classification non supervisée pour la surveillance d`un système
Transcription
classification non supervisée pour la surveillance d`un système
8e Conférence Internationale de MOdélisation et SIMulation - MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie « Évaluation et optimisation des systèmes innovants de production de biens et de services » CLASSIFICATION NON SUPERVISÉE POUR LA SURVEILLANCE D'UN SYSTÈME AUTOMATIQUE Foued THELJANI (1), Kaouther LAABIDI (1), Salah ZIDI (2), M. KSOURI-LAHMARI (1) [email protected], [email protected], [email protected], [email protected] (1) Unité de Recherche Analyse et Commande des Systèmes (UR-ACS) ENIT, Tunisie BP 37, LE BELVEDERE 1002. (2) Université des Sciences et Technologies de Lille Bâtiment P2, Bureau 305 UFR I.E.E.A. Cité scientifique 59655 Villeneuve d'Ascq Cedex France. RÉSUMÉ : L’accroissement incessant de la complexité des systèmes automatiques a fait en sorte que la tâche de la surveillance devienne de plus en plus moins aisée. De ce fait, les systèmes peuvent fonctionner en plusieurs modes. Certains de ces modes correspondent à un fonctionnement normal et d’autres représentent des modes défaillants. En outre, nous pouvons confronter à des modes inconnus qui n’ont jamais été observés sur le système auparavant (modes imprévisibles). A la vue de ces difficultés, dans cet article, nous nous intéressons à la surveillance des systèmes automatiques où nous proposons une stratégie de suivi des systèmes fondée sur les techniques de la classification de données. Elle s’initialise pour construire une bibliothèque dynamique de modèles en exploitant un algorithme dédié à la classification non supervisée. La stratégie se poursuit par une classification en ligne des données qui se présentent séquentiellement en exploitant une certaine mesure de cohérence, se référant à la bibliothèque préparée auparavant. Un système de régulation de niveau d’eau formé de trois réservoirs communicants a été l’objet de notre application afin de valider la stratégie adoptée. MOTS-CLÉS : Surveillance, diagnostic, classification non supervisée, k-means, algorithme à seuil. 1 INTRODUCTION La sûreté de fonctionnement est un besoin principal dans le milieu industriel. Elle est indispensable pour l’amélioration du fonctionnement de l’ensemble matériel, la sécurité des personnes et la réduction du coût de la maintenance, (Otilia, 2008). En effet, la détection d’un dysfonctionnement contribue à éviter toute dégradation pouvant toucher le système à surveiller et les éléments du milieu voisin (utilisateurs et matériels). Ceci nous amène à parler d’une notion plus générale appelée "surveillance". La surveillance est une discipline inéluctable dans le domaine de la sûreté de fonctionnement. Il se résume en trois phases : détection d’un dysfonctionnement, localisation et reconfiguration, (Verron, 2007). Les systèmes industriels peuvent se comporter selon plusieurs modes de fonctionnement. Certains de ces modes correspondent à un fonctionnement normal et d’autres représentent des modes défaillants. En outre, nous pouvons trouver des modes inconnus qui n’ont jamais été observés sur le système auparavant. Afin de surveiller des tels systèmes, il convient de concevoir un processus de diagnostic admettant les capacités nécessaires pour distinguer le mode de fonctionnement dans lequel le système évolue et susceptible de s’adapter aux situations inconnues a priori (modes imprévisibles). Dans ce contexte, plusieurs approches sont développées pour remédier à cette complexité, (Verron, 2007). Ainsi, nous pouvons les classer comme des méthodes basées sur des modèles analytiques, méthodes relationnelles à base de connaissances et méthodes fondées sur le traitement de données et la Reconnaissance Des Formes (RDF), (Zemouri, 2003). Les méthodes à base de modèles considèrent un modèle exprimé analytiquement par des équations mathématiques qui découlent des lois physiques internes et externes gouvernant le système, (Baikeche, 2007), (Zouari, 2008). Les méthodes relationnelles exploitent les connaissances relatives aux experts pour les transformer en des règles et établir des relations reliant les causes