Contribution à l'apprentissage de Modèles de Markov Cachés pour l'estimation de l'état de santé de systèmes industriels
Une bonne politique de maintenance au sein d une entreprise est un enjeu majeur pour assurer la fiabilité et la sûreté de fonctionnement des outils de production dans différents secteurs. Le travail de recherche présenté dans cette thèse vise à introduire de nouvelles méthodes de diagnostic des défa...
Enregistré dans:
| Auteur principal: | |
|---|---|
| Autres auteurs: | , , , , , , , |
| Format: | Thèse numérique |
| Langue: | Français |
| Publié: |
2024.
|
| Sujets: | |
| Accès en ligne: | Accès au texte intégral https://theses.univ-orleans.fr/public/2024ORLE1080_va.pdf http://www.theses.fr/2024ORLE1080/abes https://theses.hal.science/tel-05016992 |
| Note: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....) (Laboratoire) Autre(s) contribution(s) : Anne Barros (Président du jury) ; Zineb Simeu-Abazi, Nassim Boudaoud, Florent Duculty, Thierry Paquet, Frédéric Kratz, Stéphane Begot (Membre(s) du jury) ; Zineb Simeu-Abazi, Nassim Boudaoud (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Contribution to Hidden Markov Model training for health status estimation of industrial systems |
| Résumé: | Une bonne politique de maintenance au sein d une entreprise est un enjeu majeur pour assurer la fiabilité et la sûreté de fonctionnement des outils de production dans différents secteurs. Le travail de recherche présenté dans cette thèse vise à introduire de nouvelles méthodes de diagnostic des défauts des systèmes industriels. Ces défauts sont vus comme une problématique de multi-classe. C est pour cette raison que nous avons choisi les méthodes orientées données fondées sur la classification et l identification. Nous avons constaté à travers les recherches bibliographiques que les Modèles de Markov Cachés (MMC) ont la capacité de modéliser les systèmes complexes. Nous avons utilisé ces modèles pour apprendre la signature particulière annonçant l arrivée d une panne. Dans cette thèse, nous allons nous focaliser sur le cas de la mise en compétition de plusieurs modèles qui représentent plusieurs modes de défaillance et un mode sans défaut. Dans ces travaux de recherche, nous souhaitons améliorer l apprentissage des MMC. Nous avons développé une nouvelle stratégie d apprentissage. Cette stratégie s inspire des principes de non-occurrence, c est à dire, apprendre le contraire d une forme. Pour améliorer la phase d apprentissage des MMC multi-classes, il est envisagé de considérer les non-classes . Les Non-modèles seront appris en considérant uniquement les échantillons des autres classes. Deux problématiques ont été posées : Est-ce-que les Non-modèles ont la capacité de reconnaitre les classes ? Est-ce-que la combinaison des Modèles et des Non-modèles améliore l apprentissage des Modèles de Markov Cachés ? Nous répondons à ces deux problématiques à travers nos protocoles de test illustrés dans cette thèse. Nous expliquons, ensuite, le nouvel algorithme que nous avons développé et qui utilise à la fois les informations contenues dans les Modèles et les Non-modèles. Finalement, nous discutons des résultats obtenus et nous les comparons aux usuels algorithmes d apprentissage de MMC. A good maintenance policy within a company is a major factor in ensuring the reliability and dependability of production tools in various sectors (aeronautics, military, nuclear, etc.). The aim of the research work presented in this thesis is to introduce new methods for diagnosing faults in industrial systems. These faults are seen as a multi-class problem, which is why we have chosen data-driven methods based on classification and identification. We have found through literature searches that Hidden Markov Models (HMM) have the ability to model complex systems. To this end, we have used these models to learn the particular signature announcing the imminent arrival of a fault. In this thesis, we will focus on the case of competing models representing several failure modes and a fault-free mode. In this thesis, we aim to improve HMM learning, so we have developed a new learning strategy.This strategy is inspired by the principles of non-occurrence, i.e. learning the opposite of a shape. To improve the learning phase of multi-class HMM problems, we plan to consider 'non-classes'. Non-models' will be learned by considering only samples from other classes. Two issues were raised : Do the Non-models have the ability to recognize classes ? Does the combination of Models and Non-models improve Hidden Markov Model learning ? We answer these two questions through our protocol and tests illustrated in this thesis, as well as explaining the new algorithm we've developed that uses both the information contained in the Models and the information contained in the Non-models. Finally, we discuss the results obtained and compare existing HMM learning algorithms with our new algorithm. |
|---|---|
| Description: | Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....) (Laboratoire) Autre(s) contribution(s) : Anne Barros (Président du jury) ; Zineb Simeu-Abazi, Nassim Boudaoud, Florent Duculty, Thierry Paquet, Frédéric Kratz, Stéphane Begot (Membre(s) du jury) ; Zineb Simeu-Abazi, Nassim Boudaoud (Rapporteur(s)) |
| Format: | Configuration requise : un logiciel capable de lire un fichier au format : PDF |