE 90. STRUCTURE RRFR (A) ET R2BF (B) POUR LA SURVEILLANCE DYNAMIQUE ............................. 143 FIGURE 91. SCHEMATISATION DU RESEAU DGNN POUR LA SURVEILLANCE DYNAMIQUE. ........................ 144 FIGURE 92. RESEAU RECURRENT A BASE DE FONCTIONS RADIALES AVEC SES DEUX MEMOIRE (DYNAMIQUE ET STATIQUE) EMBARQUE DANS LAUTOMATE PROGRAMMABLE............................................................ 146 FIGURE 93. SOLUTION DE SURVEILLANCE EN LIGNE AVEC APPRENTISSAGE DISTANT VIA LE PROTOCOLE DE COMMUNICATION INTERNET TCP/IP....................................................................................................... 148 FIGURE 94. DIFFERENTES INTERACTIONS ENTRE CHAQUE COMPOSANT DE LAPPLICATION DE SURVEILLANCE......................................................................................................................................... 149 FIGURE 95. ORGANIGRAMME DU RESEAU RRFR CHARGE DANS LA CPU DE LAUTOMATE. LA COMMUNICATION AVEC LE COUPLEUR WEB SE FAIT A TRAVERS DES VARIABLES SITUEES DANS LE COMPOSANT DB....................................................................................................................................... 150 FIGURE 96. ORGANIGRAMME DU PROCESSUS DAPPRENTISSAGE DU RESEAU DE NEURONES. LE PROGRAMME JAVA CHARGE DANS LE COUPLEUR PEUT ETRE EXECUTE A DISTANCE (TCP/IP). UNE BASE DE DONNEES EST EGALEMENT DISPONIBLE AU NIVEAU DU COUPLEUR ET CONSULTABLE A DISTANCE. ...................... 151 FIGURE 97. INTERFACE (IHM) POUR UN UTILISATEUR PASSIF - VISUALISATION DES VALEURS DES PARAMETRES DE SURVEILLANCE, DU MODE DE FONCTIONNEMENT ET DE LHISTORIQUE DE LEQUIPEMENT. ........................................................................................................................................ 151 FIGURE 98. INTERFACE (IHM) POUR UN UTILISATEUR AVEC POUVOIR (EXPERT ACTIF) - SEULE PERSONNE A POUVOIR CONFIGURER LE PROGRAMME NEURONAL CHARGE DANS LUNITE CENTRAL DE LAUTOMATE..... ................................................................................................................................................... 151 FIGURE 99. MAQUETTE DE TEST. ................................................................................................................. 152 FIGURE 100. PLACE DES MODELES DE DETECTION (RDPTO) ET DE SURVEILLANCE DYNAMIQUE (RDPFS)... .............................................................................................................................................. 160 FIGURE 101. MODELISATION DU SYSTEME SURVEILLE PAR RDPTO. INTEGRATION DE LA DETECTION .............................................................................................................................................. 161 DIRECTE. FIGURE 102. PRINCIPE DE MODELISATION DE LA PROPAGATION DES DEFAUTS......................................... 163 FIGURE 103. MODELISATION DE L'IMPLICATION LOGIQUE PAR UNE TRANSITION TEMPORELLE ............... 164 FIGURE 104. REPRESENTATION DE LA FONCTION F PAR LE RDPFS .......................................................... 165 FIGURE 105. PROPOSITIONS LOGIQUES ELEMENTAIRES MODELISEES PAR LE RDPFS ............................... 166

page 220

MODELISATION DES RAISONNEMENTS LOGIQUES CONCURRENTS DI DJ DK PAR RDPFS. ..... ...............................................................................................................................................169 FIGURE 107. MODELISATION DES DEFAUTS CONCURRENTS EN ANTECEDENCE PAR RDPFS .....................170 FIGURE 108. MODELISATION DE LA SURVEILLANCE SEPAREE PAR LE RDPFS...........................................173 FIGURE 109. MODELISATION DE LA REGLE d 1 d 2 d s 1 PAR RDPFS AVANT A) ET APRES B) FRANCHISSEMENT .....................................................................................................................................174 FIGURE 110. STRUCTURE GLOBALE DE LA BOUCLE DETECTION/MAINTENANCE PREVENTIVE ...................178 FIGURE 111. MODELISATION DUNE STATION DE TRAVAIL PAR RDPTO ...................................................178 FIGURE 112. A) REPRESENTATION DE LEXPRESSION BOOLEENNE F ; B) BASE DE REGLES LOGIQUES FLOUES CORRESPONDANT A F ..................................................................................................................179 FIGURE 113. REPRESENTATION DE LEXPRESSION F PAR LE RDPFS..........................................................180 FIGURE 114. MODELISATION DE LENSEMBLE DU SYSTEME TEMPS-REEL DE SURVEILLANCE-COMMANDE (ADD = ARBRE DE DEFAILLANCE, SEF = SYSTEME EXPERT FLOU) .........................................................181 FIGURE 115. BASE DES REGLES FLOUES POUR LA MAINTENANCE ..............................................................182 FIGURE 116. INTERFACE DU SYSTEME DE SURVEILLANCE DYNAMIQUE.....................................................182 FIGURE 117. FONCTIONS DAPPARTENANCE DE LA VARIABLE G, H ET U1 AUX CLASSES FLOUES...............183 FIGURE 118. REPRESENTATION DE LA BASE DE REGLES FLOUES R ............................................................183 FIGURE 119. DEFUZZYFICATION DE LA VARIABLE FLOUE U1 ....................................................................183 FIGURE 120. LE SYSTEME NEURO-FLOU .....................................................................................................188 FIGURE 121. EXEMPLE DE RESEAU DE NEURONES POUR LA COMMANDE FLOUE ........................................189 FIGURE 122. EXEMPLE D'ASSOCIATION EN SERIE D'UN RESEAU DE NEURONE ET D'UN SYSTEME FLOU .....190 FIGURE 123. EXEMPLE D'ASSOCIATION EN PARALLELE D'UN RESEAU DE NEURONE ET D'UN SYSTEME FLOU .. ...............................................................................................................................................190 FIGURE 124. DIFFERENTES ARCHITECTURES DES SYSTEMES NEURO-FLOUS ..............................................192 FIGURE 125. MODELE NEFCON AVEC DEUX ENTREES, 5 REGLES ET UNE SORTIE ....................................193 FIGURE 126. MODELE NEFPROX AVEC DEUX ENTREES, 5 REGLES ET DEUX SORTIES .............................193 FIGURE 127. LES TROIS DIFFERENTS TYPES DE SANFIS............................................................................194 FIGURE 128. EXEMPLE DE GROUPAGE ........................................................................................................195 FIGURE 129. SCHEMA GENERAL DE LA MODELISATION NEURO-FLOUE ......................................................196 FIGURE 130. PARTITION FLOUE DES ATTRIBUTS .........................................................................................196 FIGURE 131. SCHEMA DU SYSTEME DAIDE AU DIAGNOSTIC......................................................................198 FIGURE 132. SCHEMA GLOBAL DU PROCESSUS DE MODELISATION UML .................................................199 FIGURE 133. CAS DUTILISATION CONCERNANT LE RESPONSABLE DE MAINTENANCE .............................200 FIGURE 134. CAS DUTILISATION DE LOPERATEUR DE MAINTENANCE ....................................................201 FIGURE 135. CAS DUTILISATION DE LACTEUR EXPERT DE LOUTIL ........................................................201 FIGURE 136. ORGANISATION DES CAS DUTILISATION ET DES ACTEURS EN PAQUETAGES. .......................202 FIGURE 137. UC OFF-LINE ET ON-LINE ......................................................................................................202 FIGURE 138. CARTOGRAPHIE DES CONCEPTS MAJEURS DU DOMAINE ........................................................203 FIGURE 139. REPRESENTATION SYNTHETIQUE DES PAQUETAGES ET DE LEUR CONTENU ..........................203 FIGURE 140. DIAGRAMME DE SEQUENCE (A), DIAGRAMME DE CLASSES PARTICIPANTES (B) ET DIAGRAMME DE NAVIGATION (C) POUR LE CAS DUTILISATION DEMANDER UNE AIDE AU DIAGNOSTIC ...............204 FIGURE 141. PRINCIPE DE TRANSFORMATION DES PORTES ET ET OU DE LADD EN SYSTEME NEURO-FLOU ...............................................................................................................................................205 FIGURE 142. DECLENCHEURS AU NIVEAU DUN NEURONE DU SYSTEME NEURO-FLOU DAIDE AU DIAGNOSTIC ..............................................................................................................................................206 FIGURE 143. VUE DENSEMBLE DE LA PLATE-FORME FLEXIBLE DU LAB..................................................207 FIGURE 144. DETAIL DUNE STATION (A) ET ENTREE DU POSTE(B)............................................................208 FIGURE 145. ADD POUR LENTREE DU POSTE ............................................................................................208 FIGURE 146. TRANSFORMATION DE LADD EN SYSTEME NEURO-FLOU (CONFIGURATION)......................209 FIGURE 147. DIFFERENTS ELEMENTS CONSTITUANTS LOUTIL. .................................................................210 FIGURE 148. INTERFACE DE CONFIGURATION............................................................................................210 INTERFACES DINITIALISATION.................................................................................................................211 FIGURE 149.........................................................................................................................................................211 FIGURE 150. INTERFACE DAIDE AU DIAGNOSTIC.......................................................................................212 FIGURE 106.