aux effets, (Palau, 1999). Quant aux méthodes à base du traitement des données et la RDF visent à extraire les informations nécessaires caractérisant l’état de processus à partir d’un ensemble de données historiques, (Casimir, 2003), (Gamero & al., 2006). En outre, les techniques de la classification de données ont prouvé une aptitude considérable pour la contribution à la prise de décision, (Zidi, 2006). Elles ont été, ainsi, récemment utilisées au diagnostic et à la surveillance des systèmes automatiques. Dans cet emploi, nous pouvons étaler plusieurs approches. Nous trouvons celles basées sur le diagnostic par le raisonnement avant, reposées sur le calcul de résidus (Aimed, 2007). Cette technique tient à fonder les phases de diagnostic sur des modèles de référence, connus a priori, décrivant les états de fonctionnement normal et défaillant du système. De ce fait, Elle ne considère pas les états inconnus et n’envisage pas l’actualisation des références. Cette limitation ne se présente pas dans d’autres approches, lesquelles reposent sur le concept de degré MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie d'appartenance (adéquation) d'un objet aux classes existantes. Ces méthodes se distinguent aux autres techniques par l’existence d’un engin qui rend compte des adéquations nulles et traite les éléments non reconnus. L’idée primordiale consiste à introduire une classe non informative qui regroupe toutes les ambigüités, (Molina, 2005) ou à considérer chaque objet non classé comme un premier élément constituant une nouvelle classe (Boubacar & al., 2006). De ce point, bien qu’elles génèrent une actualisation récursive des modèles et engendrent un dictionnaire dynamique de références, ces approches se limitent à la phase de la détection des modes inconnus et ne fournissent pas une aide à la localisation. Dans ce papier, nous proposons une approche de diagnostic par l’outil de la classification de données. Un nouveau critère d’adéquation est exploité pour rendre compte des informations inconnues et générer une bibliothèque dynamique. Une aide à l’identification est ainsi rendue possible toute fois qu’une adéquation nulle est obtenue. En effet, la stratégie développée est décrite selon deux étapes selon lesquelles est structuré le papier. La première porte sur l’initialisation d’une bibliothèque contenant des classes de références, à partir d’un registre de mesures prélevé aléatoirement du système. Une version améliorée de l’algorithme k-means type CL (Competitive Learning) dédiée à la classification non supervisée a été utilisée pour accomplir cette tâche. La deuxième étape vise une classification en ligne des exemples qui se présentent séquentiellement. Cette classification se réfère à la bibliothèque préparée auparavant en exploitant une certaine mesure d’adéquation que nous l’appelons le degré de dissemblance D. Nous exposons, à la fin, les résultats de l’expérimentation qui a porté sur un procédé de régulation de niveau d’eau formé de trois réservoirs communicants. Système Mesures et observations La préparation de la bibliothèque se fait hors ligne par l’algorithme de k-means à seuil. Traitement de données Extraction des caractéristiques Détection de changement Bibliothèque Références Comparaison avec les connaissances de la bibliothèque Mode prévisible Décision Identification de mode La classification en ligne des observations se fait en utilisant un critère d’adéquation fondé sur la mesure de distance. Mise à jour de la bibliothèque 2 PRÉPARATION DE LA BIBLIOTHÈQUE La tâche de la surveillance consiste principalement à confronter les données prélevées instantanément à partir du système et exploiter ses manifestations extérieures pour identifier son mode de fonctionnement, (Loures & al., 2006). La classification de ces données suivant leur mode d’appartenance nécessite la construction, a priori, d’une bibliothèque de références. Pour se faire, il convient initialement, à classifier, hors ligne, un ensemble de données sans "labels" dont leurs classes d’appartenance sont inconnues. De ce point, il a paru mieux d’avoir recours aux algorithmes de la classification non supervisée. Nous