Diagnostic par techniques d'apprentissage floues : conception d'une méthode de validation et d'optimisation des partitions

Diagnosis by training fuzzy techniques : design of a partion validation and optimization methods

• Auteur / Autrice : Claudia Victoria Isaza Narvaez
• Direction : Joseph Aguilar-Martin, Marie-Véronique Le Lann
• Type : Thèse de doctorat
• Discipline(s) : Systèmes automatiques
• Date : Soutenance en 2007
• Etablissement(s) : Toulouse, INSA
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Analyse et d'Architecture des Systèmes (Toulouse1968-....)

Mots clés

Mots clés contrôlés

Logique floue

Maîtrise statistique des processus

Mots clés libres

Supervision

Diagnostic

Optimisation des partitions floues

Qualité des partitions

Résumé

Ce travail se situe dans le domaine du diagnostic des processus défini comme étant l’identification de ses états fonctionnels. Dans le cas où l’obtention d’un modèle précis du processus est délicate ou impossible, la connaissance sur le système peut être extraite à partir des signaux obtenus lors d’un fonctionnement normal ou anormal en incluant des mécanismes d'apprentissage. Cette connaissance s’organise sous l’aspect d’une partition de l’espace des données sous forme de classes (représentant les états du système). Parmi les techniques d’apprentissage, celles incluant de la logique floue ont l’avantage d’exprimer les appartenances d’un individu à plusieurs classes, ceci permet de mieux connaître la situation réelle du système et prévoir des changements vers des états de défaillance. Nonobstant leurs performances adéquates, leur forte dépendance aux paramètres d’initialisation est une difficulté pour l’apprentissage. Cette thèse se situe dans l’amélioration de ces techniques, en particulier notre objectif est l’élaboration d’une méthode permettant de valider et d’adapter automatiquement la partition de l'espace de données obtenue par une technique de classification floue. Elle permet de trouver automatiquement une partition optimale en termes de compacité et de séparation des classes, à partir uniquement de la matrice des degrés d’appartenance obtenue par une classification antérieure. Cette méthode est donc une aide importante donnée à l’expert du processus pour établir les états fonctionnels dans l’implémentation d’une technique de surveillance d’un procédé complexe. Son application est illustrée sur des exemples académiques et sur le diagnostic de 3 procédés chimiques

This work is in the field of the process diagnosis defined as the identification of process functional states. If obtaining a precise model of the process is delicate or impossible, the system knowledge can be extracted from the signals obtained during a normal or abnormal operation by including mechanisms of training. This knowledge is organized through a data space partition into clusters (representing the states of the system). Among the training techniques, those including fuzzy logic have the advantage of expressing the memberships of an individual to several classes, this makes possible to better know the real situation of the system and to envisage changes to failure states. Notwithstanding their adequate performances, their strong dependence on the initialization parameters is a difficulty for the training. This thesis proposes the improvement of these techniques, specifically our objective is the development of a method to validate and adapt automatically the partition of data space obtained by a fuzzy classification technique. This makes possible to find automatically an optimal partition in terms of clusters compactness and separation from only the membership matrix obtained by an initial classification. This method is thus an important help given to the process expert to establish the functional states in the implementation of a monitoring technique of a complex process. Its application is illustrated on academic examples and on the diagnosis of 3 chemical processes.