. . .

Liste des tableaux


TABLEAU 1. RESULTATS COMPARATIFS ENTRE LES PERFORMANCES DES ARCHITECTURES TEMPORELLES ... .............................................................................................................................................. 104 TABLEAU 2. CALCUL DE DISTANCE EUCLIDIENNE ENTRE UN PALIER DE DEGRADATION ET UN PIC DE FAUSSE ALARME (NL = NEURONE LINEAIRE, NR = NEURONE RECURRENT). ........................................ 126 TABLEAU 3. RESULTATS OBTENUS (RRFR AVEC LES DEUX TYPES DE MEMOIRE ET RFR). ..................... 127 TABLEAU 4. ETAPES DE LALGORITHME PROPOSE. ................................................................................... 133 TABLEAU 5. SYNTHESE DES ESSAIS COMPARATIFS SUR LE PRONOSTIC .................................................... 142 TABLEAU 6. TEMPS DAPPRENTISSAGE ET DE RECONNAISSANCE POUR LA SURVEILLANCE DYNAMIQUE 144 TABLEAU 7. ERREURS EN SURVEILLANCE DYNAMIQUE ............................................................................ 144 TABLEAU 8. DIFFERENTS TEMPS DE CYCLE EN FONCTION DE PLUSIEURS DIMENSIONS DU RESEAU RRFR.... .............................................................................................................................................. 152 TABLEAU 9. DIFFERENTES APPROCHES DES RESEAUX DE PETRI FLOUS.................................................... 158 TABLEAU 10. COMPARAISON ENTRE LA LOGIQUE FLOUE ET LES RESEAUX DE NEURONES ......................... 189 TABLEAU 11. DEGRES FLOUS DE RELATION ENTRE LES CLASSES ET LES SOUS DOMAINES DE LA PARTITION... .............................................................................................................................................. 197 TABLEAU 12. EXEMPLE DEQUIVALENCE ENTRE LE MTBF, LA FREQUENCE DE LAMDEC ET LE FACTEUR DE LOUTIL DAIDE AU DIAGNOSTIC .................................................................................................... 206 TABLEAU 13. AMDEC POUR LENTREE DU POSTE ..................................................................................... 208

. . .

Rfrences Bibliographiques
Aamodt, A. et E. Plaza (1994). Case-Based Reasoning : Foundational Issues, Methodological Variations and Systems Approaches, AI Communication, IOS Press, Vol. 7: 1, pp. 39-59. Adamson M. J. et R.I. Damper (1996). A recurrent network that learns to pronounce English text, Proceedings of International Conference on Spoken Language Processing (ICSLP'96) 4, pp. 1704-1707. Aghasaryan, A., R. Boubour, E. Fabre, C. Jard et A. Benveniste (1997). A Petri Net Approach to fault detection and diagnosis in distributed systems, Armen Publication interne n1117 IRISA. Aghasaryan, A., (1998). Formalisme HMM pour les rseaux de Ptri partiellement stochastiques : Application au diagnostic de pannes dans les systmes rpartis, Thse de doctorat universit de Rennes1. Ahmedou, O. et N. Bonnet (1997). Une amlioration de lalgorithme possibiliste de classification non supervise (PCM), LFA97 - Confrence sur la Logique floue et ses applications. Almeida, L.B. (1988). Backpropagation in Perceptrons with feedback, in NATO ASI Series, Vol. F41, Neural Computers, Edited by R. Eckmiller and Ch. V. d. Malsburg. Amit, D.J. (1988). Neural Network Counting Chimes, Proceedings of the National Academy of Sciences USA, 85, pp. 2141-2145. Amodeo, L., (1999). Contribution la modlisation et la rduction des systmes de production par les perturbations singulires, Thse de Doctorat, Universit de Franche-Comt, Belfort, France. Anglano, C., L. Portinale (1994). B-W Analysis: a Backward Reachability Analysis for Diagnostic Problem Solving Suitable to Parallele Implementation, Proceeding of the 15th International Conference on Application and Theory of Petri Nets, Zaragoza, Espagne. Atiya, A.F., S.M. El-Shoura, S.I. Shaheen et M.S. El-Sherif (1999). A Comparison Between Neural Network Forecasting Techniques Case Study : River Flow Forecasting, IEEE Transactions on Neural Networks, Vol. 10, N2, pp. 402-409. Atiya, A.F. et A.G. Parlos (2000). New Results on Recurrent Network Training : Unifying the Algorithms and Accelerating Convergence, IEEE Transactions on Neural Networks, Vol. 11, N3, pp. 697-709. Aussem, A. (1995). Thorie et Application des Rseaux de Neurones Rcurrents et Dynamiques la Prdiction, la Modlisation et au Contrle Adaptatif des Processus Dynamiques, Thse de Doctorat, Universit Ren Descartes Paris V. Aussem, A. (2002). Le Calcul du Gradient dErreur dans les Rseaux de Neurones Discrets Boucls Dlais : Application aux Tlcom et aux Sciences

page 224

Environnementales, Habilitation Diriger des Recherches, Universit Blaise Pascal Clermont-Ferrand II/ France. Ayat, N.E., M. Cheriet et C.Y. Suen (2000). Un systme neuro-flou pour la reconnaissance de montants numriques de chques arabes, Rapport du laboratoire de lIntelligence Artificielle de lUniversit du Qubec. Back, A.D. et A.C. Tsoi (1990). A Time Series Moddeling Methodology Using FIR and IIR Synapses, Proceeding Workshop on Neural Networks for Statistical and Economic Data, Dublin, DOSES, Statistical Office of European Comminities, F. Murtagh Ed., pp. 187-194. Basseville, M. (1988). Detecting Changes in Signals and Systems A Survey, Automatica, Vol. 24, N3, pp. 309-326. Basseville, M. et I. Nikiforov (1993). Detection of Abrupt Changes Theory and Applications , Information and System Sciences Serie, Prentice Hall, Englewood Cliffs, N.J. Basseville, M. et M-O. Cordier (1996). Surveillance et diagnostic de systmes dynamiques: approche complmentaire du traitement de signal et de l'intelligence artificielle, Rapport INRIA, N2861. Bengio, Y., P. Frasconi, P. Simard (1993). The problem of learning long-term dependencies in recurrent networks, Proc. of the IEEE International Conference on Neural Networks, San Francisco, pp. 1183-1195. Bernauer, E. et H. Demmou (1993). Temporal sequence learning with neural networks for process fault dtection, IEEE International Conference on Systems, Man, and Cybernetics, IEEE-SMC 93, vol. 2, Le Touquet, France, pp. 375-380. Bernauer, E., (1996). Les rseaux de neurones et l'aide au diagnostic : un modle de neurones boucls pour l'apprentissage de squences temporelles, Thse de doctorat, LAAS/Toulouse. Broule, D. (1985). Un Modle de Mmoire Adaptative, Dynamique et Associative pour le Traitement de la Parole, Thse de Doctorat, Paris XI Orsay. Berthold, M. R. (1994a). A Time Delay Radial Basis Function Network for Phoneme Recognition, Proceedings of the IEEE International Conference on Neural Networks, Vol. 7, pp. 4470-4473. Berthold, M. R. (1994b). The TDRBF: A shift invariant radial basis function network, Proceedings of the fourth Irish Neural Network Conference, Dublin, pp.7-12. Berthold, M. R. et J. Diamond (1995). Boosting the Performance of RBF Networks with Dynamic Decay Adjustment, Advances in Neural Information Processing Systems, Gerald Tesauro, David S. Touretzky, and Todd K. Leen editors, vol. 7, p. 521-528, MIT Press, Cambridge, MA. Bezdek, J.C. (1974). Numerical Taxonomy with Fuzzy Sets, Journal of Mathematical Biology, Vol.1, pp. 57-71. Billings, S.A., et C.F. Fung (1995). Recurrent Radial Basis Function Networks for Adaptive Noise Cancellation. Neural Networks, Elsevier Science Publishers, Vol. 8, N2, pp. 273-290. Bhme, T., C.S. Cox, N. Valentin et T. Denoeux (1999). Comparaison of Autoassociative Neural Networks and Kohonen Maps for Signal Failure Detection and