optons, pour cela, pour l’algorithme k-means type CL. La motivation principale réside dans sa rapidité de convergence et sa simplicité conceptuelle. Par ailleurs, cet algorithme a montré une sensibilité à l’initialisation. Le résultat de la classification peut varier selon la configuration initiale de la distribution des données et le nombre de classes fixées à l’avance, (Fuyuan, 2009), (Pena, 1999). En effet, l’algorithme a été amélioré et doté d’une fonction de seuil, grâce à elle, le nombre de classes n’est pas imposé a priori par l’expert. Au contraire, c’est une pure production de l’algorithme lui-même. Cette fonction est inspirée de certains types d’algorithmes de classification automatique à savoir l’ESOM (Evoling-Self Organazing Map), (Deng & Kasabov, 2002). Le principe, décrit par la figure 2, consiste à définir un seuil minimal ε pouvant séparer deux classes distinctes. L’algorithme à seuil s’initialise avec une première donnée créant le prototype d’une première classe. La procédure commence par une mesure de proximité entre une nouvelle donnée xi et les prototypes wj existants afin de chercher la classe gagnante. Cette proximité est définie par une distance euclidienne incluant le seuil d’appartenance ε fixé à l’avance telle que : w j − xi − ε < 0 (1) Néanmoins, nous pouvons tomber dans un cas où il y a plus qu’une classe gagnante. En conséquence, la donnée sera naturellement affectée à toutes les classes gagnantes ce qui produit un chevauchement. Pour remédier à cette peine, nous affectons la donnée candidate à la classe la plus proche parmi les gagnantes. Ceci se fait à travers une procédure de sélection définie par l’équation : Mode imprévisible w g = arg min w j − xi S.A.D Figure 1 : Schéma explicatif de la méthode adoptée. (2) Nous faisons par la suite une mise à jour itérative après chaque affectation pour calculer le nouveau prototype par une procédure d’adaptation selon l’équation : wk +1 = wk + α ( x i − wk ) (3) MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie - La dissemblance Dj(xt,Cj) correspondante est nulle ce qui satisfait à une cohérence exacte : avec α est le pas de déplacement de prototype. Si une nouvelle donnée n’est assimilée à aucune classe, elle représentera un nouveau prototype constituant une autre classe distincte. L’algorithme se procède par la créer et l’ajouter à la bibliothèque afin de mettre à jour cette dernière. On aboutit à la fin à un partitionnement de k classes tenues par la suite comme des références. card(Πwin)=0 card(Πwin)=1 win card(Π ) >1 Procédure d’adaptation ∆t Mise à jour de la bibliothèque Procédure de sélection Figure 2 : Processus de la classification de l’algorithme k- means à seuil. 3 CLASSIFICATION EN LIGNE 3.1 Principe général La surveillance consiste, essentiellement, à reconnaître le mode de fonctionnement dans lequel le système évolue. Elle tient, en premier lieu, à détecter si un changement de mode est survenu ou non en vérifiant la rupture d’un certain type de cohérence touchant le comportement global du système, (Lopez-Varela, 2007). Puis, elle porte à identifier le nouveau mode de fonctionnement en affectant l’observation courante à l’une des classes existantes dans la bibliothèque où chaque classe désigne un mode bien défini. Cette affectation repose sur l’évaluation itérative d’une adéquation exprimée par une dissemblance Dj(xt,Cj), que nous proposons, entre l’observation candidate xt et les objets d’une classe Cj. Si on est dans le cas de k classes, nous définissons ainsi k mesures Dj(xt,Cj) : D j ( xt , C j ) = 1 n ∑ xt − w j n j =1 (6) - La variation de la dissemblance Dj(xt,Cj) correspondante est décroissante ce qui satisfait à une cohérence accroissante : D j ( xt , C j ) − D j ( xt −1 , C j ) Procédure de création Xt, Xt+1…, Xtmax Mesure de proximité D j (xt , C j ) = 0 <0 (7) Plus formellement, une observation xt qui se présente à l’instant t appartient à une classe j remplissant la formulation suivante : D j ( xt , C j ) = 0 ou D (x ,C ) − D (x ,C ) j t −1 j j t j <0 ∆t (8) Cette formulation donne une mesure fidèle du degré de cohérence entre le comportement observé et le comportement de référence. Elle nous