Soutenance mémoire
Structure d’un neurone biologique
On pense que le système nerveux compte plus de 1000 milliards de neurones interconnectés. Bien que les neurones ne soient pas tous identiques, leur forme et certaines caractéristiques permettent de les répartir en quelques grandes classes. En effet, il est aussi important de savoir, que les neurones n’ont pas tous un comportement similaire en fonction de leur position dans le cerveau. Avant de rentrer plus en avant dans les détails, examinons un neurone. La Figure II.1 représente un neurone biologique: On peut le décomposer en trois régions principales:
– Le corps cellulaire: Il contient le noyau du neurone ainsi que la machine biochimique nécessaire à la synthèse des enzymes. Ce corps cellulaire de forme sphérique ou pyramidale contient aussi les autres molécules essentielles à la vie de la cellule. Sa taille est de quelques microns de diamètre.
– Les dendrites: Ce sont de fines extensions tubulaires qui se ramifient autour du neurone et forment une sorte de vaste arborescence. Les signaux envoyés au neurone sont captés par les dendrites. Leur taille est de quelques dizaines de microns de longueur.
– L’axone: C’est le long de l’axone que les signaux partent du neurone. Contrairement aux dendrites qui se ramifient autour du neurone, l’axone est plus long et se ramifie à son extrémité ou il se connecte aux dendrites des autres neurones. Sa taille peut varier entre quelques millimètres à plusieurs mètres.
– Synapse: Une synapse est une jonction entre deux neurones, et généralement entre l’axone d’un neurone et une dendrite d’un autre neurone (mais il existe aussi des synapses axoaxonales par exemple), Figure II.2.
– Fonctionnement: Au point de vu fonctionnel, il faut considérer le neurone comme une entité polarisée, c’est-à-dire que l’information ne se transmet que dans un seul sens : des dendrites vers l’axone. Le neurone va donc recevoir des informations, venant d’autres neurones, grâce à ses dendrites. Il va ensuite y avoir sommation, au niveau du corps cellulaire, de toutes ces informations et via un potentiel d’action (un signal électrique) le résultat de l’analyse va transiter le long de l’axone jusqu’aux terminaisons synaptiques. A cet endroit, lors de l’arrivée du signal, des vésicules synaptiques vont venir fusionner avec la membrane cellulaire, ce qui va permettre la libération des neurotransmetteurs (médiateurs chimiques) dans la fente synaptique. Le signal électrique ne pouvant pas passer la synapse (dans le cas d’une synapse chimique), les neurotransmetteurs permettent donc le passage des informations, d’un neurone à un autre. Les neurotransmetteurs excitent (neurotransmetteurs excitateurs) ou inhibent (neurotransmetteurs inhibiteurs) le neurone suivant et peuvent ainsi générer ou interdire la propagation d’un nouvel influx nerveux. En effet, au niveau post-synaptique, sur la membrane dendritique, se trouvent des récepteurs pour les neurotransmetteurs. Suivant le type de neurotransmetteur et le type des récepteurs, l’excitabilité du neurone suivant va augmenter ou diminuer, ce qui fera se propager ou non l’information. Les synapses possèdent une sorte de «mémoire» qui leur permet d’ajuster leur fonctionnement. En fonction de leur «histoire», c’est-à-dire de leur activation répétée ou non entre deux neurones, les connexions synaptiques vont donc se modifier. Ainsi, la synapse va faciliter ou non le passage des influx nerveux. Cette plasticité est à l’origine des mécanismes d’apprentissage.
Logique floue et système expert
La logique floue et les systèmes experts sont fortement liés. En effet, la construction d’un modèle en logique floue passe toujours par une expertise humaine sous la forme de règle floue, celle-ci est ensuite utilisée par le moteur d’inférence d’un système expert. Comme ces règles sont exprimées en langage naturel à l’aide de termes vagues, elles sont en général facilement formulables par l’expert lui-même, ce qui n’est pas le cas pour les systèmes experts classiques qui nécessitent des valeurs précises comme valeurs manipulées.
