Diagnostic de défauts par les Machines à Vecteurs Supports : application à différents systèmes mutivariables nonlinéaires

Fault diagnosis using Support Vector Machines : application to different multivariable nonlinear systems

• Auteur / Autrice : Nassim Laouti
• Direction : Nida Sheibat-Othman, Sami Othman
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 21/09/2012
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Jury : Président / Présidente : Isabelle Queinnec
• Jury : Examinateurs / Examinatrices : Michel Kinnaert
• Jury : Rapporteur / Rapporteuse : Mazen Alamir, Christophe Aubrun

Mots clés

Mots clés contrôlés

Systèmes non linéaires

Machines à vecteurs de support

Apprentissage automatique

Maintenance automatisée

Mots clés libres

Diagnostic de défauts

Machines à Vecteurs de Supports

Apprentissage automatique

Modélisation

Identification paramétrique

Systèmes multivariables non linéaires

Observateur d'état

Procédé de traitement des eaux usées

Éoliennes

Réacteur chimique parfaitement agité

Fault diagnosis

Support Vector Machines

Machine learning

Modeling

System identification

Multivariable nonlinear systems

Observers

Wastewater treatment process

Wind Turbine

Stirred tank reactor

Résumé

Les systèmes réels sont généralement de nature non-linéaire, et leurs modélisations etsurveillance restent une tâche difficile à accomplir. Néanmoins, avec les progrès technologiqueson dispose maintenant d'un atout de taille sur ces systèmes qui est les données.Ce travail présente une technique de diagnostic de défaut et de modélisation basée en grandepartie sur la méthode d'apprentissage automatique « Les Machines à Vecteurs de Support,SVM » qui est basée sur les données. La méthodologie proposée est appliquée à différentessystèmes multivariables et non linéaires, à savoir : un procédé de traitement des eaux usées, unsystème éolien et un réacteur chimique parfaitement agité.L'objectif de cette thèse de doctorat est d'examiner la possibilité d'extraire le maximumd'information à partir de données afin de surveiller efficacement le comportement de systèmesréels et de détecter rapidement tout défaut qui peut compromettre leur bon fonctionnement. Lamême méthode est utilisée pour la modélisation des différents systèmes. Plusieurs défis ont étérelevés tels que la complexité du comportement des systèmes, le grand nombre de mesuresvariant à différentes échelles de temps, la présence de bruit et les perturbations. Une méthodegénérique de diagnostic de défauts est proposée par la génération des caractéristiques de chaquedéfaut suivie d’une étape d'évaluation de ces caractéristiques avec une amélioration du transfertde connaissances en modélisation.Dans cette thèse ont a démontré l'utilité de l'outil Machines à Vecteurs de Support, enclassification par la construction de modèles de décision SVM dédiés à l'évaluation descaractéristiques de défaut, et aussi en tant qu'estimateur non linéaire/ou pour la modélisation parl'utilisation des machines à vecteurs de support dédiés pour la régression (SVR).La combinaison de SVM et d’une méthode basée sur le modèle ''observateur'' a été aussi étudiéeet a été nécessaire dans certains cas pour garantir un bon diagnostic de défauts.

Real systems are usually nonlinear and their modeling and monitoring remains adifficult task. However, with advances in technology and the availability of big amounts of data,we have a facility to operate these systems.This work presents a methodology for fault diagnosis and modeling which is in large part basedon the method of Support Vector Machines (SVM) which data-based. The proposedmethodology is applied to various nonlinear multivariable systems including: wastewatertreatment processes, wind turbines and stirred tank reactors.The objective of this PhD is to examine the possibility of extracting the maximum of informationfrom data to effectively monitor the behavior of real systems and rapidly detect any faults whichmay impair their proper functioning. The same method is used for modeling the differentsystems. Several challenges were identified and surmounted such as the complexity of thesystem behavior, large amount of data varying at different time scales, the presence of noise anddisturbances. A generic method of fault diagnosis is proposed for the generation of the faultcharacteristics followed by an evaluation of these characteristics as well as an improved transferof knowledge in modeling.In this thesis the usefulness of the tool Support Vector Machines in Classification has beendemonstrated by the construction of decision models dedicated to evaluating the characteristicsof faults, and also its usefulness for modeling/ or as estimator for the nonlinear systems usingsupport vector machines dedicated for regression (SVR).The combination of SVM and a method based on models “observer” was also considered andwas found to be interesting in some cases to ensure proper fault diagnosis.