Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

See discussions, stats, and author profiles for this publication at: https://ww

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/333148918 Oral Probatoire Wael JABER - Detection et diagnostic des defaillances des procedes chimiques a l'aide des reseaux neuronaux artiﬁciels v2.0 Technical Report · May 2018 DOI: 10.13140/RG.2.2.24623.38567 CITATIONS 0 READS 270 1 author: Some of the authors of this publication are also working on these related projects: Fault detection and diagnosis of chemical processes using artificial neural networks View project Wael Jaber Conservatoire National des Arts et Métiers 1 PUBLICATION 0 CITATIONS SEE PROFILE All content following this page was uploaded by Wael Jaber on 16 May 2019. The user has requested enhancement of the downloaded file. RAPPORT Présenté en vue d’obtenir L’ÉXAMEN PROBATOIRE En GÉNIE DES PROCÉDÉS Par Wael JABER Détection et diagnostic des défaillances des procédés chimiques à l’aide des réseaux neuronaux artificiels. CONSERVATOIRE NATIONAL DES ARTS ET DES METIERS CENTRE REGIONAL DE BEYROUTH RAPPORT Présenté en vue d’obtenir L’ÉXAMEN PROBATOIRE En GÉNIE DES PROCÉDÉS Par Wael JABER Détection et diagnostic des défaillances des procédés chimiques à l’aide des réseaux neuronaux artificiels. Sommaire i. Liste des figures....................................................................................................................................................................... i ii. Liste des Tableaux .................................................................................................................................................................. ii iii. Abréviations ........................................................................................................................................................................... iii Introduction .................................................................................................................................................... 1 1 Méthodes d’apprentissage automatique ................................................................................................ 2 1.1 Types d’apprentissage ....................................................................................................................................................... 2 1.2 Réseaux neuronaux artificiels (RNA) ................................................................................................................................. 4 1.2.1 Types de RNAs ............................................................................................................................................................... 4 1.2.2 Fonctionnement mathématique d’un RNA ................................................................................................................... 5 1.2.3 Apprentissage des RNA ................................................................................................................................................. 7 1.2.4 Fonctionnement des RNRs .......................................................................................................................................... 10 1.3 Prétraitement des données ............................................................................................................................................. 11 1.4 Critères de sélection des architectures des RNA .............................................................................................................. 12 2 Détection et diagnostique des défaillances ........................................................................................... 14 2.1 Méthodes de détection des défaillances basées sur les données et les signaux ............................................................. 15 2.1.1 La méthode d’analyse en composantes principales (PCA) .......................................................................................... 15 2.1.2 La méthode d’analyse spectrale ................................................................................................................................. 15 2.1.3 Reconnaissance des formes à l’aide d’un RNA............................................................................................................ 15 2.2 Méthodes basées sur un modèle du processus ................................................................................................................ 16 2.3 Méthodes basées sur les systèmes experts ..................................................................................................................... 16 3 Études de cas ........................................................................................................................................ 17 3.1 Diagnostique des défaillances dans le cas d’un régime permanent non contrôlé ........................................................... 17 3.1.1 Principe et méthodologie ............................................................................................................................................ 17 3.1.2 Echantillonnage ........................................................................................................................................................... 18 3.1.3 Choix du modèle ......................................................................................................................................................... 19 3.1.4 Résultats et discussion ................................................................................................................................................ 20 3.2 Détection des défaillances dans le cas d’un régime dynamique contrôlé ....................................................................... 21 3.2.1 Principe et méthodologie ............................................................................................................................................ 21 3.2.2 Echantillonnage ........................................................................................................................................................... 22 3.2.3 Choix du modèle ......................................................................................................................................................... 