Modèle neuronal des comportements sains
A la fin des années 1960 jusqu’au début des années 1970, les systèmes experts ont commencé à émerger comme une branche de l’Intelligence Artificielle (IA). Dans les années 1980, les systèmes experts issus des laboratoires et des applications commerciales développées grâce au logiciel puissant pour le développement de systèmes experts ainsi que les nouvelles possibilités du matériel. E. Feigenbaum [Fei, 82], définit un système expert comme «Un programme informatique intelligent qui utilise des procédures de connaissances et d’inférence pour résoudre les problèmes qui sont déjà assez difficile et qui exigent une importante expertise humaine pour leur solution». Un système expert effectue un raisonnement en plus des représentations de la connaissance humaine et fait des calculs numériques sur des données récupérées en utilisant la base de connaissances et le moteur d’inférence séparément. En plus un système expert résout des problèmes en utilisant les connaissances heuristiques plutôt que les relations formulée avec précision dans des formes qui reflètent plus précisément la nature de la connaissance la plus humaine face à des valeurs symboliques et des procédures. Le diagnostic est l’un des principaux domaines où les systèmes experts trouvent leurs applications à partir de leurs premiers stades. L’approche basée sur la connaissance de détection et d’isolation, a reçu une attention considérable au cours de cette dernière décennie [Tza, 89]. Les premières techniques de diagnostic de défaut basées sur les systèmes experts ont été développées au début des années 1970 par MIT (Massachusetts Institute of Technology), et rapportées par Scherer et White [Sch, 89]. Depuis de nombreux systèmes ont été construits, les enquêtes sur les premiers systèmes de diagnostic experts et des procédés technologiques sont fournies par Pau [Pau, 86], Tzafestas [Tza, 89], Scherer et White [Sch, 89]. Les réseaux de neurones trouvent leurs applications dans la détection des défauts grâce à leurs capacités de reconnaissance des formes. Les RNA sont conçus pour apprendre à partir de la présentation des exemples pour former une représentation interne du problème. Pour le diagnostic, il est nécessaire de relier les mesures des capteurs aux causes de défauts, et la distinction entre les états normaux et anormaux. La modélisation est une étape nécessaire pour la compréhension et l’analyse de la dynamique de fonctionnement d’un système industriel. Elle a pour objectif d’établir une représentation des différents modes de fonctionnement du procédé et d’estimer les modèles dynamiques associés à ces modes. Choix d’utilisation des réseaux de neurones: La modélisation du comportement des systèmes complexes sous forme mathématique est plus au moins délicate. Une alternative est de choisir une technique de modélisation basée sur les Réseaux de neurones. L’algorithme qui nous permet de sélectionner un modèle neuronal robuste, est obtenu selon les étapes suivantes :
Connaissance approfondie sur le système à identifier.
Le choix des entrées et dessorties du modèle neuronal.
Détermination du comportement interne du modèle neuronal (le nombre de couches cachées et le nombre des neurones dans chaque couche cachée).
Choix des fonctions d’activation.
Choix de la précision et du nombre d’itération proposés.
Par la suite nous considérons des systèmes dynamiques avec des entrées ui(t) et des sorties yk(t) (i=1..q, k =1..n) en supposant que les variables d’état ne sont pas mesurables. Ces systèmes se présentent souvent sous forme complexe dynamique et non linéaire. En conséquence, les modèles basés sur la connaissance ne sont pas faciles à obtenir. Les approches basées sur les RNA consistent à utiliser des modèles basés sur les données [Mok, 08], [Zha, 08]. L’objectif est de concevoir des modèles des comportements sans défaut et défectueux qui seront utilisés pour la génération automatique des résidus (Figure III.1). Afin d’obtenir la meilleure architecture des RNA, plusieurs configurations sont testées par essaierreur ou par utilisation d’algorithmes spéciaux (OBS : Optimal Brain Surgeon, ou OBD : Optimal Brain Damage) pour la détermination du nombre de neurones par couche cachée et du nombre de couches cachées. Par suite l’apprentissage du RNA est effectué par l’algorithme de Levenberg-Marquardt avec un arrêt précoce (Early stopping). Cet algorithme est connu pour sa convergence rapide. Lors de l’étape d’apprentissage, le RNA apprend avec des données collectées pendant le fonctionnement normal (sans-défaut du modèle). Puis les modèles de référence RNA sont validés avec un autre ensemble de données [25].
CONCLUSION GENERALE ET PERSPECTIVES
Ce modeste travail nous a permis d’appliquer des méthodes de diagnostic utilisant l’intelligence artificielle sur un actionneur électropneumatique. Les réseaux de neurones constituent un excellent outil de modélisation et de diagnostic des processus non linéaires, malgré les problèmes que nous avons rencontrés qui se situent dans le choix d’une architecture optimale en fonction des entrées, ainsi que le nombre de couches, et le nombre de neurones dans chaque couche. Le choix d’un algorithme efficace pour assurer la convergence vers le minimum, et le choix des poids et biais initiaux, ont une grande influence sur la convergence de l’algorithme. Nous avons surtout montré que ce modèle permettait:
– De détecter un défaut et cela à partir de la comparaison entre la sortie du système réel et son estimation.
– De localiser un défaut et pour cela il suffit d’identifier le type de défaut.