Rfrences Bibliographiques

page 225

Reconstruction, In C.H. Dagli et al., editors, Intelligent Engineering Systems through Artificial Neural Networks 9, 637-644, New-York : ASME Press. Bonneval, A. (1993). Mcanismes de reprise dans les systmes de commande vnements discrets, Thse de doctorat, Informatique Industrielle, Universit Paul Sabatier de Toulouse. Bouchon-Meunier, B., (1994). La logique floue. Collection Que sais-je, n.2702, Ed. Presses Universitaires de France, Paris. Bouchon-Meunier, B., (1995). La Logique Floue et ses applications, Edition AddisonWesley. Bouchon-Meunier, B. et C. Marsala (2003). Logique floue, principes, aide la dcision, Ed. Hermes. Brzillon, P., R. Naveiro, M. Cavalcanti and J.-Ch. Pomerol (2000). SART : An Intelligent Assistant System for Subway Control, Pesquisa Opreacional, 20(2) pp. 247-268. Brzillon, P., L. Pasquier et J.-Ch. Pomerol (2001). Reasoning with contextual graphs, European Journal of Research, n : 136, pp. 290-298. Brzillon, P. (2003). Context-based Modeling of Operators Practices by Contextual Graphs, Human Centered Processes: 14thMini Euro Conference, Luxembourg. Brusoni, V., L. Console, P. Terenziani et D. Theseider Dupr (1995). Characterizing temporal abductive diagnosis, Proc. of International Workshop on Principles of Diagnosis, pp. 34-40. Brusoni, V., L. Console, P. Terenziani et D. Theseider Dupr (1997). An Efficient Algorithm for Temporal Abduction, Lecture notes in Artificial Intelligence 1321 pp. 195-206. Bugarin, A. et S. Barro (1994). Fuzzy Reasoning Supported by Petri Nets, IEEE Transaction on Fuzzy System, 2, 2, pp. 135-150. Burg, T., Tschichold N., Dynamic neurons with negative local feedback for time-series prediction , Proc. Int. Workshop on Advanced Black-box Techniques for Nonlinear Modelling, Katholieke Universiteit Leuven, Belgium, pp. 129-133, 1998. Camargo, H. (1998). The Design of Knowledge Bases through Hierarchical High Level Fuzzy Petri Nets, Fuzziness in Petri Nets, Springer-Verlag, J. Cardoso & H. Camargo (eds.) 1998. Camarinha-Matos, L.M., L. Seabra Lopes, et J. Barata (1996). Integration and Learning in Supervision of Flexible Assembly Systems, IEEE Transactions on Robotics and Automation, vol. 12, n2, pp. 202-219. Campolucci, P., A. Uncini, F. Piazza et B.D. Rao (1999). On-Line Learning Algorithms for Locally Recurrent Neural Networks, IEEE Transactions on Neural Networks, Vol. 10, N2, pp. 253-271. Cao, T., A.C. Sanderson (1993). A fuzzy Petri nets approach to reasoning about uncertainty in robotic system, Proceedings of IEEE International Conference on Robotics and Automation, pp. 317-322. Cardoso, J., R. Valette et D. Dubois (1990). Petri nets with uncertain markings, LNCS Advances in Petri nets, Vol. 483, G. Rozenberg, Ed.Springer Verlang, pp. 64 - 78.

page 226

Cardoso, J. (1995). Sur les rseaux de Petri avec marquage flou, Thse de doctorat, Informatique Industrielle, Universit Paul Sabatier de Toulouse. Cardoso, J., R. Valette, D. Dubois (1996a). Fuzzy Petri Nets : An Overview, 13th Word Congress of IFAC, Vol I : Identification II, Discrete Event Systems, San Francisco, CA, USA, pp. 443-448. Cardoso, J., G. Bittencourt, B. Pradin-Chezalviel et R. Valette (1996b). Petri net and logic, Rapport LAAS, N96137. Cardoso, J. et H. Camargo (1999). Studies in Fuzziness and soft computing, vol. 22, Physica Verlag, ISBN 3-7908-1158-0, pp.3-24 Chaillet-Subias, A. (1995). Approche multi-modles pour la commande et la surveillance en temps rel des systmes a vnements discrets, Thse de doctorat, Informatique Industrielle, Universit Paul Sabatier de Toulouse. Chaillet-Subias, A. M. Combacau et E., Zamai (1996). Une approche de la surveillance en temps rel des systmes a vnements discrets, Rapport LAAS. Chang, F.J., J.M. Liang et Y.C. Chen (2001). Flood Forecasting Using Radial Basis Function Neural Network, IEEE Transactions on Systems, Man and Cybernetics Part C : Applications and Reviews, Vol. 31, N 4. Chappelier, J.C. (1996). RST : une architecture connexionniste pour la prise en compte de relations spatiales et temporelles. Thse de doctorat, Ecole Nationale Suprieure des Tlcommunications de Paris. Chappelier, J.C. et A. Grumbach (1996). A Kohonen Map for Temporal Sequences, Proceeding of neural Networks and Their Application, NEURAP'96, IUSPIM, Marseille, France, pp. 104-110. Chen, M., D.A. Linkens (2001). A sytematic neuro-fuzzy modeling framework with application to material property prediction, IEEE Trans, Cybern, vol, 31, pp 781790. Chen, S.-M., J.-S. Ke et J.-F. Chang (1990). Knowledge Representation Using Fuzzy Petri Nets, IEEE Transaction on knowledge and data engineering, Vol. 2, No.3. Cheng, Y.-L., (2000). Uncertainties in Fault Tree Analysis, Tamkang Journal of Science and Engineering, Vol.3, No. 1, Chine. Combacau, M., (1991). Commande et Surveillance des Systmes a vnements Discrets Complexes : Application aux Ateliers Flexibles, Thse de doctorat, Universit Paul Sabatier, Toulouse. Combacau, M., P. Berruet, P. Charbonnaud, A. Khatab (2000). Rflexion sur la terminologie "Surveillance Supervision", Groupement de Recherche en Productique Systmes de Production Srs de Fonctionnement SPSF, tat des rflexions58. Combastel, C., (2000). Mthodes d'aide la dcision pour la dtection et la localisation de dfauts dans les entranements lectriques, Thse de Doctorat INPG, Grenoble. Cussenot, C., (1996). Surveillance et diagnostic de la chane de dpollution d'une automobile, Thse de doctorat, Universit de Rennes 1.

58

http://www.laas.fr/%7Ecombacau/SPSF/sursup.html

Rfrences Bibliographiques

page 227

Daniel, O. (1995). Les rseaux de Ptri stochastiques pour l'valuation des attributs de la sret de fonctionnement des systmes manufacturiers, Thse de doctorat, Laboratoire d'Automatique de Grenoble, Institut National Polytechnique de Grenoble. Dash, S. et V. Venkatasubramanian (2000). Challenges in the industrial applications of fault diagnostic systems, Proceedings of the Conference on Process Systems Engineering Computing & Chemical Engineering, Keystone, Colorado, pp. 785-791. Day, S.P. et M.R. Davenport (1993). Continuous Time Temporal Back Propagation with Adaptable Time Delays, IEEE Transaction on Neural Networks, Vol. 4, N2, p. 348354. Deckker, R. et R.A. Skarf (1998). On the impact of optimisation models in maintenance decision making: state of the art, Reliability Engineering and System Safety, vol. 60, p. 111-119. Demmou, H. et E. Bernauer (1995). Using Self-Recurrent Neurons for Fault Detection and Diagnosis, 3me IFAC en WIMS, Roumanie. Denoeux, T., Govaert G. (1996). Combined supervised and unsupervised learning for system diagnosis using Dempster-Shafer theory , In P. Borne, M. Staroswiecki, J. P. Cassar and S. El Khattabi (Eds) CESA'96 IMACS Multiconference, Computational Engineering in Systems Applications. Symposium on Control, Optimization and Supervision, volume 1, pp. 104-109, Lille. Denoeux, T., M. Masson et B. Dubuisson (1998). Advanced pattern recognition techniques for system monitoring and diagnosis: a survey, Journal Europen des Systmes Automatiss (RAIRO-APII-JESA), 31(9-10), pp.1509-1539. Devauchelle, G., (1991). Diagnostic mcanique des fatigues sur les structures soumises des vibrations en ambiance de travail, Thse de Doctorat, Universit de Paris IX Dauphine. DeVries, B., et J.C. Principe (1991). A Theory for Neural Networks with Time Delays, Advances in Neural Information Processing Systems, 3, R.P. Lippmann Ed., pp. 162168. Dourado, A., A. Cardoso, P. Gil, J. Henriques, R. Paiva, C. Pereira, A. Santos, J. Victor (1999). Intelligent control and supervision at Centro de Informatic e Sistemas da Universidade de Coimbra, Rapport CISUC - Centro de Informatic e Sistemas da Unoversidade de Coimbra. Dreyfus, G., J-M. Martinez, M. Samuelides, M.B. Gordon, F. Badran, S. Thiria et L. Hrault (2002). Rseaux de neurone, Mthodologies et Application, Paris, Edition Eyrolles. Dubois, D. et H. Prade (1980). Fuzzy Sets and Systems, Academic Press. Dubois, D. et H. Prade (1989). Processing fuzzy temporal knowledge, IEEE Trans. On Syst. Man and Cyb.,14, n4. Dubois, D. et S. Gentil (1994). Intelligence Artificielle et Automatique, Revue dIntelligence Artificielle, Vol. 8, N1, pp. 7-27. Dubuisson, B., (1990). Diagnostic et reconnaissance des formes, Paris, Edition Herms.