23 3.2.4 Résultats et discussion ................................................................................................................................................ 24 3.3 Détection des défaillances par reconnaissance des signaux ........................................................................................... 25 3.3.1 Principe et méthodologie ............................................................................................................................................ 25 3.3.2 Echantillonnage ........................................................................................................................................................... 26 3.3.3 Choix du modèle ......................................................................................................................................................... 26 3.3.4 Résultats et discussion ................................................................................................................................................ 27 Conclusion ..................................................................................................................................................... 28 i Wael JABER - Détection et diagnostic des défaillances des procédés chimiques à l’aide des réseaux neuronaux artificiels i. Liste des figures FIGURE 1: TAXONOMIE DES METHODES D'APPRENTISSAGE AUTOMATIQUE .......................................................................................................... 2 FIGURE 2: ILLUSTRATION DU COMPORTEMENT DE CHAQUE METHODE POUR UNE MEME BASE DE DONNEES ................................................................ 2 FIGURE 3: ALGORITHME DES METHODES D’APPRENTISSAGE PAR RENFORCEMENT ................................................................................................. 3 FIGURE 4: ALGORITHME D'APPRENTISSAGE DE RENFORCEMENT PROFOND (DRL) ................................................................................................. 3 FIGURE 5: SCHEMA REPRESENTATIF D’UN NEURONE ET D’UN PERCEPTRON .......................................................................................................... 4 FIGURE 6: SCHEMA REPRESENTATIF D'RNA .................................................................................................................................................. 4 FIGURE 7: TAXONOMIES DES RNA .............................................................................................................................................................. 4 FIGURE 8: EXEMPLE RNA .......................................................................................................................................................................... 5 FIGURE 9: METHODE DU GRADIENT CONJUGUE POUR UN SEUL POIDS « W » (RASCHKA, 2015) .............................................................................. 7 FIGURE 10: GRAPHE TRIDIMENSIONNEL D'UNE FONCTION DE COUT ................................................................................................................... 9 FIGURE 11: COMPARAISON ENTRE VALEURS DES TAUX D'APPRENTISSAGE (RASCHKA, 2015) ................................................................................... 9 FIGURE 12: ARCHITECTURE D'UN RESEAU RNR (RNN) ................................................................................................................................. 10 FIGURE 13: PERFORMANCE PID VS. NNMPC (OTERO, 1998) ...................................................................................................................... 10 FIGURE 14: METHODE ANALYSE EN COMPOSANTES PRINCIPALES (PCA) (POWELL, 2015) .................................................................................. 11 FIGURE 15: EXEMPLE DE SURAPPRENTISSAGE ET DE SOUS-APPRENTISSAGE ........................................................................................................ 12 FIGURE 16: NIVEAUX D'ABSTRACTION VS. NOMBRE DES COUCHES MASQUEES ................................................................................................... 13 FIGURE 17: DETECTION DES DEFAILLANCES A L'AIDE DE LA METHODE PCA (MILJKOVIC, 2011) ............................................................................. 15 FIGURE 18: GENERATION DES RESIDUELLES EN LIGNE (KÖPPEN-SELIGER, FRANK, 1996) (PATAN, 2008, P. 163) .................................................... 16 FIGURE 19: FONCTIONNEMENT D'UNE METHODE BASEE SUR UN MODELE (MILJKOVIC, 2011) .............................................................................. 16 FIGURE 20: DIAGRAMME D’OPERATIONS DISTILLATION FLASH D'ETHANOL ......................................................................................................... 17 FIGURE 21: VARIABLES CIBLES (Y) ............................................................................................................................................................. 18 FIGURE 22: VARIABLES EN ENTREE (X) ....................................................................................................................................................... 18 FIGURE 23: DIAGRAMME DU RNA UTILISE POUR LE DIAGNOSTIC (3, 16, 16, 3) ................................................................................................ 19 FIGURE 24: ECARTS ENTRE VALEURS REELLES ET VALEURS PREDITES AVEC LA PRECISION DU MODELE ....................................................................... 20 FIGURE 25: PREDICTIONS DU MODELE RNA ................................................................................................................................................ 20 FIGURE 26: DIAGRAMME DU PROCEDE DYNAMIQUE ..................................................................................................................................... 21 FIGURE 27: DONNEES DYNAMIQUES NORMALES ET DEFAILLANTES ................................................................................................................... 22 FIGURE 28: DONNEES DYNAMIQUES INJECTEES DANS LE RNA ........................................................................................................................ 22 FIGURE 29: TOPOLOGIE RNA EN REGIME DYNAMIQUE .................................................................................................................................. 