Conception d'un système de diagnostic adaptatif et prédictif basé sur la méthode Fuzzy Pattern Matching pour la surveillance en ligne des systèmes évolutifs

Sylviane GENTIL, Patrick MILLOT, Didier MAQUIN, Janan ZAYTOONAn industrial process works under two operating states : normal and abnormal one. A set of measurements about these operating states forms the training set, which is divided into classes. Each class is associated with an operating state. The purpose of the diagnosis by pattern recognition is to assign, at each instant, a new measurement to one of the known classes. Fuzzy Pattern Matching (FPM) is a classification method, which uses the fuzzy sets and the possibility theory to take into account the imprecision and the uncertainty of the data. Generally, the number of training samples is not enough to show all the functioning modes of a system. Moreover, predicting the evolution of the functioning mode from normal to abnormal one is useful to avoid the bad consequences. Additionally, in a non-stationary work environment, a classifier must be retrained every time a new sample is classified, to obtain a new knowledge from it. This is an impractical solution since it requires the storage of all available samples and a considerable computation time. The solution is the development of a classifier that is capable to acquire new knowledge from each new classified sample while preserving the current one, this solution is known as incremental learning.The objective of this thesis is to develop FPM to be capable to realize an adaptive and predictive diagnosis in real time and in a non stationary work environment.La supervision automatique des processus industriels permet d'accroître la productivité et de diminuer le coût d'entretien. Le diagnostic est une composante principale d'un module de supervision. Il existe plusieurs approches pour réaliser le diagnostic. Les performances de chaque approche dépendent du problème posé. Nous cherchons une méthode de diagnostic capable de résoudre les problèmes suivants :- dans une base de connaissance incomplète, tous les modes de fonctionnement ne sont pas représentés. En conséquence, un module de diagnostic doit être adaptatif afin d'inclure à sa base de connaissance les nouveaux modes dés qu'ils apparaissent,- lorsque le système évolue vers un mode anormal ou non désiré, il est nécessaire d'anticiper cette évolution plutôt que d'attendre d'arriver à ce mode afin d'éviter ses conséquences surtout s'il est dangereux. Le module de diagnostic doit donc être prédictif,- dans le cas d'un système évolutif, la base de connaissance doit être enrichie grâce à l'information apportée par les nouvelles observations. Cet enrichissement doit être réalisé en temps réel,- les données sont à la fois incertaines et imprécises.L'objectif principal de ma thèse consistait à mettre au point un module de diagnostic en temps réel adaptatif et prédictif pour des systèmes évolutifs, en utilisant les techniques de Reconnaissance des Formes, la théorie des ensembles flous et la théorie des possibilités. Ce module a été appliqué sur plusieurs applications industrielles