page 228

Dubuisson, B., E. Boutleux, P. Dague, T. Denoeux, E. Didelet, Y. Gandvalet et M. Masson (2001). Diagnostic, Intelligence Artificielle et reconnaissance de formes, Ed. Hermes. Elman, J. (1990). Finding Structure in Time, Cognitive Science, 2(14), pp. 179-211. Emmanouilidis, C., J. MacIntyre et C. Cox (1998). Neurofuzzy Computing Aided Machine Fault Diagnostic, Proc. Of JCIS98, The Fourth Joint Conference on Information Sciences, Research Triangle Park, North California, Usa, Vol. 1. pp.207-210. Evsukoff, A., (1998). Raisonnement approch pour la surveillance des procds, Thse de Doctorat, INPG, Grenoble. Fabre, E., A. Benveniste, C. Jard et M. Smith (2001) Diagnosis of distributed discrete event systems, a net unfolding approach, Publication Interne IRISA. Fache, A., O. Dubois et A. Billat (1999). On the invertibility of the RBF model in a predictive control strategy , European Symposium on Artificial Intelligence Networks, Bruges-Belgique, pp. 381-386. Ferariu, L. et T. Marcu (2002). Evolutionary Design of Dynamic Neural Networks Applied to System Identification, 15th IFAC World Congress, Barcelone, Espagne. Frank, P.M., (1990). Fault Diagnosis in Dynamic Systems Using Analytical and Knowledge Based Redundancy Asurvey and New Results, Automatica, Vol. 26, pp. 459-474. Frasconi, P., M. Gori et G. Soda (1992). Local Feedback Multilayered Networks, Neural Computation, Vol. 4, pp. 120-130. Frasconi, P., M. Gori, M. Maggini et G. Soda (1995). Unified Integration of Explicit Knowledge and Learning by Exemple in Recurrent Networks, IEEE Transaction on Knowledge and Data Engineering, Vol. 7, N 2. Frasconi, P., M. Gori, M. Maggini et G. Soda (1996). Representation of Finite State Automata in Recurrent Radial Basis Function Networks, Machine Learning, Vol. 23, pp. 5-32. Freitas, N., I.M. Macleod et J.S. Maltz (1999). Neural networks for pneumatic actuator fault dtection, Transactions of the SAIEE, vol. 90, n 1, pp. 28-34. Frlicot, C. (1992). Un systme adaptatif de diagnostic prdictif par reconnaissance des formes floues, Thse de doctorat, Universit de technologie de Compigne. Fukunaga, K., (1990). Statistical Pattern Recognition, Academic Pess, 2me dition. Garcia-Salicetti, S. (1996). Une Approche Neuronale Prdictive pour la Reconnaissance en-ligne de lEcriture Cursive, Thse de doctorat, Universit de Paris VI. Garg, M.L., S.I. Ahsan et V. Gupta (1995). A fuzzy net for knowledge representation and reasoning, Inform. Process. Letters 39, 165-171. Gertler, J.J., (1988). Survey of model-based failure detection and isolation in complexe systems, IEEE Control Systems Magazine, Vol. 8, N 6, p. 3-11. Gertler, J.J., (1998). Fault Detection and Diagnosis in Engineering Systems, Marcel Dekker, Inc. A. Ghernaut, D. Racoceanu et N. Zerhouni (2005). Approche abductive utilisant les rseaux de Petri Flous pour le diagnostic et la qualit des systmes mcatroniques, 6me Congrs international du Gnie Industriel, Besanon.

Rfrences Bibliographiques

page 229

Ghosh, J., S. Beck et L. Deuser (1992). A Neural Network Based Hybrid System for Detection, Characterization and Classification of Short-Duration Oceanic Signals, IEEE Jl. of Ocean Engineering, vol. 17, n 4, pp. 351-363. Ghosh, J.et A. Nag (2000) Radial Basis Function Network, in Radial Basis Function Neural Network Theory and Applications, R. J. Howlett and L. C. Jain (Eds), Physica-Verlag. Giles, C. L., C.B. Miller, D. Chen, G.Z. Sun, H.H. Chen et Y.C. Lee (1992). Extracting and learning an unknown grammar with recurrent neural networks, In J.E. Moody, S.J. Hanson, and R.P Lippmann, editors, Advances in Neural Information Processing Systems 4, pages 317324, San Mateo, CA, Morgan Kaufmann Publishers. Gomes, L. (1998). Fuzzy modelling reactive real-time systems control using Reactive Petri nets, Fuzziness in Petri Nets, Springer-Verlag, J. Cardoso & H. Camargo (eds.). Gomes, L. et A. Steiger-Garo (1995). Programmable controller design based on a synchronized Coloured Petri net model and integrating fuzzy reasoning, Lecture Notes in Computer Science 935, pp. 218-237, Springer Verlag. Gori, M. (1989). An Extension of BPS, Proceeding of the 2nd Intern Workshop on Neural Networks and their Applications, Nimes, France. Gori, M., Y. Bengio et R.D. Mori (1989). BPS : A Learning Algorithm for Capturing the Dynamic Nature of Speech, International Joint Conference on Neural Networks, Vol. 2, pp. 417-423. Gori, M. et G. Soda (1990). Temporal Pattern Recognition Using EBPS, EURASIP. Grosclaude, I. et R. Quiniou (2000). Dealing with Interacting Faults in Temporal Abductive Diagnosis, Proc. of the 8th International Workshop on Principles of Diagnosis. Grosclaude, I., (2001a). Diagnostic Abductif Temporel : Scenarios de Pannes, modles causaux et traitement de l'intraction, Thse de Doctorat, Universit de Rennes 1. Grosclaude, I., M.-O. Cordier et R. Quiniou (2001b). Causal interaction : from a High Level Representation to a Operational Event-Based Representation, International Joint Conference on Artificial Intelligence, IJCAI 2001. Hanna, M. (1994). Determination of product quality from an FMS cell using Petri nets, Proceedings of IEEE International Conference on Systems, Man and Cybernetics, Vol.2 San Antonio, USA, pp. 2002-2007. Hashem, S., P.E. Keller, R.T. Kouzes et L.J. Kangas (1995). Neural Network Based Data Analysis for Chemical Sensor Analysis, Proceedings of SPIE's AeroSense '95 Conference , Orlando, Floride, USA. Hassoun, M.H. (1995). Fundamentals of Artificial Neural Networks, Cambridge, MA : MIT Press. Haykin, S. (1999). Neural Networks : a comprehensive foundation, Prentice Hall International Editions, 2nd edition, ISBN 0-13-908385-5. Hebb, D.O. (1949). The organization of the behavior, New York :Wiley, 1949. Hernandez, N.G., Systme de diagnostic par Rseaux de Neurones et Statistiques : Application la dtection d'hypovigilance d'un conducteur automobile, Thse de doctorat, LAAS, Toulouse.

