Contribution au diagnostic des systèmes automatiques complexes basée sur une approche neuronale en composantes principales non linéaires : application sur un système hydraulique à trois cuves

Abstract

Dans cette thèse, nous avons présenté une extension de l’ACP dans le cas non linéaire par l’utilisation de deux types de réseaux de neurones. Le premier réseau, représenté par la carte d’auto-organisation de Kohonen, sert à extraire les composantes principales, tandis que le deuxième de fonction à base radiale est utilisé pour la reconstruction des données initiales. La connaissance des poids référents de la carte de Kohonen détermine une quantification vectorielle de la projection dans l’espace de dimension réduit. La transformation inverse permettant de calculer l’estimation des données initiales à partir des composantes principales obtenues par la carte de Kohonen se fait par un réseau de neurones de fonction à base radiale. Ce réseau de neurones est utilisé comme outil de modélisation par apprentissage. L’apprentissage est réalisé par des algorithmes d’optimisation dans le but est de minimiser la fonction de coût qui défini l’écart entre les sorties du réseau et les sorties réelles, en modifiant les paramètres d’une manière itérative. Nous avons présenté un algorithme d’optimisation direct et globale, appelé ‘DIRECT’ dans sa forme standard. Cet algorithme est basé sur la division continuelle de l’espace de recherche de la fonction coût. Cette approche neuronale proposée a été utilisée au diagnostic de défauts dans un système à trois réservoirs DTS-200