exige, ainsi, de travailler sur un horizon et à mémoriser les états précédents du système. Figure 3 : Illustration du concept de la conservation et de la rupture de la cohérence pour la détection et l’identification. (5) avec j={1,2,…k}, t est l’instant du prélèvement, n est le nombre des observations atteint jusqu’à l’instant t et wj est le prototype représentatif le plus proche appartenant à la classe C j. A l’arrivée de chaque observation, toutes les classes se mettent en compétition pour déterminer son appartenance. La classe gagnante est la classe Cj qui remplit l’une des conditions suivantes : Soit à considérer l’exemple illustré dans la figure cidessus (Figure 3). Nous y exposons la variation de la dissemblance Dj(xt,Cj) (j={1,2}) de deux modes de fonctionnement distincts que nous les appelons "mode 1" et "mode 2". Selon les conditions de la formulation (8), nous constatons qu’entre les itérations 0 et 100 le système fonctionne en "mode 1" dans la mesure où la dissemblance D1(xt,C1) correspondante est nulle (D1(xt,C1)=0) alors que la dissemblance D2(xt,C2) qui MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie correspond au "mode 2" ne l’est pas. Nous pouvons également signaler un changement de mode à partir de l’itération 100 vu que les mêmes conditions ne demeurent pas vérifiées pour "mode 1" alors qu’elles le sont pour le "mode 2" (la variation de D2(xt,C2) est décroissante) . Dans ce cas, on parle d’une rupture de la cohérence contribuant à la détection de changement de mode et à la localisation. 3.2 xt Dissemblance Dj(xt,Cj) Décision Adéquation nulle xt Descripteurs Adéquation non nulle xt1 ............ xti ……….. xtm Cas des modes imprévisibles Le système à surveiller peut fonctionner en modes connus et qui admet des exemples de référence dans la bibliothèque initiale. En outre, il est possible qu’il se décline vers un fonctionnement en mode inconnu qui n’a jamais été observé sur le système auparavant. Nous appelons ce type de modes les modes imprévisibles. La détection de cette manifestation se fait lorsqu’une nouvelle observation, lors de la recherche de son appartenance, n’est affectée à aucune classe parmi les classes existantes. Ceci est interprété lorsque les conditions étalées dans la formulation (8) ne sont pas vérifiées dans un aucun cas. On la considère, alors, comme une adéquation nulle. En revanche, l’observation constituera une nouvelle classe désignant un nouveau mode distinct. Nous considérons les pannes multiples de notre système comme étant des modes imprévisibles. Pour les identifier, nous proposons une méthode inspirée de la technique LAMDA (Learning Algorithm for Multivariate Data Analysis) et adaptée selon nos exigences. Etant que le vecteur d’observation xt est formé d’un ensemble de descripteurs ( xt1 , xt2 ,....xtm ) , l’idée Dissemblance 1 i DM j ( xtm , C j ) marginale DM j ( xt , C j ) DM j ( xt , C j ∑ Aide à la décision Figure 4 : Processus de l’aide à l’identification pour les modes imprévisibles. En évaluant le degré de la dissemblance marginale DM j ( xti , C j ) , nous pouvons fournir une aide à la décision contribuant à l’identification de mode de fonctionnement du système. En effet, le mode de fonctionnement envisageable est une association modérée des modes dont la dissemblance DM j ( xti , C j ) consiste à définir une mesure de dissemblance marginale qu’on la note DM j ( xti , C j ) entre le descripteur xti de correspondante, remplit les conditions retracées dans (8). l’observation candidate xt et les objets d’une classe Cj. 4 APPLICATION 4.1 Description du procédé pilote DM j ( xti , C j ) = 1 n i ∑ xt − w j n j =1 (9) avec i={1,2,…m}, m est la dimension du vecteur d’observation et n est le nombre des observations atteint jusqu’à l’instant t. De même, la méthode se poursuit en évaluant le degré de la dissemblance marginale de chaque descripteur singulièrement. En effet, nous considérons uniquement les descripteurs xti dont leur dissemblance marginale correspondante DM j ( xti , C j ) est nulle ou se décroit progressivement conformément aux conditions de la formulation (8). L’aide à l’identification est fournie en fonction de tout l’ensemble