Diagnostic des défaillances dans les systèmes industriels

Abstract

Le présent travail a pour but de monter l'utilisation des réseaux de neurones artificiels de type PMC dans le domaine de la surveillance des systèmes industriels complexes au temps réel. cette étude est décomposée en deux parties principales : dans la première partie nous avons proposé des configurations neuronales optimales pour la détection et la localisation des défaillances FDI dans les turbine à vapeur.les entrées du réseau sont les valeurs numériques obtenues à partir des capteurs de surveillance placés dans les différents points de la turbine à vapeurs, les sorties du réseau représentent le mode de fonctionnement et les points défaillants de la turbine dans le cas d'une anomalie. dans la deuxième partie, nous avons proposé une approche simple, pour les développement d'un système de diagnostic, basée sur la combinaison entre les méthodes déterministes des arbres de défaillances et la méthode des réseau de neurones artificiels. Dans ce cas, le réseau de neurone possède deux types de données fixe obtenues à partir des arbres de défaillances et des données variables obtenues à partir des capteurs de surveillance pour sélectionner, à la sortie du réseau, la cause probable d'une défaillance