Modelisation et diagnostic de défauts par l'approche MSPCA .

Voir Plus Voir Moins

Afficher le Résumé

La détection de défauts est devenue de plus en plus importante pour la surveillance des processus à cause de la demande croissante de la haute performance, du gain, ainsi que de la nécessité accrue de la sécurité et de la fiabilité des sytèmes dynamiques. Dans le cadre général de la surveillance des systèmes, l'approche connue de l'Analyse en Composante Principale(ACP) a été choisi. L'ACP a été souvent utilisée pour sa simplicité et sa capacité à. capturer les relations linéaires entre les variables du processus à l'état stationnaire. Cependant cette méthode montre des limitations à traiter les données industrielles qui généralement présentent un caractère non linéaire multi-échelle, impliquant des événements dont le comportement change dans le domaine temporel et fréquentiel. L'approche proposée dans ce travail s'appuie sur la modélisation par ACP non linéaire à. l'aide des réseaux de neurones artificiels (RNAs), pour extraire l'inter-corrélation non linéaire entre les variables et de l'analyse en ondelette pour décomposer chaque signal de capteur en signaux d'approximation et de détails à. différentes échelles. Les contributions de chaque variable pour chaque échelle sont alors collectées dans des matrices séparées. Un modèle ACP non linéaire est construit pour chaque matrice pour extraire la cor rélation non linéaire entre les variables présentes dans chaque échelle. L'approche proposée est appliqué pour la détecion de défauts de paramètres de pollutions affectant la région d ' Annaba. La performance de l'approche proposée est alors illustrées et comparées avec celle de l'ACP linéaire multi-échelles et de l'ACP classique.