Etude comparative de deux méthodes d’optimisation d’un système de classification des défauts mécaniques par la logique floue

Abstract

La logique floue, par sa caractéristique principale de simulation du raisonnement humain, est classée parmi les techniques de l’intelligence artificielle. Cette technique permet de modéliser, puis de remplacer l’expertise de surveillance et de conduite du processus provenant du concepteur ou de l’utilisateur. La logique floue a contribué dans le développement de plusieurs domaines. En maintenance industrielle, la logique floue est utilisée pour résoudre les problèmes du diagnostic par la classification automatique des signaux vibratoires correspondant aux différents modes de fonctionnement des machines. La technique de la logique floue(LF) souffre d’un ensemble d’inconvénients en phase de modélisation à l’aide des modèles à inférence floue à plusieurs niveaux(le choix et le nombre des variables d’entrée, le choix et le nombre des fonctions d’appartenance, la génération des règles, la méthode de défuzzification, etc). Pour surmonter ces inconvénients, on procède à une optimisation du système flou de diagnostic. L’objectif de ce travail porte sur l'optimisation d’un système de diagnostic de défauts de roulements à base de la logique floue (système à inférence floue(SIF)). Pour cette raison, nous avons choisi une méthodologie basée sur trois étapes: la première étape consiste à classer les différents défauts à l'aide d'un système initial à inférence floue(SIF), dont les variables d’entrée sont sélectionnées de manière aléatoire à partir d’un ensemble d’indicateurs préparé suite à une étude préalable de l'ensemble des signaux enregistrés à partir du système étudié. Pour des fins d’optimisation, et lors de la deuxième étape, on a procédé à une optimisation qui affecte la structure du système et plus particulièrement ses entrées (optimisation structurelle), en sélectionnant parmi l’ensemble des indicateurs ceux en mesure de séparer nettement les différentes classes de défauts étudiés. Les indicateurs sélectionnés sont utilisés ensuite comme nouvelles entrées du système de diagnostic spécial lors de cette deuxième étape, On dit alors que la structure du système de diagnostic a été optimisée. La méthode utilisée pour la sélection automatique des indicateurs est le critère de Fischer. Dans la troisième et dernière étape, et toujours dans le but d’optimiser le système de diagnostic (système à inférence floue (SIF)), et contrairement à l’étape précédente, le changement affecte cette fois les paramètres du système (optimisation paramétrique), en utilisant un système neuro-flou appelé ANFIS(ANFIS : Adaptive Neuro- Fuzzy Inference System). Ce système intégré, qui combine les avantages des deux techniques , la logiqueii floue(LF) et les réseaux de neurones(RN), ajuste les différents paramètres des fonctions d’appartenance associées aux différentes variables d’entrée et de sortie du système de diagnostic (FIS) par le processus d’apprentissage afin d'obtenir les meilleurs résultats lors du diagnostic des défauts étudiés.