Moamar SAYED MOUCHAWEH

Le diagnostic est une composante principale dun module de supervision. Il consiste dterminer chaque instant le mode de fonctionnement dans lequel le systme se trouve. Il sappuie sur une connaissance a priori des modes de fonctionnement et sur une connaissance instantane matrialise par une nouvelle observation de ltat du systme. Il existe plusieurs approches pour raliser le diagnostic, le choix dune approche est li au mode de reprsentation de la connaissance. Lorsque cette connaissance est de type numrique, issue de capteurs, et lorsquon ne peut pas construire un modle analytique du systme, lapproche par Reconnaissance des Formes (RdF) est particulirement adapte. La RdF se base sur la classification des formes en les comparant des formes types. Une forme est lobservation du fonctionnement du processus, reprsente par un point dans un espace a paramtres appel lespace de reprsentation. Les formes types sont les modes de fonctionnement reprsents par des ensembles de points occupant des zones restreintes de lespace de reprsentation appelles classes. Lapplication de la RdF se heurte souvent aux problmes suivants : - dans une base de connaissance incomplte, tous les modes de fonctionnement ne sont pas reprsents. En consquence, un module de diagnostic doit tre adaptatif afin dinclure sa base de connaissance les nouveaux modes ds quils apparaissent, - lorsque le systme volue vers un mode anormal, il est ncessaire danticiper cette volution plutt que dattendre darriver ce mode afin dviter ses consquences surtout sil est dangereux. En consquence le module de diagnostic doit tre prdictif, - dans le cas dun systme volutif, la base de connaissance doit tre enrichie grce linformation apporte par les nouvelles observations. Cet enrichissement doit tre ralis en temps rel. Le diagnostic par RdF est ralis en utilisant une mthode de classification qui associe une nouvelle observation une classe correspondant un mode de fonctionnement. Nous nous sommes intress aux mthodes de classification non-paramtrique, plus adaptes aux cas industriels, pour lesquelles la densit de probabilit est compltement inconnue. Nous avons choisi la mthode de classification Fuzzy Pattern Matching (FPM) pour les raisons suivantes : - elle est simple appliquer, - le temps de calcul pour la classification dune nouvelle observation est faible et indpendant de la taille de lensemble dapprentissage, - elle est capable de traiter des donnes qui sont la fois incertaines et imprcises. Cependant cette mthode, de part son principe, nest ni prdictive ni adaptative et ncessite la dtermination, par lutilisateur, de plusieurs paramtres qui influencent fortement ses performances. De plus, ses performances se dgradent dans le cas du bruit reprsent par des points aberrants et dans le cas des classes de forme non sphrique. Lobjectif principal de cette thse consiste remdier ces inconvnients afin que FPM soit apte tre utilise dans un module de diagnostic en temps rel adaptatif et prdictif pour des systmes volutifs.