Méthodes de classification adaptatives basées sur le traitement du signal et les réseaux de neurones pour le diagnostic des défauts

Fault diagnostic to adaptive classification schemes based on signal processing and using neural networks

• Auteur / Autrice : Mustapha Barakat
• Direction : Dimitri Lefebvre, Mohamad Khalil
• Type : Thèse de doctorat
• Discipline(s) : Génie informatique, automatique et taitement du signal
• Date : Soutenance en 2011
• Etablissement(s) : Le Havre en cotutelle avec Université Libanaise

Mots clés

Mots clés contrôlés

Systèmes adaptatifs

Ondelettes

Réseaux neuronaux (informatique)

Mots clés libres

Diagnostic de défaut

Extraction de caractéristiques

Parameter elimination method

Self-adaptive growing neural networks

Résumé

La détection et l'isolation des défauts industriels (FDI) est devenue de plus en plus importante en raison de l'augmentation de l'automatisation industrielle. L'augmentation significative des complexités des systèmes industriels au cours des dernières années a fait de la FDI une étape majeure de tous les processus industriels. Dans cette thèse, des techniques adaptatives et intelligentes basées sur les réseaux de neurones artificiels combinés avec des outils avancés de traitements du signal utilisés pour la détection et le diagnostic systèmatique des défauts dans les systèmes industriels ont été développés et appliqués. Les techniques proposées de classification en ligne consistent de trois différentes étapes : (1) modélisation du signal et extraction des caractéristiques, (2) classification des caractéristiques et (3) décision de sortie. Dans une première étape, notre approche est basée sur le fait que les défauts sont reflétés dans les caractéristiques extraites. Pour l'algorithme de classifiaction des caractéristiques, plusieurs techniques basées sur les réseaux de neurones ont été utilisées. Un arbre de décision binaire basé sur la classification par une Machine à Vecteurs Supportes (SVM) a été aussi appliqué. Cette technique choisit la caractéristique dynamique appropriée à chaque niveau (branche) et classifie cette caractéristique par un classifier binaire. Une autre technique de classification avancée est prévue. Cette technique est basée sur la cartographie (mapping) de l'algorithme des réseaux qui peut extraire des caractéristiques à partir de données historiques et nécessité une connaissance à priori sur le processus. L'importance de ce réseau réside dans sa capacité à garder les anciennes données de probabilités équitables au cours du processus de cartographie. Une troisième contribution porte sur la construction du réseau avec des noeuds qui peuvent activer dans des sous-espaces spécifiques des différentes classes. Le concept de cette dernière méthode est de diviser l'espace des défauts d'une manière hiérarchique en un nombre de plus petits sous-espaces selon les zones d'activation des paramètres groupés. Pour chaque type de défauts, dans un sous espace particulier un agent spécial de diagnostic est entrainé. Une sélection avancée des paramètres est intégrée dans cet algorithme pour améliorer la confidence de classification. Toutes les contributions sont appliquées pour la détection et le diagnostic des différents systèmes industriels dans les domaines de l'ingénierie mécanique ou chimique. Les performances de nos approches sont étudiées et comparées avec plusieurs méthodes existantes utilisant des réseaux de neurones et la précision de toutes les méthodologies est examinée et évaluée avec soin.

Industrial Fault Detection and Isolation (FDI) become more essential in light of increased automation in industry. The signifiant increase of systemes and plants complexity during last decades made the FDI tasks appear as major steps in all industrial processes. In this thesis, adaptive intelligent tcehniques based on artificial neural networks combined with advanced signal processing methods for systematic detection and diagnosis of faults in industrial systemes are developed and put forward? The proposed on-line classification techniques consists of three main stages : (1) signal modeling and featured extraction, (2) feature classification and (3) output decision. In first stage, our approach is relied on the assumption that faults are reflected in the extracted features. For feature classification algorithm, several techniques bases on neural networks are proposed. A binary decision tree relied on multiclass Support Vector Machine (SVM) algorithm is put forward. The technique selects dynamic appropriate feature at each level (branch) and classify it in a binary classifier. Another advance classification technique is anticipated based on mapping algorithm network that can extract features from historical data and require prior knowledge about the process. The signifiance of this network focuses on its ability to reserve old data in equitable porpabilities during the mapping process. Each class of faults or disturbances will be represented by a particular surface at the end of the mapping process. Third contribution focuses on building network with nodes that can activate in specific subspaces of different classes. The concept behind this method is to divide the pattern space of faults, in a particular sub-space, a special diagnosis agent is trained. An advanced parameter selection is embedded in this algorithm for improving the confidence of classification diagnosis. All contributions are applied to the fault detection and diagnosis of various industrial systems in the domains of mechanical or chemical engineering. The performances of our approaches are studied and compared with several existing neural network methods and the accuracy of all methodologies is considered carefully and evaluated.