Application des modèles de markov cachés dans la classification de défauts de machines tournantes

Abstract

A travers ce mémoire, nous avons éprouvé l'application des modèles de Markov cachés (MMCs), dans la classification des défauts de machines tournantes. Les MMCs constituent un puissant outil de modélisation, qui a fait ses preuves notamment dans le domaine de traitement de la parole, le traitement d’image et l’analyse des séquences biologiques. A Partir d’indicateurs temporels extraits de signaux vibratoires, émis par un réducteur à engrenage (laboratoire CETIM France), nous avons construit des matrices caractérisant chacune d’elles le signal émis pendant la journée considérée, et cela pendant les treize jours de l’épreuve. Une répartition des matrices selon l’évolution de l’état de santé de la machine depuis l’état neuf jusqu'à la défaillance, a été établie sur la base du rapport d’expertise (classification supervisée). Ainsi, chaque état de santé de la machine considérée, a été représenté par une ou un ensemble de atrices. Chacun des états de santé été qualifié par un attribut (observation) selon la norme en vigueur. L’ensemble des observations constitue en même temps l’état observable du MMC considéré. L’état caché du MMC, a été déterminé par une approche probabilistique appelée approche markovienne. Ainsi, chaque état caché a été caractérisé par un MMC. Les MMCs résultants ont été caractérisés individuellement par, un maximum de vraisemblance (max log-vraisemblance), une matrice de probabilité de transition et un vecteur de distribution de probabilité d’état initial ou de départ. Ces paramètres ont été obtenus par un apprentissage selon l’algorithme (procédure) de Baum-Welch. Le système d’implémentation des MMCs et leur traitement informatique, a été conçu sous la forme d’une boite à outil désignée par « HMM-MAG 10 ». Les Résultats obtenus témoignent de la fiabilité et l'efficacité de cette application.