Diagnostic de l’état de fonctionnement d’un procédé biologique d’épuration des eaux usées
No Thumbnail Available
Date
2018
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Le diagnostic de défauts et de dysfonctionnements des processus le plus tôt possible, puis
l'identification et l'élimination des facteurs en cause possèdent une véritable importance pour un
fonctionnement sûr et une productivité meilleure. Le diagnostic conventionnel des processus
utilisant l'analyse en composantes principales (ACP) suppose souvent que les données du
processus suivent une distribution gaussienne. Cependant, ce type de contrainte ne peut pas être
satisfait dans la pratique car de nombreux processus industriels couvrent souvent plusieurs modes
de fonctionnement. Pour surmonter cette difficulté, l’ACP peut être combinée avec des cartes de
contrôle non paramétriques pour lesquelles il n'y a aucun besoin de supposition sur la
distribution. Cependant, cette approche utilise toujours une limite de confiance constante où un
taux relativement élevé de fausses alarmes est généré. Bien que la ACP non linéaire (ACPNL)
utilisant des réseaux de neurones auto-associatifs à couche d’étranglement joue un rôle
important dans la surveillance des processus industriels, il est difficile de concevoir des
statistiques de surveillance et des limites de confiance correctes qui vérifient les nouvelles
performances. Dans ce travail, une nouvelle stratégie de surveillance utilisant un réseau neuronal
à couche d'étranglement amélioré (Enhanced Bottleneck Neural Network EBNN) avec une limite
de confiance adaptative pour les données non gaussiennes est proposée. L'idée de base est
d'extraire des segments homogènes internes à partir des ensembles de données historiques
normaux en remplissant un modèle de mélange gaussien (usuellement abrégé par l'acronyme anglais
GMM pour Gaussian Mixture Model). En partant de l'hypothèse que les données de processus
suivent une distribution gaussienne dans un mode de fonctionnement, une limite de confiance
locale peut être établie. L'EBNN est utilisé pour reconstruire les données d'entrée et estimer les
probabilités d'appartenance aux différents régimes de fonctionnement locaux, comme étaient
modélisés par MMG. Un événement anormal pour un vecteur de mesure d'entrée est détecté si
l'erreur quadratique de prédiction (Squared Prediction Error) est assez grande, ou au-dessus
d'un certain seuil qui est rendu adaptatif. De plus, l'indice de validité du capteur (Sensor Validité
Indexes) est utilisé avec succès pour identifier la variable défectueuse détectée. Les résultats
démontrent que, par rapport à l’ACPNL, l'approche proposée peut effectivement réduire le
nombre de fausses alarmes, et devrait donc mieux surveiller de nombreux processus pratiques
Description
Keywords
Research Subject Categories::MEDICINE::Physiology and pharmacology::Radiological research::Diagnostic radiology, Research Subject Categories::LAW/JURISPRUDENCE::Private law::Contract law