Développement d'une technique neuronale auto-adaptative pour la classification dynamique de données évolutives : application à la supervision d'une presse hydraulique

Development of an auto-adaptive neural technique for the dynamical clustering of evolutionary data : application to supervision of a hydraulic press

• Auteur / Autrice : Christophe Lurette
• Direction : Stéphane Lecœuche, Christian Vasseur
• Type : Thèse de doctorat
• Discipline(s) : Informatique industrielle et automatique
• Date : Soutenance en 2003
• Etablissement(s) : Lille 1

Mots clés

Mots clés contrôlés

Reconnaissance des formes (informatique)

Réseaux neuronaux (informatique)

Systèmes adaptatifs

Apprentissage automatique

Classification automatique

Résumé

Le caractère évolutif des procédés industriels rend leur supervision délicate puisque les modes de fonctionnement existants évoluent et que d'autres peuvent apparaitre. L'étude présentée porte sur la conception d'une structure adaptative de supervision permettant la surveillance, la détection et le diagnostic de systèmes évolutifs. La structure proposée est constituée de trois modules: modélisation, surveillance et diagnostic. En raison de l'aspect évolutif de la connaissance sur les modes de fonctionnement, l'accent a été porté sur la définition d'une technique de modélisation dynamique basée sur une approche par reconnaissance de formes. L'architecture neuronale développée, le réseau AUDyC, autorise la classification dynamique de données évolutives via un ensemble de règles d'apprentissage non supervisées permettant son autoadaptation. La première partie introduit les enjeux industriels. La deuxième partie expose des approches d'élaboration d'un système de diagnostic industriel avec en particulier celle par reconnaissance de formes. La troisième partie présente des techniques de classification à apprentissage hors ligne, puis deux techniques neuronales autorisant la prise en compte de données évolutives. La quatrième partie décrit l'architecture évolutive du réseau AUDyC construite selon une approche multiprototype. Les règles d'apprentissage autorisent l'adaptation, la création, la fusion et la suppression de prototypes ou de classes, et sont structurées en trois phases: classification, fusion et évaluation. La cinquième partie expose la structure adaptative de supervision élaborée à partir du réseau AUDyC, puis décrit les performances de celle-ci pour la supervision d'une presse hydraulique.