page 230

Hines, J.W., D.W. Miller et B.K. Hajek (1995). Fault Detection and Isolation: A Hybrid Approach, Proceedings of the 1995 American Nuclear Society Annual Meeting and Embedded Topical Meeting on Computer-Based Human Support Systems: Technology, Methods and Future, Philadelphia, PA. Honda, K., T. Miyoshi et H. Ichihashi (1998). Structural Learning of Recurrent RBF Networks with M-Apoptosis, Proc. of IEEE International Joint Conference on Neural Networks, pp. 2390-2395, Anchorage/ USA. Hopfield, J.J. (1982). Neural networks and physical Sytems with emergent collective computational abilities, Proceeding Nat. Acad. Sci. USA, Biophysics, vol. 79, pp. 2554-2558. How, W. Y., M. Khalid, and S. Zain (1999). Transformer Fault Diagnosis Using Fuzzy Logic Interpretations. Conference Proceeding of Instrument Asia, Technical Symposium, Singapore. How, W.Y., M. Khalid et S.A.F. Syed Zain (1999). Transformer Fault Diagnosis Using Fuzzy Logic Interpretations. Conference Proceeding of Instrument Asia, Technical Symposium, Singapour. How, W.Y., M. Khalid et S.A.F. Syed Zain (2000). Transformer Fault Diagnosis Using Fuzzy Logic Interpretations. Instruments and Electronics Developments, Vol. 21 Issue No. pp. 56. Howell, A.J., et H. Buxton H. (1997). Recognising Simple Behaviours using Time-Delay RBF Networks, Neural Processing Letters Vol. 5, pp.97-105. Hutchinson, J.M. (1994). A Radial Basis Function Approach to Financial Time Series Analysis, Thse de doctorat, Massachusetts Institute of Technology (MIT). Hwang, Y.S. et Bang S.Y. (1997) An efficient method to construct a Radial Basis Function Neural Network classifier, Neural Networks, vol. 10, n 08, pp. 1495-1503. Isermann, R., (1984). Process Fault Detection Based on Modeling and Estimation Methods A Survey, Automatica, Vol. 20, N4, pp. 387-404. Jacquemin, C. (1994). A Temporal Connectionnist Approach to Natural Language, Sigart Bulletin, Vol. 5, N03. Jordan, M. (1986). Serial Order : A Parallel Distributed Processing Approach, Technical Report ICS Report No. 8604, Institute for Cognitive Science, University of California, San Diego. Katsillis, G., M.J. Chantler (1997). Can dependency-based diagnosis cope with simultaneous equations?, Working notes of the 8th International Workshop on Principles of Diagnosis DX97, Mont-Saint-Michel, France. Keller, P., R.T. Kouzes et L.J. Kangas (1994), Three Neural Network Based Sensor System for Environemental Monitoring, Proceedings IEEE Electro94 Conference, Boston, MA, USA. Koch, C. (1999). Biophysics of Computation: Information Processing in Single Neurons, Oxford University Press. Kohonen, T. (1989). Self-Organization and associative memory, Heidelberg: SpringerVerlag, Berlin, 3rd edition. Koivo, H.N. (1994). Artificial neural networks in fault diagnosis and control, Control in engineering practice, vol.2, n1, p. 89-101.

Rfrences Bibliographiques

page 231

Kruse, R., and A. Nrnberger (1998). Learning Methods for Fuzzy Systems, Manual, Department of Computer Science, Universit de Magdeburg, Allemagne. Lamontagne, L. et G. Lapalme (2002). Raisonnement Base de Cas Textuels tat de lart et perspectives, Revue de lintelligence artificielle, volume 3/2002. Larman, C. (2002). Applying UML and patterns: An Introduction to Object-Oriented Analysis and Design and the Unified Process. Prentice Hall PTR. Lee, G. et J.-S. Wang (2000). Self-Adaptive Neuro-Fuzzy Systems : Structure and learning, IEE/RSJ, International Conference on Intelligent Robots and Systems. Lee, G. et J.-S. Wang (2001). Efficient Neuro-Fuzzy Control Systems for Autonomous Underwater Vehicle Control, IEEE International Conference on Robotics and Automation, Seoul, Core. Lefebvre, D., (2000). Contribution la modlisation des systmes dynamiques vnements discrets pour la commande et la surveillance, Habilitation Diriger des Recherches, Universit de Franche Comt/ IUT Belfort - Montbliard. Leger, J.-B. (2004). Introduction la e-maintenance, rapport de formation du personnel de la socit DCN (Division des Constructions Navales) dans le cadre du contrat DCNInstitut de Productique de Besanon. Legrand, J.F. et P. Garda (2002). Prdiction de Trafic GSM par Mthodes Connexionnistes, XImes Journes Neurosciences et Science pour lIngnieur NSI2002. Lipp, H-P. et R. Gnter (1994) A study of Fuzzy Petri nets concepts, Proceedings European Congress on Fuzzy and Intelligent Technologies, Aachen, Germany, pp. 1461-1468. Liu, Y.H. et X.J. Wang (2001). Spike-frequency adaptation of a generalized leaky integrate and fire model neuron, J. Comp. Neurosciences, N10, pp. 25-45. Loiez, E., (1997). Contribution au diagnostic de systmes analogique, Thse de doctorat de lUniversit des sciences et technologies de Lille. Looney, C. (1988). Fuzzy Petri nets for rule-based Decision making, IEEE Trans. on Systems Man and Cybernetics, vol. 18, N 1, pp 178-183. Looney, C., L. Liang (2002). Inference via Fuzzy Bielef Networks, Proceeding of the ISCA International Conference. Looney, C., L. Liang (2003), Inference via Fuzzy Bielef Petri Nets, 15th IEEE International Conference on Tools with AI (ICTAI' 03), Sacramento, California, USA. Lopes, N. et B. Ribeiro (1999). Part Quality Prediction in an Injection Moulding Process Using Neural Networks, Proceedings of WMC, ISM. Mak, M. W. (1995). A Learning Algorithm for Recurrent Radial Basis Function Networks, Neural Processing Letters, Vol. 2, No. 1, pp. 27-31. Mak, M.W. et S.Y. Kung (2000). Estimation of Elliptical Basis Function Parameters by the EM Algorithms with Application to Speaker Verification, IEEE Trans. on Neural Networks, vol. 11, n 4, pp. 961-969. Mackey, M. et L. Glass (1997). Oscillations and Chaos in Physiological Control System, Science, pp. 197-287.

page 232

Malek, M. (1996). Un Modle Hybride de Mmoire pour le Raisonnement Partir de Cas, Thse de doctorat de l'Universit Joseph Fourier Grenoble1. Mangeas, M. (1996). Proprits Statistiques des Modles Paramtriques non Linaires de Prvisions de Sries Temporelles, Application aux Rseaux de Neurones Propagation Directe, Thse de Doctorat, SAMOS / Universit Paris I. Masson, M.H., B. Dubuisson et C. Frlicot (1996). Conception dun module de reconnaissance des formes floues pour le diagnostic, Journal Europen des Systmes Automatiss (RAIRO-APII-JESA), pp. 319-341. McCulloch, W.S. et W. Pitts (1949) A logical calculus of the ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, Vol. 5, pp. 115-133. Meador, J., A. Wu, H. Tseng et T.S. Lin (1991). Fast Diagnosis of Integrated Circuit Faults Using Feedforward Neural Network, IEEE International Joint Conference on Neural Networks, Seattle, USA. Mellouk, A. (1994). Dveloppement d'un systme hybride neuro-prdictif : application la reconnaissance de la parole continue, Thse de Doctorat, LIP6/ Universit de Paris 6. Mellouli, N. et B. Bouchon-Meunier (2000a). Fuzzy Approaches to Abductive Inference, Conference on Non-Monotonic reasoning, Berckenridge, Colorado. Mellouli, N. et B. Bouchon-Meunier (2000b). Modlisation de l'infrence abductive par inversion du modus ponens gnralis, Rencontre francophones LEA, La Rochelle, Cpauds Edition, pp 79-86. Mellouli, N. et B. Bouchon-Meunier (2003). Abductive reasoning and measures of similitude in the presence of fuzzy rules, Fuzzy Sets and Systems 137, pp.177-188. Micchelli, C.A. (1986). Interpolation of scattered data: distance matrices and conditionally positive definite functions, Constructive Approximation, N2, pp. 11-22. Minca, E., D. Racoceanu et N. Zerhouni (2002a). Monitoring Systems Modelling and Analysis Using Fuzzy Petri Nets, Studies in Informatics and Control, Vol. 11, No. 4. Minca E., D. Racoceanu, N. Zerhouni et I. Brezeanu (2002b). Fuzzy Based Petri Nets for the Production Systems Diagnosis, Proceedings International Conference on Information Systems, Analysis and Synthesis, Electronics, Informatics and Control Systems Invited Session, Orlando, Vol. XII.. Minca E., D. Racoceanu et N. Zerhouni (2003a). Fuzzy logic Petri nets for monitoring systems modeling, IEEE International Conference on Robotics and Automation, Taiwan. Minca E., Racoceanu D., Zerhouni N. (2003b). Approche de dtection par rseau de Petri flou, Confrence Pentom2003 Performance et Nouvelles Technologies en Maintenance, 26-28 mars, Valencienne. Minca, E., D. Racoceanu, N. Zerhouni (2003c). Approche Temporelle Floue pour la Surveillance, Qualita2003, 5me Congrs International Pluridisciplinaire Qualit et Sret de fonctionnement, Nancy. Minca, E., (2004). Contribution la surveillance des systmes de production laide des rseaux de Petri flous : Application la e-maintenance, Thse de doctorat, Universit de Franche-Comt.

