ntroduction générale
Certes, l'automatisation des procédés
industriels, de plus en plus complexes, a permis des gains importants en termes
de productivitéet de qualité. Cependant, les systèmes
automatisés de production sont devenus vulnérables
aux défaillances. Une
vulnérabilitéàl'origine de coûts
importants en termes de sécuritépour faire face aux risques
d'accidents,
de pollutions, ... et en termes de disponibilitépour
améliorer la productivité, ... En fait, une défaillance
d'une partie du processus peut endommager tout le système de production
pouvant engendrer des pertes en vies humaines et des dommages sur le plan
économique et écologique. Ainsi, les défaillances plus ou
moins critiques représentent une limite aux bénéfices
résultant de l'automatisation.
Cette situation a justifiéla mise en oeuvre d'une
recherche scientifique ayant pour objectif le développement des
approches fiables de surveillance de systèmes afin de détecter de
façon précise et précoce l'apparition des défauts
et de trouver des solutions adaptées à chaque
procédéindustriel.
Dans la littérature, il existe une multitude de
méthodes pour aborder ce type de
problème, parmi ces méthodes, l'Analyse en
Composantes Principales (ACP), qui a étélargement
utilisée pour la détection et la localisation des défauts
de capteurs. Cette technique est classée parmi les méthodes sans
modèle à priori, le modèle se révèle
àposteriori par la collecte de données recueillies sur
le systéme en fonctionnement normal
sans effectuer une distinction entre ses entrées et ses
sorties.
Son principe consiste à transformer les variables d'un
système en un nombre restreint de nouvelles variables, appelées
composantes principales, via une projection orthogonale exploitant les
combinaisons linéaires ou quasi-linéaires entre les variables
d'origine. Le nouvel espace de repr'sentation réduit est
partitionnéen deux parties, à savoir, l'espace principal et
résiduel, à partir desquels les techniques de détection et
de localisation des défauts sont utilisées pour la surveillance
du processus.
Seulement, la plupart des systémes sont dynamiques et
non linéaires. Ainsi l'application de l'ACP classique n'est pas
trés adaptée à ce type de données, afin de
contourner cette difficulté, plusieurs approches ont
étédéveloppées, l'ACP non linéaire
basée sur les réseaux de neurones (Tan and Mavrovouniotis, 1995),
l'ACP non linéaires avec l'utilisation de la programmation
génétique (Hiden et al. 1999), l'ACP à noyau (Kernel PCA)
(Schokopf et al. 1998). d'autre auteurs y ont contribué, on peut en
citer Jie Yu(2012), Qin et al(2001), Lee et al(2004).
Dans ce travail, nous avons choisi d'exploiter l'ACP à
noyau (kernel PCA), pour aborder la modèlisation et le diagnostic des
défauts dans les applications industrielles qui possèdent un
grand nombre de variables (capteurs/actionneurs) non linéaires. L'ACP
à noyau, a attirél'attention des chercheurs, par sa
capacitéd'extraire la corrélation non linéaire entre les
variables et du fait qu'elle ne fait appel à aucune procédure
d'optimisation pour l'estimation du modèle ACP non linéaire,
comme c'est le cas de l'ACP utilisant les réseaux de neurones. C'est ce
qui conforte notre choix.
2
| 