des évaluations réalisées sur les descripteurs considérés. Le procédé considéré est un système de régulation de niveau d’eau formé de trois réservoirs communicants que nous appellerons R1, R2 et R3 et qui ont une hauteur maximale identique Hmax. Les réservoirs de l’extrémité R1 et R3 admettent une section identique S (S= S1= S3). Ils sont connectés au réservoir R2, d’une section S2>S, par l’intermédiaire de deux électrovannes V12 et V23 de type " TOR". Il est associé au chacun des réservoirs R2 et R3 deux électrovannes de vidange V1 et V2. Le remplissage de l’eau est assuré par deux pompes P1 et P2 au niveau de réservoirs 1 et 2. Soit à considérer : - Q1 : le débit de remplissage de la pompe P1, - Q2 : le débit de remplissage de la pompe P2, - qf1, qf2 et qf3 : les débits de transfert associés, respectivement, aux électrovannes V1, V2 et V3, - q12 et q23 : les débits de transfert associés, respectivement, aux électrovannes V12 et V23. MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Trois capteurs ultrasons sont placés au sommet de chaque réservoir pour prélever les niveaux d’eau H1, H2 et H3. aussi d’un ensemble de 2400 échantillons pris aléatoirement à partir de procédé. Chaque échantillon est un vecteur d’observation formé de trois descripteurs xt = ( xt1 , xt2 , xt3 ) . xt1 : Le niveau d’eau dans le réservoir 1, xt2 : Le niveau d’eau dans le réservoir 2, xt3 : Le niveau d’eau dans le réservoir 3. La distance entre les points est la distance euclidienne, elle déduite de la façon suivante : 2 d ( xt , w j ) = xt − w j = [∑ ( xtk − wkj ) ]1/ 2 3 (10) k =1 avec w j ( w1j , w2j , w3j ) le prototype condidat d ' une classe Cj. Figure 5 : Système de régulation de niveau d’eau. Le mode de fonctionnement normal de ce système est établi lorsque toutes les électrovannes sont ouvertes et les deux pompes sont fonctionnelles. Néanmoins, plusieurs pannes élémentaires peuvent être survenues. Nous traiterons dans la suite le fonctionnement normal et les pannes élémentaires envisageables comme étant des modes de fonctionnements distincts : Mode 1 Mode 2 Mode 3 Mode 4 l’arrêt de la pompe P1 et P2 fonctionnement normal L’électrovanne V2 est fermée L’électrovanne V23 est fermée Mode 5 Mode 6 L’électrovanne V12 est fermée L’électrovanne V1 est fermée Tableau 1: Modes de fonctionnement et pannes envisageables. Ainsi, nous appellerons un mode imprévisible toute panne multiple qui correspond à une association de deux pannes élémentaires. 4.2 Figure 6 : Préparation de la bibliothèque de références. Six classes sont considérées dont chacune représente un mode de fonctionnement singulier. L’ensemble de ces classes sont mis dans une bibliothèque employée par la suite pour faire la classification en ligne des nouvelles observations. 4.2.2 Classification en ligne Considérons le tableau (1) illustrant le mode de fonctionnement et l’ensemble des pannes possibles. Simulation 4.2.1 Préparation de la bibliothèque Pour construire une bibliothèque primitive, nous nous profitons de la proximité qui existe entre les points appartenant naturellement à la même classe. De cet aperçu vient l’idée d’utiliser l’algorithme à seuil, fondé sur la notion de voisinage. Comme initialisation de l’algorithme, nous considérons : - Un seuil ε = 5,0001, - Un pas de déplacement de prototype α = 1. La valeur du seuil ε est fixée d’une façon empirique après des essais d’épreuve permettant de retenir la bonne valeur reproduisant la partition optimale. Nous disposons Figure 7 : Réponse du système lors d’un passage du mode normal à un mode défaillant. MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Afin de prouver l’affinité de la méthode adoptée décrite auparavant et sa contribution à la détection et à l’identification de mode de fonctionnement, nous proposons de simuler le système pendant un intervalle de temps au cours duquel il y a un passage d’un mode à un autre à l’itération 100 (changement de mode) comme le montre la figure ci-dessus (Figure 7). Figure 9 : Comportement du système lors d’un changement de mode (cas de mode imprévisible). Considérons la dynamique illustrée par la figure 9 qui décrit le comportement du système lors