Rfrences Bibliographiques

page 233

Mirea, L. et T. Marcu (2002). System Identification Using Functional Link Neural Networks with Dynamic Structure, 15th IFAC World Congress, Barcelone, Espagne. Miyoshi, T., H. Ichihashi, S. Okamoto et T. Hayakawa (1995). Learning Chaotic Dynamics in Recurrent RBF Network, Proc. of IEEE ICNN'95, pp. 588-593, Perth/ Western Australia. Moakes, P. A. and S. W. Beet. (1994). Non-linear speech analysis using recurrent radial basis function networks, In Neural Networks for Signal Processing IV, eds.: J. Vlontzos, J-N. Hwang and E. Wilson, pp 319-328. IEEE Press. Monnin, M., (2004). Diagnostic et pronostic industriel en utilisant les techniques de lintelligence artificielle. Application a la plate-forme de emaintenance du LAB, DEA IAP de lUniversit de Franche-Comt, Besanon. Monnin, M., D. Racoceanu et N. Zerhouni (2004). Overview on diagnosis methods using artificial intelligence, IEEE Conference on Robotics, Automation and Mechatronics IEEE RAM 2004, Singapour. Monostori, L. (2002). AI and Machine Learning Techniques for Managing Complexity, Changes and uncertainties in Manufacturing, 15me IFAC World Congress on Automatic Control, Barcelone, Espagne. Moody, J. et J. Darken J. (1989). Fast Learning in networks of locally tuned processing units, Neural Computation, vol. 1, pp. 281-194. Morello-Chebel, B., I. Rasovska et N. Zerhouni (2005). Knowledge capitalization in system of equipment diagnosis and repair help. IJCAI'2005 Workshop on Knowledge Management and Organizational Memories, Edinburgh, Scotland. Mozer, M. C. (1993). Neural network architectures for temporal pattern processing, In A. S. Weigend & N. A. Gershenfeld (Eds.), Time series prediction: Forecasting the future and understanding the past (pp. 243-264). Redwood City, CA: Sante Fe Institute Studies in the Sciences of Complexity, Proceedings Volume XVII, Addison-Wesley Publishing. Murata, T. et D. Zhang (1988). A Predicate Transition net model for parallel interpretation of logic programs, IEEE Transaction on Software Engineering, 14(4), pp. 481-497. Mustawi, M.T., W. Ahmed, K.H. Chan, K.B. Faris et D.M. Hummels (1992) On the training of Radial Basis Function Classifiers, Neural Networks, vol. 5, pp. 595-603. Nauck, D. et R. Kurse (1995). NEFCLASS A Neuro-Fuzzy Approach for the Classification of data, Proc. Of the 1995 ACM Symposium on Applied Computing, Nashville, ACM Press. Nauck, D., U. Nauck et R. Kruse (1996). Generating Classification Rules with the NeuroFuzzy System NEFCLASS, Biennial Conf. Of the North American Fuzzy Information Processing Society (NAFIPS96), Berkeley, 1996. Nauck, D. et R. Kruse (1997). What are Neuro-Fuzzy Classifiers ?, Seventh International Fuzzy Systems Association World Congress IFSA97, Vol. IV, pp. 228-233, Academie de Prague. Nauck, D. et R. Kurse (1998). A Neuro-Fuzzy Approch to Obtain Interprtable Systems for function Approximation, IEEE International Conference on Fuzzy Systems. Nikolaos, L. (1991). Arbres de dfaillance, Ed. Hermes.

page 234

OMG (2003). Unified Modeling Language Specification. Version 1.5. Ould Abdeslam, D. (2002), Utilisation des Rseaux Neuro-Flous pour le Pronostic et le Diagnostic. Application la classification, Mmoire DEA, Universit de FrancheComt, Besanon. Ouldyahia, N. S., (2001). Diagnostic des systmes de production en utilisant les rseaux de neurones. Introduction au neuro-flou, Mmoire DEA, Universit de Franche-Comt, Besanon. Pal, N. et J. Bezdek (1995). On cluster validity for fuzzy C-means model, IEEE Trans. Fzzy syst.,Vol 3. Palade, V., R.J. Patton, F.J. Uppal1, J.Quevedo et S. Daley (2002). Fault diagnosis of an industrial gas turbine using neuro-fuzzy methods, World IFAC Congress. Palluat., N. (2002). Mthodologies Neuronales de Diagnostic des Dgradations, Mmoire de DEA, Laboratoire d'Automatique de Besanon, France. Palluat, N., D. Racoceanu et N. Zerhouni (2004a). Diagnosis aid system using a neurofuzzy approach. In: Advances in Maintenance and Modeling, Simulation and Intelligent Monitoring of Degradation, IMS2004, Arles, France. N. Palluat et D. Racoceanu (2004b). Conception et prototypage dun systme de surveillance dynamique embarqu et daide au diagnostic dun centre dusinage grande vitesse, Rapport ANVAR aide aux jeunes pour linnovation, ANVAR Besanon. Palluat, N., D. Racoceanu et N. Zerhouni (2005a). Utilisation des rseaux de neurones temporels pour le pronostic et la surveillance dynamique. Etude comparative de trois rseaux de neurones rcurrents, Revue des sciences et technologies de linformation RSTI, srie Revue dintelligence artificielle - RIA, n6. N. Palluat, D. Racoceanu et N. Zerhouni (2005b). An UML modelling of a neuro-fuzzy monitoring system, 16th IFAC World Congress, Prague, Rpublique Tchque. Pasquier, L. (2002). Modlisation de raisonnement tenus en contexte. Application la gestion dincidents sur une ligne de mtro, Thse de luniversit de Paris 6. Patton, R., P. Frank et R. Clark (1989). Fault Diagnosis in Dynamic Systems : Theory and Application, International Series in Systems and Control Engineering, Prentice Hall International, Londre. Pearlmutter, B.A. (1990). Dynamic Recurrent Neural Networks, CMU-CS-90,196, Carnegie Mellon University, School of Computer Science. Pedriycz, W. et F. Gomide (1994). A generalized Fuzzy Petri net model, IEEE Transaction on Fuzzy Systems, 2(4), pp. 295-301. Pencol, Y., (2002). Diagnostic dcentralis de systmes vnements discrets : application aux rseaux de tlcommunications, Thse de doctorat, Universit de Rennes 1. Peng, Y. et J.A. Reggia (1990). Abductive Inference Models For Diagnostic ProblemSolving, Springer-Verlag, New York. Petsche, T.A., A. Marcontonio, C. Darken, S.J. Hanson, G. Mkuh et I. Santoso (1996). A Neural Network autoassociator for induction motor failure prediction, Cambridge: MIT Press, Edition D.S. Touretzky, M.C. Mozer, and M.E. Hasselmo, Advances in Neural Information Prodessing Systems 8, pp. 924-930.

Rfrences Bibliographiques

page 235

Piechowiak, S. (2004). Intelligence atificielle et diagnostic, Techniques de lIngnieur, S7 217, trait Informatique Industrielle. Pierce, C. S. (1867). Collected Papers, The Belknap Press of Harvard University Press. Pineda, F.J. (1987). Generalization of Backpropagation to recurrent Neural Networks, Physical Review Letters, N 59, pp. 2229-2232. Ploix, JL., et G. Dreyfus (1997). Early fault detection in a distillation column: an industrial application of knowledge-based neural modelling, Neural Networks: Best Practice in Europe, B. Kappen, S. Gielen, eds, pp. 21-31, World Scientific. Ploix, S. et S. Gentil (2000). Causal strategy for set-membership fault diagnosis, Conference on Decision and Control, Sidney, Australie. Ploix, S. et C. Follot (2001). Fault Diagnosis reasoning for set-membership approaches and application, IEEE International Symposium on Intelligent Control (ISIC), Mexico City, Mexique. Poddar, P. et K.P. Unnikrishnan (1991a) Nonlinear Prediction of Speech Signals Using Memory Neuron Networks, Neural Networks for Signal Processing I, B. H. Juang, S. Y. Kung and C. A. Kamm, Eds. IEEE Press. Poddar, P. et K.P. Unnikrishnan (1991b) Memory Neuron Networks : A Prolegomenon, General Motors Research Laboratories Report GMR-7493. Poulard, H., (1996). Statistiques et rseaux de neurones pour un systme de diagnostic", Application au diagnostic de pannes automobiles, Thse de Doctorat, LAAS, Toulouse, France. Pross, S., (2001). Analyse des Dfaillances des systmes industriels : Application au Systme de transfert SORMEL du Laboratoire dAutomatique de Besanon, Mmoire de DEA, Laboratoire dAutomatique de Besanon, Universit de FrancheComt. Proteus - ITEA European Project (2004) - WP2 TEAM : L. Dchamp, A. Dutech, T. Montroig, X. Qian, D. Racoceanu, I. Rasovska, P. Brzillon, F.Charpillet, J-Y. Jaffray, N. Moine, B. Morello, S. Mller, G. Nguengang, N. Palluat, L.Pelissier - On the use of artificial intelligence for prognosis and diagnosis in the PROTEUS Emaintenance platform, IEEE Mechatronics & Robotics, E-Maintenance Special Session, Aachen, Allemagne.

