Une approche d`optimisation pour un problème de

Une approche d’optimisation pour un problème de
classification de défauts dans le cas binaire et multi-classes
Imene Djelloul1, Zaki Sari2 and Mehdi Souier1
1
Université de Tlemcen, Laboratoire de Productique de Tlemcen (MELT), Algérie
[email protected], [email protected]
2
Département de génie industriel de l'Université de l'Economie d'Izmir, 35330 Izmir, Turquie
[email protected]
Mots-clés : Diagnostic, optimisation, algorithmes génétiques.
1
Introduction
Ce travail traite le problème de classification de défauts dans le cas binaire et multi-classes.
L'architecture proposée du système de surveillance intègre un module de détection et un module de
diagnostic afin de surveiller et d’analyser l’état actuel du système pour aider à la prise de décisions
d’actions de maintenance. Le module de diagnostic, quant à lui, permet d’identifier les équipements
en panne à remplacer. Cependant, un ensemble de données avec un grand nombre de règles floues
ne diminuent plus seulement la vitesse d'apprentissage, mais permettent toutefois de confondre le
classifieur à cause des règles inutilisables ou redondantes [1]. Pour traiter ce problème, la méthode
de sélection est proposée pour identifier les règles pertinentes et éliminer les éléments redondants.
Une décision de maintenance devrait alors être prise sur la base de résultat du diagnostic. Dans
notre travail, nous avons utilisé des données qui représentent deux systèmes industriels: le premier
est un processus de pasteurisation de lait et le deuxième est un four rotatif étudié dans [2].
2
Problématique considérée et l’approche proposée
Notre stratégie de diagnostic considère le système à l’arrêt suite à une défaillance, et a pour but
de localiser le composant fautif le plus rapidement possible pour minimiser le coût d’arrêt du
système ou dans certains cas pour éviter un arrêt. Cet état de fait nous a poussé à disposer d’un
outil d’aide au diagnostic fiable, donc comment optimiser le diagnostic pour aider les opérateurs
pour prendre la bonne décision et au bon moment?". C’est dans cet état d’esprit que nous avons
cherché à valider la stratégie de diagnostic que nous avons développée.
Toujours dans le même contexte, l’utilisation d’un grand nombre de règles de production et
l’existence des règles redondantes ou inutiles pour la description d’un système de production,
limitent les performances du système de diagnostic. En réalité, il existe toujours des attributs qui ne
sont pas nécessaires dans la détection de mode de fonctionnement du système étudié. Alors, le but
est de sélectionner les règles jugées appropriées. Par conséquent, pour améliorer la performance du
système de diagnostic et augmenter le taux correct de classification de défauts, nous utilisons
l’algorithme Fuzzy Levenberg-Marquardt optimisé par les algorithmes génétiques pour la
classification de formes. Les limitations, par rapport aux très nombreuses méthodes présentées dans
la littérature, provient essentiellement des contraintes de précision et de vitesse de convergence.
Les critères qui ont guidé notre choix sont essentiellement :
- La complexité de la base de données,
-
La vitesse d’apprentissage (importante pour la mise au point de l’application, notamment la
phase de sélection de règles),
Les performances intrinsèques (pouvoir de généralisation).
2.1 Résolution du problème
La fonction d’observation est construite avec comme finalité l’élaboration du vecteur forme à
partir des mesures et observations réalisées sur le système. La forme ainsi générée est appliquée au
bloc de classification permettant de réaliser son affectation à l’une des classe connues et donc au
mode de fonctionnement correspondant. Ceci n’est possible qu’à la condition de disposer d’une
base de connaissance permettant d’une part, de sélectionner les grandeurs à observer les plus utiles
au diagnostic et d’autre part de structurer les divers modes de fonctionnement en classes. Chaque
classe occupe une zone de l’espace à n dimensions, le problème de classification de défauts vise
alors, connaissant les différentes classes, à déterminer les frontières de séparation entre classes.
Le choix des grandeurs à observer peut être issu directement de la connaissance experte, mais
aussi résulter d’une analyse dysfonctionnelle permettant de définir quelles sont les variables à
surveiller pour une détection et une localisation des défauts les plus critiques. Cette analyse
dysfonctionnelle permet également la détermination d’une base de règles reliant les observations
aux défauts. La base de règles pourra alors être utilisée pour la réalisation du problème de
classification. Notons que dans tous les cas cette analyse est qualitative et repose sur le savoir et
l’expérience d’opérateurs humains ayant une excellente maîtrise du système. Alors, la résolution de
notre problématique se déroule en trois étapes principales :
- La première étape concerne la création d’une base d’apprentissage pour identifier et
caractériser les différents états de fonctionnement du procédé à surveiller.
- La deuxième étape est relative au choix d’un classifieur et à son paramétrage.
- La troisième étape concerne l’utilisation effective du classifieur en phase d’exploitation.
3
Conclusion
Dans ce travail, les résultats obtenus montrent que l’algorithme Fuzzy Levenberg-Marquardt
sans intégration des algorithmes génétiques engendre deux inconvénients majeurs dans la phase de
décision. Le premier inconvénient est que l’observation à discriminer se trouve près d’une frontière
de décision, donc elle est dans le cas d’ambiguïté entre deux ou plusieurs modes de fonctionnement
et son affectation à l’un d’eux engendre un risque de mauvais classement. Le second inconvénient
est que l’observation à discriminer se trouve dans une région de l’espace de représentation éloignée
de tous les modes de fonctionnement définis, donc son affectation à la classe la plus proche
provoque une erreur dans la phase de classification. Pour cela, nous avons exploité les algorithmes
génétiques pour traiter le problème de classification de formes. Une fois que les meilleures règles
sont sélectionnées, le temps d’apprentissage sera diminué et en conséquence l’apprentissage
devient moins coûteux. Comme indiqué à travers de ces résultats, le taux de classification a été
considérablement amélioré, tout en intégrant l’algorithme Fuzzy Levenberg-Marquardt avec
l'algorithme génétique. Il semble alors que certaines règles sont considérées comme inutiles ou
redondantes ayant un impact significatif sur le classifieur.
Références
[1] I. Djelloul, M. Souier, Z. Sari, fault diagnosis problem integrated with condition based
maintenance strategy, Electrotehnica, Electronica, Automatica (EEA), 63(2) (2015) 102-109.
[2] O. Kadri, L. .H. Mouss, M. D. Mouss, Fault diagnosis of rotary kiln using SVM and binary
ACO, Journal of Mechanical Science and Technology,, 26 (2) (2012) 601-608.