Soutenance mémoire
Modélisation pour la détection d’anomalies
Un processus industriel moderne est souvent très instrumenté ; il fournit en permanence les résultats de nombreuses mesures, apportant à son pilote une grande quantité d’informations, quasiment en temps réel, qui sont souvent difficiles à exploiter : c’est notamment le cas lorsqu’une anomalie de fonctionnement se traduit par de faibles écarts simultanés sur plusieurs mesures, voire par des évolutions normales pour chaque mesure prise séparément, mais dont l’apparition simultanée traduit cette anomalie. Pour automatiser la détection de telles situations, plusieurs approches peuvent être envisagées :
– l’utilisation de systèmes experts (éventuellement flous) : une telle approche nécessite une formalisation (éventuellement incertaine) de l’expertise ; elle est difficilement applicable lorsqu’un grand nombre de grandeurs doivent être prises en considération ;
– l’utilisation de classifieurs (éventuellement neuronaux) capables de discriminer les situations normales de situations anormales ; la limitation fondamentale de cette approche réside dans le fait que ces méthodes statistiques exigent des bases d’exemples ; or, s’il est très facile de trouver de nombreux exemples de situations normales, il est souvent – heureusement – très difficile de disposer, en nombre équivalent, d’exemples des différentes situations anormales susceptibles de se présenter (on ne les connaît d’ailleurs pas forcément) ;
– l’utilisation d’un modèle précis du comportement normal du processus, les anomalies étant détectées en comparant les prédictions du modèle et les mesures effectuées sur le processus ; cette méthode nécessite évidemment un modèle précis en temps réel, mais elle évite de collecter des exemples de fonctionnement anormal. L’ensemble d’apprentissage doit couvrir l’ensemble du domaine de comportement normal du processus. La similitude des systèmes industriels complexes structurés en réseaux tels que les réseaux électriques , les réseaux de télécommunications ,……, les méthodes graphiques telles que les réseaux de neurones ont prouvé leurs puissance dans le domaine de diagnostic et la détection des défaillances.
Exemples d’applications des réseaux de neurones
Se trouvant à l’intersection de différents domaines (informatique, électronique, science cognitive, neurobiologie et même philosophie) , l’étude des réseaux de neurones est une voie prometteuse de l’Intelligence Artificielle I .A , qui a des applications dans de nombreux domaines : Industrie : contrôle qualité, diagnostic de panne, corrélations entre les données fournies par différents capteurs, analyse de signature ou d’écriture manuscrite (Pour plus de détails voir par exemple l’article du n° 678 du magazine Mesures (Octobre 95) intitulé : » Vision Industrielle : les réseaux de neurones font leurs preuves « ) Finance : prévision et modélisation du marché (cours de monnaies…), sélection d’investissements, attribution de crédits. Télécommunications et informatique : analyse du signal, élimination du bruit, reconnaissance de formes (bruits, images, paroles), compression de données Environnement : évaluation des risques, analyse chimique, prévisions et modélisation météorologiques, gestion des ressources.
Pourquoi utiliser des réseaux bayésiens ?
Selon le type d’application, l’utilisation pratique d’un réseau bayésien peut être envisager au même titre que d’autre modèles : réseaux neuronaux, système expert, arbre de décision, modèles d’analyse de données, arbre défaillances, modèles logiques, etc. Naturellement, le choix de la méthode fait intervenir différents critères, comme la facilité, le cout et le délai de mise en œuvre d’une solution. En dehors de toute considération théorique, les aspects suivants des réseaux bayésiens les rendent, dans de nombreux cas, préférables à d’autres modèles
Acquisition des connaissances : La possibilité de rassembler et de fusionner des connaissances de diverse nature dans un même modèle : retour d’expérience (données historiques ou empiriques), expertise (exprimée sous forme de règles logiques, d’équations, de statistiques ou probabilité subjectives), observations. Dans le monde industriel par exemple, chacune de ces sources d’information, quoique présente, est souvent insuffisante individuellement pour fournir une représentation précise et réaliste du système analysé.
Représentation des connaissances : La représentation graphique d’un réseau bayésien est explicite, intuitive et compréhensible par un non spécialiste, ce qui facilite à la fois la validation du modèle, ses évolutions éventuelles et surtout son utilisation. Typiquement, un décideur est beaucoup plus enclin à s’appuyer sur un modèle dont il comprend le fonctionnement qu’à faire confiance à « une boite noire ».
Utilisation des connaissances : Un réseau bayésien est polyvalent : on peut se servir du même modèle pour évaluer, prévoir, diagnostiquer, ou optimiser des décisions, ce qui contribue à « rentabiliser » l’effort de construction du réseau bayésien.