Racoceanu, D., N. Zerhouni N. et N. Addouche (2002). Modular modeling and analysis of a distributed production system with distant specialized maintenance, Proceedings of the 2002 IEEE International Conference on Robotics and Automation, pp. 40464052, Washington, tats-Unis. Racoceanu, D. et D., Ould Abdeslam (2003). Rseaux Neuro-Flous pour la Surveillance des Systmes, 4me Confrence Internationale sur lAutomatisation Industrielle, Montral, Canada. Racoceanu D. (2004). Techniques de lIntelligence artificielle pour la surveillance industrielle. Techniques et Technologies de la e-Maintenance, section : Techniques pour les processus Mtier de la e-Maintenance, rapport de formation du personnel de la socit DCN (Division des Constructions Navales) dans le cadre du contrat DCN MACOD/GdR MACS, Besanon.

page 236

Rahamani, K., P. Arabshahi, T.-Y. Yan, T. Pham et S. G. Finley (1998). An Intelligent Fault Detection and Isolation Architecture For Antenna Arrays, TDA Progress Report 42-132. Rasovska, I., B. Morello-Chebel et N. Zerhouni (2005). Un systme de raisonnement partir de cas dans une plate-forme de e-maintenance. In S. Desprs, Eds., actes du 13ieme atelier de raisonnement partir de cas, Nice, France. Rengaswamy, R. et V. Venkatasubramanian (1995). A Syntactic Pattern Recognition Approach for Process Monitoring and Fault Diagnosis, Engineering Applications of Artificial Intelligence Journal, 8(1), p. 35-51. Richet, D., M. Gabriel, D. Malon et G. Blaison (1996). Maintenance base sur la fiabilit, Editions Masson. Robinson, A., et F. Fallside (1987). The Utility Driven Dynamic Error Propagation Network, Combridge Univ. Eng. Dept., Tech. Rep. CUED/F-IN-FENG/TR.1. Rocques, P. (2003), UML Modliser un site e-commerce, les Cahiers du Programmeur, 152 p., Ed. Eyrolles. Rosenblatt, F. (1958). The Perceptron: a probabilistic model for information storage in the brain, Psychological Review, Vol. 65, p. 386-408. Rumbaugh, J., I. Jacobson et G. Booch (1999). The unified modeling language reference manual, Reading, Addison Wesley. Rummelhart, D.E, G.E. Hinton et R.J. Williams (1986). Learning Internal Representation by Error Propagation, in Parallel Distributed Processing Explorations in the Microstructure of Cognition, vol. 1, The MIT Press/Bradford Books, D.E. Rumelhart and J.L.McClelland, pp. 318-362. Rynkiewi, J. (2000). Modles Hybrides Intgrant des Rseaux de Neurones Artificiels des Modles de Chanes de Markov Caches : Application la Prdiction de Sries Temporelles, Thse de Doctorat, SAMOS / Universit de Paris I. Sakai, M., N. Homma et K. Abe (2002). A Statistical Approximation Learning Method for Simultaneous Recurrent Networks, 15th IFAC World Congress, Barcelone, Espagne. Sampath, M., R. Sengupta, S. Lafortune, K. Sinnamohideen et D.C. Teneketzis (1996). Failure Diagnosis Using Discrete Event Models, IEEE Transactions On Control Systems Technology, Vol. 4, No. 2. Scarpelli, H. et F. Gomide (1994). High level Fuzzy Petri nets and backward reasoning, Proceedings IPMU, Paris, France, pp. 1275-1280. Scherer, M. (2003). Vers l'e-maintenance, Lettre hebdomadaire Industries et Technologies, N 28. Schmidhuber, J. (1992). A Fixed Storage O(N3) Time Complexity Learning Algorithm for Fully Recurrent Continually Running Networks, Neural Computation, Vol. 4, N2, pp. 243-248. Sejnowski, T.J. et C.R. Rosenberg (1986). NetTalk: a parallel network that learns to read aloud, Electrical engineering and Computer science technical report, the Johns Hopkins University. Shing, J., et R. Jang (1993). ANFIS : Adaptive-Network-Based Fuzzy Inference System, IEEE Transaction on systems, Man, and Cybernetics, Vol. 23, NO. 3.

Rfrences Bibliographiques

page 237

Sibertin-Banc, C. (1985). High-level Petri nets with data structures, European Workshop on Application and Theory of Petri nets, Helsinki, Finland, pp. 1275-1280. Simpson, P.K. (1992). Fuzzy min-max neural networks Part I : Classification, IEEE Transaction on Neural Networks, Vol.3, N5, pp. 776-786. Simpson, P.K. (1993). Fuzzy min-max neural networks Part II : Clustering, IEEE Transaction on Fuzzy Systems, Vol.1, N1, pp. 32-45. Sinha, M., M.M. Gupta et P.N. Nikiforuk (2002). Hybrid Neural Models for Time Series Forecasting, 15th IFAC World Congress, Barcelone, Espagne. Smyth, P. (1994) Detecting novel fault conditions with hidden Markov models and neural netwoks, Pattern Recognition in Practice IV, pp. 525-536. Sorel, M., et Sima J. (2000). Robust implementation of finite automata by recurrent RBF networks, Proceedings of the SOFSEM Seminar on Current Trends in Theory and Practice of Informatics, Milovy, Czech Republic, 431-439, Berlin: Springer-Verlag, LNCS 1963. Sun, G.Z., H.H. Chen et Y.C.Lee (1990). Greens Function Method for Fast on-line Learning Algorithm of Recurrent Neural Networks, Advances Neural Information Processing System, Vol. 4, pp. 333-340. Terstyanszky, G. et L. Kovacs (2002). Improving Fault Diagnosis Using Proximity and Homogeneity Measure, 15me IFAC World Congress on Automatic Control, Barcelone, Espagne. Toguyeni, A.K.A., (1992). Surveillance et diagnostic en ligne dans les ateliers flexibles de l'industrie manufacturire, Thse de doctorat, Universit de Lille. Toomarian, N. et J., Barhen (1991). Adjoint-Functions and Temporal Learning Algorithms in Neural Networks, Advances in Neural Information Processing Systems, Vol. 3, pp. 113-120. Tromp, L., (2000). Surveillance et diagnostic de systmes industriels complexes: une approche hybride numrique/symbolique, Thse de doctorat, Universit de Rennes 1. Tsang, E.C.C., J.W.T. Lee et D.S. Yeung (2002). Tuning Certainty Factor and Local Weight of Fuzzy Production Rules Using Fuzzy Neural Network, IEEE Transactions of Systems, Man and Cybernetics, Part B, Vol.32, No.1, pp.91-98. Tsoi, C.T., A.D. Back (1994). Locally Recurrent Globally Feedforward Networks : A Critical Review of Architectures, IEEE Transaction on Neural Networks Vol.05, pp. 229-239. Tyan, C. Y., P.P. Wang et D. Bahler (1994). Neural Fault Diagnosis and Fuzzy Fault Control for a Complex Linear Dynamic System, Advances in Fuzzy Theory and Technology, Volume II, ISBN: 0-9643456-1-7, pp. 357-375. Uppal, F.J., R.J. Patton et V. Palade (2002). Neuro-fuzzy based Fault Diagnosis applied to an Electro-Pneumatic Valve, 15me IFAC World Congress on Automatic Control, Barcelone, Espagne. Urbani, D. (1995). Mthodes statistiques pour la slection d'architectures neuronales : application la modlisation de processus dynamiques, Thse de Doctorat, ESPCI/ Universit Pierre et Marie Curie - Paris VI.

