L’apprentissage statistique pour le diagnostic de défauts dans un système automatique

Abstract

Dans le cadre général de la surveillance des systèmes, plusieurs méthodes de diagnostic de défauts ont été développées en apprentissage automatique. Ce travail porte sur la détection et la localisation des défauts capteurs et actionneurs dans les processus industriels. Les méthodes d’apprentissage statistique sont utilisées pour le diagnostic de défauts, notamment la méthode KNN (k-plus proches voisins) et les k-moyennes. Le diagnostic de défaut à base de ces approches traditionnelles est assimilé à un problème de classification (en deux classes : normale et anormale), ce qui est limité à des types de défauts spécifiques. Il est à noter qu’une stratégie FDI (Fault Detection and Isolation) complète devrait être divisée en détection de défauts et diagnostic de défauts. La détection de défauts fait référence à la surveillance des anomalies pendant le fonctionnement du système, tandis que le diagnostic de défauts identifie le type et la gravité du défaut après l’étape de la détection. En fait, il est erroné de considérer la stratégie de FDI uniquement du point de vue de la classification. L’objectif de ce travail consiste à faire une combinaison d’une technique d’apprentissage automatique supervisé KNN avec la méthode statistique de l’analyse en composantes principales pour des raison de diagnostic prédictif permettant de meilleure détection et localisation instantanée des éventuelles défaillances.