BOUZENAD, Khaled2023-01-102023-01-102018https://dspace.univ-annaba.dz//handle/123456789/1200Le 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 pratiquesfrResearch Subject Categories::MEDICINE::Physiology and pharmacology::Radiological research::Diagnostic radiologyResearch Subject Categories::LAW/JURISPRUDENCE::Private law::Contract lawThesis