page 238

Valette, R. et H. Atabakhche (1987). Petri nets for sequence constraint propagation in knowledge based approaches, Concurrency and Petri Nets, pp. 555-569, Springer Verlag. Valette, R., J. Cardoso et D. Dubois (1989). Monitoring manufacturing System by means of Petri Nets with Imprecise Markings, IEEE International Symposium on Intelligent Control, Albany N.Y., USA. Valette, R., L. A. Knzle (1994). Rseaux de Petri pour la dtection et le diagnostic, Journes Nationales : Sret, Surveillance, Supervision, GdR Automatique, Paris, France. Vemuri, A., M. Polycarpou et S. Diakourtis (1998). Neural Network Based Fault Detection and Accommodation in Robotic Manipulators, IEEE Transactions on Robotics and Automation, vol. 14, n 2, pp. 342-348. Vemuri, A. et M. Polycarpou (1997). Neural Network Based Robust Fault Diagnosis in Robotic Systems, IEEE Transactions on Neural Networks, vol. 8, n. 6, pp. 14101420. Villemeur, A., (1988). Sret de fonctionnement des systmes industriels, Edition Eyrolles, Collection DER-EDF, Volume 67. Waibel, A., T. Hanazawa, G. Hinton, K. Shikano et K. Lang (1989). Phoneme recognition using time delay neural network, IEEE Trans. in Acoustics, Speech and Signal Processing, vol. 37, n 3, p. 328-339. Wang, J.-S. et G. Lee (2002). Self-Adaptative Recurrent Neuro-Fuzzy Control for an Autonomous Underwater Vehicle, IEEE International Conference on Robotics & Automation, Washington, DC. Warwick, K., G.W. Irwin, K.J. Hunt (1992). Neural Networks for Control and Systems, IEE Control Engineering Series 46, Peter Peregrinus Ltd., London, United Kingdom. Washio, T. et H. Hotoda (1998). Discovering admissible simultaneous equations of large scale systemes, 15th National Conference on Artificial Intelligence AAAI-98, Madison, WI, Etats-Unis, pp. 189-196. Weber, P., (1999). Diagnostic de procds par l'analyse des estimations paramtriques de modles de reprsentation temps discret, Thse de Doctorat, INPG, Grenoble. Werbos, P. (1990). Backpropagation Trough time: What it does and how to do it, Proceedings IEEE, Vol. 78, 1990. Williams, R.J. et D. Zipser (1989). A Learning Algorithm for Continually Running Fully Recurrent Neural Networks, Neural Computation, vol.1, pp. 270-280. Willsky, A.S., (1976). A Survey of Design Methods for Failure Detection in Dynamic Systems, Automatica, Vol. 12, pp. 601-611. Wu, A. et J. Meador (1994). A Measurement Selection for Parametric IC Fault Diagnosis, Journal of Electronic Testing: Theory and Applications, Kluwer Academic Publishers, Vol. 5, No. 1, pp. 9- 18. Xu, J., (2004). Utilisation des rseaux de neurones dynamiques pour la e-maintenance. Instrumentation dune maquette de surveillance temps rel, DEA IAP de lUniversit de Franche-Comt, Besanon.

Rfrences Bibliographiques

page 239

Yu, W.S., et Wang G.C. (2001). Adaptive Control Design Using Delayed Dynamical Neural Networks for a Class of Nonlinear Systems, Proceedings of the IEEE International Conference on Robotics and Automation (ICRA01), Seoul, Core. Zamai, E., (1997). Architecture de surveillance commande pour les systmes a vnements discrets complexes, Thse de doctorat, Informatique Industrielle, Universit Paul Sabatier de Toulouse, France. Zemouri, R., D. Racoceanu et N. Zerhouni (2001). The RRBF : Dynamic representation of time in radial basis function network, Proc. of the 8th IEEE International Conference on Emerging Technologies and Factory Automation, ETFA'2001, vol. 2, pp.737-740, Antibes, Juan les Pins, France. Zemouri, R., D. Racoceanu et N. Zerhouni (2002a). From the spherical to an elliptic form of the dynamic RBF neural network influence field, World Congress on Computational Intelligence, International Joint Conference on Neural Networks (IJCNN), USA. Zemouri, R., D. Racoceanu et N. Zerhouni (2002b). Rseaux de neurones Rcurrents Fonction de base Radiales : RRFR / Application au pronostic, Revue dIntelligence Artificielle, RSTI srie RIA, Vol. 16, N03. Zemouri, R., D. Racoceanu et N. Zerhouni (2002c). Application of the dynamique RBF Network in a monitoring problem of the production systems, 15me IFAC World Congress on Automatic Control, Barcelone, Espagne. Zemouri, R., (2003). Contribution la surveillance des systmes de production l'aide des rseaux de neurones dynamiques : Application la e-maintenance, Thse de Doctorat, Universit de Franche Comt, Besanon. Zemouri, R., D. Racoceanu and N. Zerhouni (2003a) Recurrent Radial Basis Function neural network for time-series prediction, Engineering Applications of Artificial Intelligence, The International Journal of Intelligent Real-Time Automation, journal IFAC - the International Federation of Automatic Control, ed. Elsevier Science, vol. 16, Issue 5-6, pp.453-463. Zemouri, R., D. Racoceanu et N. Zerhouni (2003b). Rseaux de neurones rcurrents Fonctions de base Radiales. Application la surveillance dynamique, JESA Journal Europen des Systmes Automatiss, vol. 37 n 1, pp. 49-81. Zhang, Q., (1999). Identification et Surveillance de systmes Dynamiques, Habilitation diriger les recherches, Universit de Rennes1, Institut de Formation Suprieure en Informatique et en Communication. Zisman, M. D. (1978). Use of production systems for modeling asynchronous processes, Pattern Directed Inference systems, Waterman D. A., Hayes-Roth F., Academic Press, pp. 53-68. Zwingelstein, G., (1995). Diagnostic des dfaillances : Thorie et pratique pour les systmes industriels, Editions Herms.

. . .

Index
A
ADD ...... 5, 60, 164, 167, 172, 173, 181, 187, 198, 200, 201, 205, 206, 208, 209, 210, 215 AMDEC......5, 60, 73, 80, 187, 198, 200, 201, 205, 206, 208, 210, 211, 215 marquage flou ................................................... 226, 241 mcatronique ......................................................... 19, 83 MIMOSA ................................................................ 5, 49 modus ponens gnralis .......................................... 167

P
produit cartsien ........................................................ 183 pronostic ......................11, 16, 17, 23, 49, 157, 159, 233

C
chemin critique.................................. 168, 178, 181, 183 chien de garde ........................................................... 162

R
RdPFM .................................. 5, 177, 181, 183, 184, 215 RdPFS.....5, 12, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, 170, 171, 172, 173, 174, 175, 176, 177, 179, 180, 181, 183, 184, 214, 215 RdPTO..5, 160, 161, 162, 163, 164, 166, 167, 171, 179, 184, 215 rejet d'ambigut.......................................................... 66 reprise ...5, 161, 167, 168, 170, 171, 173, 176, 177, 181, 182, 183, 184, 215, 225, 241 Rseau de rfrence................................................... 160 RRFR....5, 12, 26, 46, 86, 105, 106, 107, 117, 119, 121, 122, 123, 124, 125, 127, 128, 129, 130, 131, 134, 135, 136, 137, 138, 140, 141, 142, 143, 144, 145, 146, 147, 149, 150, 152, 153, 154, 155, 156, 185, 205, 206, 209, 214, 239

D
defuzzyfication .......................................................... 183 description floue........................................................ 167 dtection .. 160, 161, 162, 164, 166, 173, 179, 226, 232, 238, 241 diagnostic...................160, 179, 226, 227, 235, 238, 241

E
e-Maintenance ................................. 28, 39, 51, 235, 241

F
fonction dappartenance................................ 5, 161, 183 fuzzyfication............................................................... 167

S
SCADA ................................................. 5, 200, 201, 215 supervision ........................................ 178, 182, 184, 215 surveillance.....5, 47, 157, 160, 161, 163, 164, 166, 171, 173, 177, 179, 181, 182, 184, 214, 215, 226, 239, 241 systme expert flou ........................................... 157, 181

G
GMAO...................5, 187, 198, 200, 201, 206, 212, 215

I
implication floue ....................................................... 166 IMS ........................................................................ 25, 49 Intelligence Artificielle..1, 11, 33, 36, 46, 50, 57, 63, 83 intersection ................................................ 165, 179, 183

T
temps rel .......................................................... 226, 241 transition du chien de garde ..................................... 162

U L
logique floue................47, 157, 158, 183, 214, 225, 241 union .................................................................. 165, 179

V M
maintenance47, 170, 171, 177, 178, 181, 182, 184, 215, 235, 241 variable linguistique .................................................. 162