d’une panne multiple à partir de l’itération 150, sous l’hypothèse que cette panne est considérée imprévisible. Figure 8 : Détection de changement de mode et identification des modes prévisibles par le suivi de la variation de Dj(xt,Cj). On désigne par Dj(xt,Cj) le degré de la dissemblance entre le comportement du système à l’instant t et la classe Cj. En évaluant itérativement l’énergie Dj(xt,Cj) associée à chaque mode, il est possible de faire les constatations nécessaires sur l’état de processus et sur son mode de fonctionnement. En effet, nous percevons à partir de la figure 8 que le système, entre les itérations 0 et 100, fonctionne en mode 2 puisque l’énergie D2(xt,C2)=0. Nous constatons aussi qu’il y a un changement de mode à partir de l’itération 100 et le système tend vers un fonctionnement en mode 5 vu que le degré de la dissemblance D5(xt,C5) se décroit progressivement conformément aux conditions de la formulation (8). Comme il est paru dans la figure ci-dessous (figure 10), entre les itérations 0 et 150, le mode de fonctionnement du système est le mode 2 qui correspond au mode de fonctionnement normal. Ceci est interprété dans la mesure où D2(xt,C2)=0. En outre, à partir de l’instant t=150, nous constatons aisément qu’un changement de mode a eu lieu. Ainsi, le système se dévie vers un état de fonctionnement en mode imprévisible puisque aucune mesure de la dissemblance Dj(xt,Cj) remplit l’une des conditions de la formulation (8) à partir de cet instant. Il s’agit, donc, d’une adéquation nulle. Ainsi, il est intuitif d’indiquer que d’autres pannes peuvent se manifester en combinant les pannes élémentaires citées précédemment. Nous appellerons ces pannes "les pannes multiples" et nous les traiterons dans la suite comme des modes imprévisibles de fonctionnement. Figure 10 : Détection de changement de mode et identification (cas d’un mode imprévisible). MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Afin de fournir une aide contribuant à identifier le nouveau mode, nous calculons itérativement le degré de dissemblance marginale DM j ( xti , C j ) de chaque i descripteur xt selon le principe décrit dans le paragraphe (3.2). Pour être sûr de l’état de fonctionnement du système, aucune décision ne sera prise qu’après l’écoulement d’une temporisation. Le jugement final sera fondé sur l’ensemble de toutes les détections durant cette période en favorisant la détection qui s’est répétée la plus souvent. C’est une technique de confirmation de pannes qui se fait par une répétition de la détection dans un intervalle de temps. Elle permet de ne pas prendre en compte aucune décision qu’après une certaine durée. CONCLUSION Figure 11 : Variation de degré de la dissemblance associée au mode 4. A partir des résultats de simulation donnée par la figure 11, nous constatons qu’à partir de l’itération 150, le degré de dissemblance entre la classe 4 (mode4) et le troisième descripteur xt3 se décroit progressivement. Ceci signifie que le comportement réel du système est partiellement cohérent à celui du mode 4. Dans ce travail, nous avons proposé une stratégie pour le diagnostic et la surveillance en ligne des systèmes automatiques. Une méthodologie complète est suivie pour accomplir ce travail qui se repose sur deux étapes. La première consiste à la construction d’une bibliothèque initiale de références représentant les modes de fonctionnement normaux et défaillants. Afin de générer les meilleurs résultats, nous avons utilisé un algorithme dédié à la classification non supervisée et amélioré afin d’aboutir à un partitionnement optimal de classes. La deuxième étape consiste à identifier en ligne le mode de fonctionnement du système en se référant sur la bibliothèque préparée avant. Ceci est achevé en employant un critère d’adéquation reposé sur la mesure de degré de la dissemblance entre l’observation agrégat et les objets de chaque classe présente. Ce critère tient compte des informations inconnues et des adéquations nulles qui peuvent être rencontrées. De ce fait, nous aboutissons à la création d’une bibliothèque dynamique permettant d’y ajouter tout nouveau mode non reconnu auparavant, Nous