Qualité de l’effort en matière de logiciels : Il existe aujourd’hui de nombreux logiciels pour saisir et traiter des réseaux bayésiens. Ces outils présentent des fonctionnalités plus ou moins évoluées : apprentissage des probabilités, apprentissage de la structure du réseau bayésien, possibilité d’intégrer des variables continues, des variables d’utilité et de décision, etc.
Causes initiales des pannes
Ce déséquilibre entre la production et la consommation peut être provoqué par :
• L’état du matériel de production et transport ( poste de production vieillissement : sous investissement )
• Les conditions climatiques pour les Lignes aériennes (foudre, végétation, tempêtes, neige, glace, etc.).
• Le non respect du programme de délestage national ( une zone de consommation importante n’a pas été déconnecté alors qu’elle était dans le programme de délestage national entraînant par effet le black out total du 03 Février 2003 ).
Construction d’un réseau bayésien
Pour construire un réseau de ce type il faut commencer par définir clairement les variables qui nous intéressent. La seconde étape consiste à établir le graphe d’indépendance conditionnelle entre les variables (graphe causal). Pour finir, il faut déterminer les matrices de probabilités conditionnelles.
Présentation et Modélisation de la base de données L’estimation de la situation du réseau a une date future peut ainsi être assimilée à un vecteur comprenant plusieurs dizaines à plusieurs centaines de variables. Ces variables sont du point de vue de l’exploitant de réseau, entachées de nombreuses incertitudes :
• Variabilité de la consommation : I l est difficile de prévoir avec une grande précision le niveau et la répartition de la consommation, même à court terme. Un exemple souvent cité à ce sujet est la suivant : en hiver, une baisse d’un degré Celsius de la température en Algérie augmente la consommation nationale d’environ 500MW, soit d’ordre de la production d’un réacteur nucléaire.
• Indisponibilité fortuites : Le système électrique est affecté par des évènements imprévisibles, comme les défaillances de ligne, de postes de transformation ou de groupe de production, qui entraînent des indisponibilités fortuites.
• Incertitude sur la production : la programmation de la production est basée sur des modèles approximatifs de la consommation (estimation de la consommation sur la même période de l’année passée avec ajout d’un pourcentage). Actuellement Sonelgaz avec des équipes de recherche essaient d’établir un modèle prédictif de la consommation basée sur l’exploitation des séries temporelles associées à des réseaux de neurones. Il apparaît donc raisonnable de modéliser par des variables aléatoires les différents paramètres qui caractérisent la situation de réseau. D’une manière générale l’existence de ces incertitudes renforce la pertinence des méthodes probabilistes pour les études de conception ou de fonctionnement des systèmes électrique, ce constat se généralise à d’autres « industries de réseau » dans le domaine des transports, ou des télécommunications par exemple.
|
Table des matières
Introduction générale
Chapitre 1 Diagnostic des systèmes
1.1 Introduction
1.2 Terminologie
1.3 Méthodes de diagnostic
1.3.1 Méthodes à base de modèle
1.3.2 Méthodes à base de connaissance
1.3.3 Modèles à base de données
1.4 Conclusion
Chapitre 2 : Les méthodes graphiques utilisées : Réseaux de Neurones et Réseaux Bayésiens
2.1 Réseaux de neurones
2.1.1 Introduction
2.1.2 Terminologie
2.1.3 Quelques réseaux célèbres
2.1.4 Exemples d’applications des réseaux de neurones
2.2 Les réseaux bayésiens
2.2.1 Introduction
2.2.2 L’inférence bayésienne
2. 2.3 Circulation de l’information
2.2.4 Mise en œuvre des réseaux bayésiens
2.2.5 Application des réseaux bayésiens
2.2.6 Apprentissage
2.2.7 Conclusion
Chapitre 3 : Présentation et Modélisation de la base de données du réseau électrique Algérien par les RB ET RN
3.1.1 Classification des modes de fonctionnement
3.1.2 Mode de fonctionnement normal
3.1.3 Mode de fonctionnement anormal
3.1.3.a Cause initiales des pannes
3.1.3.b Type des surcharges
3.1.3.c Mode de fonctionnement en surcharge
3.2 Réseau Bayésien
3.2.1 Introduction
3.2.3 Construction d’un réseau bayésien
3.2.4 Graphe d’indépendance
3.2.5 Matrices de probabilités conditionnelles
3.3 Réseaux de neurones
3.4 Conclusion
Chapitre 4 : Application et Résultat de Simulations
4.1 Introduction
4.2 Apprentissage
4.3 Exploitation
4.4 Analyse
4.5 Exemple d’application
4.6 Application du réseau électrique avec « Bayesialab »
4.7 Résultat de simulation du réseaux électrique avec le réseau de neurone
4.8 Interprétation des résultats
4.9 Conclusion
Conclusion générale et perspectives
Bibliographie
Télécharger le rapport complet
