Soutenance de thèse de Nesrine KHODJA

Nesrine Keltoum KHODJA Contribution à l’apprentissage de Modèles de Markov Cachés pour l’estimation de l’état de santé d’un système industriel Résumé : (4000 caractères max.) Une bonne politique de maintenance au sein d’une entreprise est un enjeu majeur pour assurer la fiabilité et la sûreté de fonctionnement des outils de production dans différents secteur (l’aéronautique, militaire, nucléaire, etc.). Le travail de recherche présenté dans cette thèse vise à introduire de nouvelles méthodes de diagnostic des défauts des systèmes industriels. Ces défauts sont vu comme une problématique des multi-classes, c’est pour cette raison, nous avons choisi les méthodes orientées données fondées sur la classification et l’identification. Nous avons constaté à travers les recherches bibliographiques que les Modèles de Markov Cachés ont la capacité à modéliser les systèmes complexes. Pour cela, nous avons utilisé ces modèles pour apprendre la signature particulière annonçant l’arrivée prochaine d’une panne. Dans cette thèse, nous allons nous focaliser sur le cas de la mise en compétition de plusieurs modèles qui représentent plusieurs modes défaillance et un seul mode sans défaut. Dans cette thèse, nous souhaitons améliorer l’apprentissage des MMC, donc, nous avons développé une nouvelle stratégie d’apprentissage. Cette stratégie s’inspire des principes de non-occurrence c’est à dire apprendre le contraire d’une forme. Pour améliorer la phase d’apprentissage des problèmes de MMC multi-classes, il est envisagé de considérer les ’non-classes’. Les ’Non-modèles’ seront appris en considérant uniquement les échantillons des autres classes. Deux problématiques ont été posées : Est-ce-que les Non-modèles ont la capacité de reconnaitre les classes ? Est-ce-que la combinaison des Modèles et des Non-modèles améliore l’apprentissage des Modèle de Markov Cachés ? Nous répondons à ces deux problématiques à travers nos protocole et test illustrés dans cette thèse ainsi que l’explication du nouvel algorithme que nous avons développé qui utilise à la fois les informations contenues dans les Modèles et les informations contenues dans les Non-modèles. Enfin nous allons faire une discussion sur les résultats obtenus ainsi qu’une comparaison entre algorithmes d’apprentissage des MMC déjà existants et notre nouvel algorithme. Une comparaison entre algorithmes d’apprentissage des MMC déjà existants et notre et notre nouvel algorithme.