avons, ainsi, introduit une approche conduisant à fournir une aide pour l’identification et la localisation de ce type de modes par le suivi d’une adéquation marginale proposée. RÉFÉRENCES Aimed, 2007. Diagnostic des systèmes hybrides : développement d’une méthode associant la détection par classification et la simulation dynamique. Thèse de Doctorat, INSA Toulouse, France. Baikeche, 2007. Diagnostic des systèmes linéaires en boucle fermée. Thèse de Doctorat, Institut National Polytechnique de Lorraine, France. Figure 12 : Variation de degré de la dissemblance associée au mode 5. D’une manière analogue, nous constatons ainsi à partir de la figure 12 que le comportement observé et partiellement similaire à celui d mode 5. En effet, une aide à la décision est fournie le fait que le système évolue selon un nouveau mode résultant de l’association du mode 4 et mode 5 vue que son comportement semble proche à celui associé à ces deux modes. Boubacar, G. Mercere, S. Lecoeuche, 2006. Suivi de Systèmes Non-stationnaires basé sur une approche de Reconnaissance des Formes. Conférence Internationale Francophone d'Automatique (CIFA06, ed.). Bordeaux, France. Boubou, 2007. Contribution aux méthodes de classification non supervisée via des approches pré topologiques et d’agrégation d’opinions. Thèse de Doctorat, Université Claude-Bernard Lyon I, France. MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Casimir, 2003. Diagnostic des défauts des machines asynchrones par reconnaissance des formes. Thèse de Doctorat, Ecole Centrale de Lyon, France. Deng D. and N. Kasabov, 2002. On-line pattern analysis by Evolving Self-Organizing Maps", Science Direct, Neurocomputing, p. 87-103. Fuyuan Cao, J. Liang and G. Juang, 2009. An initialisation method for the K-Means algorithm using neighbourhood model. Science Direct, Computers & Mathematics with Applications, Vol. 58, Issue 3, p. 474-483. Gamero Fco-I, J. Colomer, J. Melendez and P. Warren, 2005. Predicting aerodynamic instabilities in a blast furnace. Science Direct Engineering Applications of Artificial Intelligence, p.103–111. Lopez-Varela C-G, 2007. Détection et diagnostic basés cohérence pour les systèmes à événements discrets : vers la prise en compte des erreurs de modélisation. Thèse de Doctorat, Université de Toulouse, France. Loures E-R, Paula M.A.B, Pascal J.-C, 2006. Maintenance integration in a control-monitoring architecture based on Petri net with objects. Application to a flexible manufacturing system. Emerging Technologies and Factory Automation ETFA '06. IEEE Conference, p. 929-936. Prague. Molina A-O, 2005. Méthodologies pour le placement des capteurs à base de méthode de classification en vue de diagnostic. Thèse de Doctorat, INSA Toulouse, France. Otilia E-V, 2008. Contribution au pronostic de défaillances par réseau neuro-flou : maîtrise de l’erreur de prédiction. Thèse de Doctorat, L’UFR des sciences et techniques, Université de FrancheComté, France. Palau A., E. Velo and L. Puigjaner. 1999. Use of neural networks and experts systems to control a gas/solid sorption chilling machine. International Journal of refrigeration, Vol. 22, Issue 1, p. 59-66. Pena J-M, J.A Lozano and P. Larranaga, 1999. An empirical comparison of four initialization methods for the K-Means algorithm. Science directe, Pattern Recognition Letters, Vol. 20, Issue 10, p. 10271040. Verron, 2007. Diagnostic et surveillance des processus complexes par réseaux de neurones bayésiennes. Thèse de Doctorat, Université d’Angers, France. Zemouri M-R, 2003. Contribution à la surveillance des systèmes de production à l’aide des réseaux de neurones dynamiques : Application à la emaintenance. Thèse de Doctorat, L’UFR des sciences et techniques, Université de FrancheComté, France. Zidi, S. Maouche et S. Hammadi, 2006. Nouvelle approche pour la régulation des réseaux de transport multimodal. MOSIM’06, Modélisation, Optimisation et Simulation des systèmes : Défis et opportunités, Maroc. Zouari, K. Laabidi and M. Ksouri, 2008. Multimodel approach applied for failure diagnosis. International Journal of Sciences and Techniques of Automatic control & computer engineering IJ-STA, Vol. 2, No. 1, p. 500-515.