Les modèles générés nous donnent des bons résultats prouvant ainsi leurs efficacités dans le domaine de la représentation des comportements sains et défectueux. Après avoir obtenu un modèle neuronale, nous avons identifié les défauts par trois types de classifieurs, le premier à base de réseaux de neurone, le second à base de logique floue et le troisième à base de neuro-flou dans le but de montrer leur efficacité dans cette étape qui est très importante pour le diagnostic. Pour diagnostiquer tous les défauts qui existent dans le système dynamique DAMADICS, on a développé une technique capable de détecter et d’isoler tous ces défauts d’une manière rapide en ligne en se basant sur la régénération automatique des résidus. Notre contribution réside dans le développement d’une technique FDI qui utilise les modèles de comportements sain et défectueux combiné avec la méthode de seuillage pour isoler les défauts. Nous avons aussi proposé une nouvelle méthode qui évalue la probabilité de défauts et la confiance accordée à la décision de diagnostic. Les deux techniques donnent de bonnes décisions dans de nombreux cas. Cependant, les résultats obtenus avec la méthode basée sur le calcul des probabilités sont de meilleure qualité et la fiabilité de la décision est aussi explicitement évaluée. En particulier, la méthode proposée ne nécessite pas de calculer les seuils pour la détection et la localisation et par conséquent est plus robuste pour les défauts de types naissants. De notre point de vue, la principale limitation de la méthode proposée est l’augmentation rapide de l’effort de calcul lorsque des nombreux défauts candidats et de nombreuses sorties sont pris en compte. Afin de réduire cet effort, on peut remarquer que certains résidus contiennent des informations utiles pour le FDI et les autres sont tout à fait inutiles. Sur la base de l’évaluation d’un facteur de confiance pour chaque résidu, nous allons étudier une méthode pour sélectionner les résidus les plus fiables. Nos futurs travaux prévoient également de valider cette technique en l’appliquant sur d’autres systèmes réels avec différentes conditions de fonctionnement et des défauts différents.
|
Table des matières
Introduction générale
Chapitre I: Etat de l’art
I.1 Introduction
I.2 Terminologie et définition
I.3 Les méthodes de diagnostic
I.3.1 Les méthodes à base de modèle
I.3.2 Les méthodes à base de connaissances et de données
I.4 Les étapes de diagnostic
I.4.1 Génération de résidus
I.4.2 La détection de défaut
I.4.3 La localisation de défaut
I.4.4 L’identification de défaut
I.5 La structuration des résidus
I.6 Conclusion
Chapitre II: Aperçu et application des Réseaux de Neurones, Logique Floue et NeuroFlou dans le Diagnostic
II.1 Réseau de neurones
II.1.1 Introduction
II.1.2 Neurone biologique et neurone formel
II.1.3 Architecture des réseaux de neurones
II.1.4 Apprentissage des réseaux de neurones
II.1.5 Algorithme d’apprentissage
II.1.6 La classification par les réseaux de neurone
II.1.7 Quelques points essentiels à retenir
II.2 La logique floue
II.2.1 Introduction
II.2.2 L’ensemble flou
II.2.3 Système flou
II.2.4 Application de la logique floue
II.2.5 Logique floue et système expert
II.3 Les Réseaux Neuro-Flou
II.4 Application des RN, LF, et NF dans le diagnostic
II.5 Conclusion
Chapitre III: Méthode intelligentes pour la détection des défauts.
III.1 Introduction
III.2 Conception d’observateurs intelligents
III.2.1 Modèle neuronal des comportements sains
III.2.2 Modèle neuro-flou des comportements sains
III.3 Détection par analyse des résidus
III.4 Application de la détection de défauts au Benchmark DAMADICS
III.4.1 Description du système
III.4.2 Les défauts et leurs caractéristiques
III.4.3 Modèle Neuronale de comportement normal
III.4.4 Modèle Neuro-flou de comportement normal
III.4.5 Génération des résidus et détection de défaut
III.4.6 Comparaison des résultats et discussion
III.5 Conclusion
Chapitre IV: Diagnostic rapide par synthèse de modèles de dysfonctionnement
IV.1 Introduction
IV.2 Synthèse de modèles de dysfonctionnement
IV.3 Diagnostic par évaluation des résidus
IV.4 Diagnostic par calcule de la probabilité des modèles
IV.5 Structuration des résidus
IV.5.1 Matrice des signatures
IV.5.2 Réduction de l’ensemble des résidus
IV.6 Diagnostic des défauts de l’actionneur DAMADICS
IV.6.1 Diagnostic par analyse des modèles de référence
IV.6.2 Diagnostic par analyse des modèles de dysfonctionnement
IV.6.3 Structuration et discussion
IV.6.4 Résultat de la réduction de l’ensemble des résidus
IV.7 Conclusion
Conclusion générale
Bibliographie
Télécharger le rapport complet
