Surveillance de procédés à base de méthodes de classification : conception d'un outil d'aide pour la détection et le diagnostic des défaillances

The present work belongs to the field of decision support systems for complex process monitoring, such as chemical and petrochemical plants. Since it is not always possible to obtain a mathematical model for these processes, it is necessary to consider other approaches such as learning and classification methods, in order to identify their different operating modes (normal or faulty). We propose a strategy based on Data Mining techniques, which allows the construction of a discrete event model of the process behavior using historical and online data. This strategy consists on an offline learning stage for the elaboration of a first reference model. This model, in the form of a finite state automaton, must be validated and completed by the process expert. A second online stage consists in tracking the identified process states. A deviation is detected when a given number of observations are not recognized into any expected functional state. At this stage a new learning procedure is proposed in order to identify the nature of the deviation. The new resulting classes and information concerning the descriptors involved are presented to the expert as support for his diagnosis. A decision support software tool for monitoring processes using LAMDA classification algorithm has been developed based on the proposed strategy. LAMDA method uses Fuzzy logic theory and introduces the adequacy concept for the assignment of an element to a class. Within the context of CHEM European project the principal aspects of our work were tested on different industrial and pilot plants.Les travaux présentés se situent dans le domaine de l'aide à la décision pour la surveillance de systèmes complexes tels que les procédés chimiques. Pour de tels procédés il n'est pas toujours possible de disposer d'un modèle mathématique ou structurel du système considéré. De ce fait, d'autres types d'approches telles que les méthodes de classification, doivent être envisagées pour l'identification des états fonctionnels dans lesquels le système peut se trouver. Sur la base de telles méthodes notre travail présente une stratégie permettant de construire, à partir de données historiques et de données récupérées en ligne, un modèle discret (états/transitions) du comportement du processus et d'identifier des situations anormales issues des dysfonctionnements. Cette stratégie consiste à générer un premier modèle de référence, sous la forme d'un automate à états finis, du procédé à partir d'un apprentissage, supervisé ou non. Ce modèle est ensuite validé et complété par l'expert. La reconnaissance en ligne permet de suivre l'évolution temporelle des modes de fonctionnement déjà identifiés. Dans le cas où une transition amène à la non-reconnaissance d'un certain nombre d'éléments, c'est-à-dire à la détection d'une déviation par rapport à un comportement connu, l'objectif est de caractériser cette nouvelle situation. Pour cela, nous proposons de faire un nouvel apprentissage hors ligne prenant en compte ces éléments non reconnus. Les nouvelles classes créées permettent, toujours en interaction avec l'expert, de fixer la nature de la déviation observée. Dans le cas d'une défaillance, une analyse portant sur les descripteurs et le profil des classes permet l'isolation de la défaillance. Ces informations sont transmises à l'opérateur pour l'assister dans son diagnostic. Un outil d'aide à la décision pour la surveillance s'appuyant sur cette stratégie a été mis en place. Cet outil appelé SALSA repose sur la méthode LAMDA. Il s'agit d'une méthode de classification avec apprent issage et reconnaissance de formes qui permet l'analyse de données multi-variables et qui utilise des notions de la logique floue pour introduire le concept d'adéquation d'un élément à une classe. Dans le cadre du projet européen CHEM les principaux aspects de nos travaux et les résultats obtenus ont été illustrés sur des unités industrielles de nature différente