23 FIGURE 30: PREDICTIONS DU RNA DE DETECTION DES DEFAILLANCES EN REGIME DYNAMIQUE .............................................................................. 24 FIGURE 31: GRAPHE D'APPRENTISSAGE ET DE VALIDATION DU MODELE ............................................................................................................ 24 FIGURE 32: ARCHITECTURE D'UN AUTO-ENCODEUR (AE) .............................................................................................................................. 25 FIGURE 33: DONNEES UTILISEES DANS LE MODELE AE ................................................................................................................................... 26 FIGURE 34: TOPOLOGIE DE L'AUTO-ENCODEUR UTILISE POUR LA DETECTION DES DEFAILLANCES............................................................................. 26 FIGURE 35: RESULTATS ISSUS DU MODELE AE POUR LE DEBIT ......................................................................................................................... 27 FIGURE 36: RESULTATS ISSUS DU MODELE AE POUR LA TEMPERATURE ............................................................................................................. 27 ii Wael JABER - Détection et diagnostic des défaillances des procédés chimiques à l’aide des réseaux neuronaux artificiels ii. Liste des Tableaux TABLEAU 1: ENTROPIES DES DONNEES CIBLES (Y) ............................................................................................................. 20 TABLEAU 2: HYPER-PARAMETRES RNA DETECTION DE DEFAILLANCE (ETAT DYNAMIQUE) ......................................................... 23 TABLEAU 3: HYPER-PARAMETRES AE ............................................................................................................................. 26 iii Wael JABER - Détection et diagnostic des défaillances des procédés chimiques à l’aide des réseaux neuronaux artificiels iii. Abréviations IA: Intelligence Artificielle PID: Proportionnel - Intégral – Dérivative AA: Apprentissage Automatique ANN: Artificial Neural Network RNA: Réseau Neuronal Artificiel DNN: Deep Neural Nework RNP: Réseaux Neuronaux profonds DRL: Deep Reinforcement Learning ARP: Apprentissage par Renforcement Profond RNN: Recurrent Neural Network RNR: Réseau de Neurones Récurrents SGD: Stochastic Gradient Descent PCA: Principal Component Analaysis NNMPC: Neural Network Model Predictive Control FFT: Fast Fourrier Transform TPOT: Tree-based Pipeline Optimization Tool AE: Auto-Encoders EQM: Erreur quadratique moyenne 1 Wael JABER - Détection et diagnostic des défaillances des procédés chimiques à l’aide des réseaux neuronaux artificiels Introduction De nos jours, les recherches sur l’intelligence artificielle ont repris de la vigueur et ont propulsé cette technologie dans de nombreuses applications modernes allant de l’imagerie médicale aux voitures autonomes. Néanmoins, il existe des domaines scientifiques où cette technologie peut encore apporter des contributions significatives. Parmi ces domaines figure celui du génie chimique où les approches traditionnelles de résolution des problèmes ont souvent leurs limites. Un bon exemple est la modélisation des systèmes hautement complexes et non linéaires telles que les opérations de distillation (Himmelblau, 2000). L’apprentissage automatique, couramment connu sous le nom de ‘Machine Learning’, représente un champ d’étude de l’intelligence artificielle, cette dernière étant une discipline relativement récente, née à l’issu de la conférence de Dartmouth en 1956 organisé par Minsky et McCarthy. L’idée de machines intelligentes a été d’abord proposée en 1950 par Alan Turing dans son célèbre article ‘Computing Machinery And Intelligence’, dans lequel il proposa une approche imitative qu’il appela ‘the imitation game’.(Turing, 1950). En 1958, inspiré par les travaux de McCulloch et Pitts sur le système visuel des grenouilles, Frank Rosenblatt conçu le perceptron. Ce dernier est composé d’éléments ayant des entrées multipliées par des poids et une sortie qui n’est autre que la somme des entrées pondérées. Cependant, il a fallu attendre jusqu’aux années 1980 pour que l’IA arrive à maturité avec la publication de plusieurs travaux sur différents types de réseaux neuronaux et leur application sous forme de systèmes experts conçus pour avoir un rôle consultatif en industrie (Nilsson, 2009). L’une des percées majeures dans le domaine fut l’application de la rétro-propagation, une méthode facilitant le calcul du gradient d’erreur pour chaque neurone dans un réseau, ainsi permettant au réseau d’apprendre (LeCun, 1985). Dans ce qui suit, on propose de traiter le problème de détection et du diagnostic des défaillances d’un procédé chimique à l’aide des techniques d’IA. Le but est de démontrer qu’une telle approche se qualifie par sa versatilité et sa rapidité, sachant que les usines chimiques modernes sont très complexes et que les méthodes classiques de contrôle des procédés s’appuient majoritairement sur les contrôleurs PID qui maintiennent un régime opératoire satisfaisant en compensant les effets des perturbations. Toutefois, il existe des changements qu’un contrôleur classique n’est pas capable de gérer convenablement. Ces changements constituent des déviations irrégulières d’une ou de plusieurs propriétés caractéristiques du système. La cavitation hydraulique, l’empoisonnement des catalyseurs et l’encrassement des échangeurs de chaleur sont quelques exemples de changements de paramètres qui pourraient se manifester (Russell et al. 2012). La détection et le diagnostic précoces et précis des défaillances de ces usines pourront réduire les temps d'arrêt, augmenter la sécurité des opérations et diminuer les coûts de fabrication. 2 Wael JABER - Détection et diagnostic des défaillances des procédés chimiques à l’aide des réseaux neuronaux artificiels 1 Méthodes d’apprentissage automatique L’apprentissage automatique est essentiellement une manière de construire des algorithmes ayant le pouvoir d’apprendre et de s’améliorer avec l’expérience. Ce champ s’appuie sur des concepts de plusieurs domaines tels que uploads/Sante/ oral-probatoire-wael-jaber-detection-et-diagnostic-des-defaillances-des-procedes-chimiques-a-l-x27-aide-des-reseaux-neuronaux-artificiels-v2-0.pdf