Année 2003 THESE Présentée à L’UNIVERSITE PARIS XII VAL DE MARNE – CRETEIL En v

Année 2003 THESE Présentée à L’UNIVERSITE PARIS XII VAL DE MARNE – CRETEIL En vue de l’obtention du titre de Docteur de l’Université Spécialité Génie Informatique, Automatique et Traitement du Signal par Anne-Sophie BELLANGER-DUJARDIN CONTRIBUTION A L’ETUDE DE STRUCTURES NEURONALES POUR LA CLASSIFICATION DE SIGNATURES : APPLICATION AU DIAGNOSTIC DE PANNES DES SYSTEMES INDUSTRIELS ET A L’AIDE AU DIAGNOSTIC MEDICAL Soutenue le ?? devant la Commission d’Examen : Mme V. AMARGER M. G. BLOCH M. H. COUSILLAS M. H. MAAREF M. K. MADANI M. G. ZWINGELSTEIN MCF Professeur MCF Professeur Professeur Professeur Associé/EDF Examinatrice Rapporteur Rapporteur Rapporteur Examinateur Examinateur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…………………………………………………………………….…...2 SOMMAIRE……………………………………………………………………………..……3 INTRODUCTION…………………………………………………………………………….6 CHAPITRE I. DIAGNOSTIC ET RESEAUX DE NEURONES ARTIFICIELS ...........12 I.1. Introduction ............................................................................................................13 I.2. Les Réseaux de Neurones Artificiels ......................................................................16 I.2.1. Réseaux de neurones artificiels et diagnostic ......................................................16 I.2.2. Le perceptron .....................................................................................................18 I.2.3. Le réseau Learning Vector Quantization.............................................................22 I.2.4. Le réseau Radial Basis Function.........................................................................26 I.3. Approche neuronale hybride..................................................................................31 I.3.1. Généralités .........................................................................................................31 I.3.2. Informations d'entrée et étape de prétraitement...................................................31 I.3.3. Les agents neuronaux .........................................................................................35 I.3.4. L'étape de décision .............................................................................................35 I.4. Conclusion...............................................................................................................36 CHAPITRE II. APPROCHES NEURONALES SIMPLES POUR L’AIDE AU DIAGNOSTIC ET LEUR EVALUATION EXPERIMENTALE ....................................39 II.1. Introduction ............................................................................................................40 II.2. Volet Biomédical : Les Potentiels Evoqués Auditifs ..............................................41 II.2.1. Présentation........................................................................................................41 II.2.2. Mise en œuvre clinique et construction de la base de données ............................44 II.2.3. Résultats.............................................................................................................47 II.2.3.1. Application d'une technique conventionnelle : Modélisation AR des signaux PEA ..........................................................................................................47 II.2.3.1.1. Première approche......................................................................48 II.2.3.1.2. Seconde Approche......................................................................50 II.2.3.2. Aide au diagnostic par techniques neuronales...................................................51 II.2.3.2.1. Réseau Learning Vector Quantization.........................................52 II.2.3.2.2. Réseau Radial Basis Function.....................................................54 II.3. Volet Industriel : Diagnostic de défaillances d’un moteur asynchrone ................57 II.3.1. Introduction........................................................................................................57 II.3.2. Construction de la base de données.....................................................................58 II.3.3. Aide au diagnostic par techniques neuronales.....................................................62 II.3.3.1. Exploitation de la base de données 1 ................................................................62 II.3.3.1.1. Réseau Learning Vector Quantization.........................................62 II.3.3.1.2. Réseau Radial Basis Function.....................................................63 II.3.3.2. Exploitation de la base de données 2 – Réseau RBF.........................................65 II.3.3.2.1. Optimisation de la structure du réseau.........................................65 II.3.3.2.2. Résultats obtenus........................................................................66 II.3.3.3. Exploitation de la base de données 3 ................................................................67 II.3.3.3.1. Réseau Learning Vector Quantization.........................................67 II.3.3.3.2. Réseau Radial Basis Function.....................................................68 II.3.3.4. Détection de l'apparition d'un défaut de roulement progressif...........................70 II.3.3.4.1. Réseau Learning Vector Quantization.........................................71 II.3.3.4.2. Réseau Radial Basis Function.....................................................71 II.4. Conclusion...............................................................................................................73 CHAPITRE III. VERS DES TECHNIQUES NEURONALES HYBRIDES ...................76 III.1. Introduction ............................................................................................................77 III.2. Validation de la structure neuronale hybride proposée : Application au problème d'aide au diagnostic biomédical .........................................................................................78 III.2.1. Structures n'impliquant qu'un seul agent neuronal...............................................79 III.2.1.1. Structures hybrides RNA/Seuillage..................................................................79 III.2.1.1.1. Structure hybride LVQ/Seuillage...............................................80 III.2.1.1.2. Structure hybride RBF/Seuillage ...............................................81 III.2.1.2. Structures