Présentation générale et objectifs

Le projet se centre sur le développement de méthodes de type <<traitement de signal>> pour l'observation et l'analyse des systèmes stochastiques; les problèmes sont ici abordés sous les angles, modélisation et identification ainsi que surveillance et diagnostic.

Les applications considérées concernent essentiellement la surveillance de systèmes industriels (maintenance conditionnelle, surveillance de réseaux...), mais également des questions plus traditionnelles en traitement de signal comme l'identification du locuteur ou bien le traitement d'antennes. Les domaines théoriques abordés ont trait aussi bien aux probabilités et statistiques qu'aux systèmes hybrides non-linéaires.

Identification et systèmes adaptatifs.

Les systèmes entrées/sorties linéaires ont été étudiés pendant des décennies et ont des propriétés parfaitements connues, aussi bien en ce qui concerne les systèmes déterministes que les systèmes stochastiques. Leur prédominance ne doit pas faire oublier qu'il est rare qu'un système réel ait un comportement linéaire sur tous ses points de fonctionnement et que les modélisations non-linéaires seront de plus en plus attractives.

Les méthodes les plus répandues actuellement pour l'estimation de relations non-linéaires sont basées sur les techniques de réseaux de neurones, d'ondelettes, ou la logique floue. Les difficultés rencontrées lors de l'utilisation de ces méthodes sont liées à:

l'introduction des connaissances a priori,
l'apprentissage automatique,
la mesure de la qualité de l'approximant.

L'avantage des méthodes statistiques d'ondelettes est d'introduire une démarche rationnelle d'approximation de fonction pour arriver à ces fins.

L'approche par les méthodes issues de la théorie des ensembles flous bénéficie en revanche de leur caractère opérationnel dans de nombreuses situations pratiques, car elles s'avèrent souples et bien acceptées par les utilisateurs.

Ces deux approches sont étudiées dans le projet.

L'étude des systèmes non-invariants dans le temps, conduit à l'utilisation des algorithmes dits adaptatifs. L'approche non-paramétrique sur laquelle nous nous engageons doit pouvoir compléter de manière efficace l'approche paramétrique traditionnelle en augmentant l'autonomie des systèmes.

Une autre forme de non-linéarité est le caractère <<hybride>> d'un système (présence de variables de nature différente, d'échelles de temps distinctes...); par exemple, l'application considérée pour le moment est le filtrage d'alarmes dans les réseaux de télécommunication. Ce point est abordé dans le projet par l'étude d'une forme un peu particulière de réseaux de Petri stochastiques. De nombreux problèmes d'estimation et de filtrage restent ouverts.

Surveillance et diagnostic.

Les travaux concernant la surveillance d'installations industrielles sont étroitement associés aux travaux sur la détection de ruptures de modèles. L'étude des changements dans les modèles dynamiques de signaux et systèmes, avec prise en compte des divers problèmes de détection, estimation et diagnostic de tels changements, intervient dans de nombreux problèmes d'Automatique et de Traitement du Signal: segmentation de signaux et d'images, en vue de la reconnaissance; détection de pannes dans les systèmes, pour de la sûreté de fonctionnement.

L'importance de cette problématique sur le plan industriel tient à ce que, ces dernières années, dans un grand nombre d'applications, est apparue une demande croissante en matière de remplacement des politiques de maintenance systématique par des stratégies de maintenance conditionnelle, basée sur la surveillance en continu de l'évolution du système considéré. Dans ce contexte, nous avons montré qu'une solution possible et fructueuse consiste en la détection précoce de déviations faibles par rapport à une caractérisation du système en fonctionnement usuel (sans excitation artificielle, sans ralentissement ni arrêt de machine). Le projet a ainsi élaboré une démarche générale de surveillance et diagnostic, basée sur la surveillance en continu de l'évolution du système (machine ou structure ou procédé) considéré, afin de prévenir un dysfonctionnement avant qu'il n'arrive. Cette démarche permet, pour une large classe de modèles, la conception systématique des algorithmes de surveillance et diagnostic: notre méthode permet d'associer, à tout algorithme adaptatif d'identification d'un modèle paramétrique, un algorithme de surveillance déclenchant des alarmes ``globales'', de manière précoce si besoin est, et un algorithme de diagnostic fournissant les causes les plus probables de l'alarme globale déclenchée. La méthode de conception repose sur l'approche statistique locale, qui est une étude de sensibilité d'un ``résidu'' vis-à-vis des pannes, relativement aux incertitudes et aux bruits divers.

Précédent : Composition de l'équipe Remonter : Projet SIGMA2, Signaux, Modèles et Suivant : Fondements scientifiques