hybrides RNA/Module de décision neuronal....................................83 III.2.1.2.1. Structure hybride RBF/(LVQ+Seuillage)...................................83 III.2.1.2.2. Structure hybride RBF/(BP+Seuillage)......................................88 III.2.2. Structure hybride impliquant 2 agents neuronaux ...............................................93 III.3. Validation de la structure neuronale hybride proposée :Application au problème d'aide au diagnostic industriel ...........................................................................................98 III.3.1. Structure Hybride RBF/LVQ..............................................................................97 III.3.1.1. Application de la structure hybride RBF/LVQ : exploitation de la base de données 2 ........................................................................................................98 III.3.1.2. Application de la structure hybride RBF/LVQ : exploitation de la base de données 3 ........................................................................................................99 III.3.1.3. Application de la structure hybride RBF/LVQ : Détection de l'apparition d'un défaut progressif ......................................................................................................101 III.3.2. Structure Hybride RBF/BP...............................................................................102 III.3.2.1. Application de la structure hybride RBF/BP : exploitation de la base de données 2 ......................................................................................................103 III.3.2.2. Application de la structure hybride RBF/BP : exploitation de la base de données 3 ......................................................................................................104 III.3.2.3. Application de la structure hybride RBF/LVQ : Détection de l'apparition d'un défaut progressif ......................................................................................................105 III.4. Conclusion.............................................................................................................107 CONCLUSION….………………………………………………………………………….112 BIBLIOGRAPHIE…………………………………………………………………………118 ANNEXE 1 : Les fondements biologiques des réseaux de neurones artificiels..……….123 ANNEXE 2 : Ecoulements diphasiques : Problème du Taux de Vide………………….132 ANNEXE 3 : L'appareil auditif………………………………………...…………………145    7 Le problème du diagnostic se rencontre dans de nombreux domaines, notamment dans le domaine médical et le domaine industriel. Pour le diagnostic médical, l'objectif est de déterminer une maladie à partir de symptômes, et de résultats d'examens. Le diagnostic industriel, quant à lui, consiste à trouver la cause d'une défaillance. Dans l'un et l'autre des cas, l'objectif est de parvenir à une solution destinée à assurer le bon fonctionnement du système surveillé – être humain dans le cas médical et système de production – dans le cas industriel. Dans le domaine industriel, la production est caractérisée par une complexité croissante qui s'explique par la considération de contraintes à respecter. D'un point de vue économique, par exemple, ces contraintes concernent l'obligation de rendement et surtout de diminution des coûts en raison du contexte de plus en plus concurrentiel dans lequel les entreprises évoluent. D'un point de vue technique, les contraintes portent sur le développement des technologies, de l'informatisation et de l'automatisation. Enfin, il ne faut pas oublier la nécessité d'assurer la sécurité des hommes qui assurent cette production. Cette complexité se traduit par la présence inévitable d'aléas de fonctionnement, qu'il sera alors nécessaire de détecter et corriger le plus rapidement possible. Ces aléas se traduisent par la présence d'écarts entre production réelle et production prévue. Ces aléas sont indéniablement néfastes. Le diagnostic doit alors permettre de préserver la sécurité des hommes, et d'éviter la détérioration des matériels. Mais, il doit aussi permettre de réduire les coûts financiers qui pourraient immanquablement découler d'une avarie sur le système de production, et ainsi de maintenir la compétitivité de l'industrie sur son marché. Pour cela, il est nécessaire de mettre en place un dispositif de surveillance permettant d'avoir une représentation de l'état de l'outil de fonctionnement. Un certain nombre de capteurs donneront alors les informations nécessaires (données, images, signal) pour caractériser l'état du système. La surveillance des 8 systèmes se décompose en trois fonctions : la détection d’une défaillance, qui consiste à reconnaître une déviation par rapport au fonctionnement attendu, la localisation d’une faute, qui consiste à déterminer la région physique du système dans lequel la défaillance s’est produite et enfin, le diagnostic qui permet de déterminer précisément l’origine de la défaillance détectée. Concernant le domaine médical, l'enjeu est un peu différent, puisque ici, le système considéré est l'être humain, dont la complexité est immense. L'objectif du diagnostic est ici, de déterminer une maladie à partir de symptômes et de résultats d'examens complémentaires, afin de proposer le traitement adéquat mais aussi, dans certains cas tels que les problèmes psychologiques ou psychiatriques, de trouver les causes des troubles. La contrainte majeure est de préserver la santé physique et morale du patient. Pour cela, les médecins disposent, à l'heure actuelle, de techniques à la pointe de l'évolution technologique qui leur permettent d'obtenir des données, des images, des signaux pour établir leur diagnostic. Le médecin visualise alors les résultats de ces divers examens pour établir son diagnostic. En effet, les médecins ne disposent pas d'outils permettant une aide au diagnostic. Mais, ne pourrait-on pas développer des techniques d'analyse de ces informations pour réaliser un outil d'aide au diagnostic?   Les systèmes de production dans le milieu industriel sont de plus en plus automatisés, c'est-à-dire que l'homme est remplacé dans ses tâches répétitives par des systèmes automatiques. La première conséquence de cette uploads/Ingenierie_Lourd/ diagnostic-de-panne.pdf

Tags
Ingénierie réseau neurones classe structure classification
Documents similaires
  • 27
  • 0
  • 0
Afficher les détails des licences
Licence et utilisation
Gratuit pour un usage personnel Attribution requise
Partager