Outils pour la détection et la classification : Application au diagnostic de défauts de surface de rail

par Mohamed Bentoumi

Thèse de doctorat en Automatique. Traitement numérique du Signal

Sous la direction de Gérard Bloch.

Soutenue en 2004

à Nancy 1 , en partenariat avec Université Henri Poincaré Nancy 1. Faculté des sciences et techniques (autre partenaire) et de Polytech Nancy (autre partenaire) .

mots clés

• Détection de défaut (ingénierie)
• Détection du signal
• Rails -- Défauts
• Réseaux neuronaux (informatique)

Résumé

Deux approches différentes sont abordées pour résoudre les problématiques de détection et de classification pour le diagnostic de défauts. La première approche est l'approche de détection et classification simultanées où le problème global à K classes est scindé en sous-problèmes. Chaque sous-problème est traité par une cellule de détection et classification. La résolution du problème global s'effectue par un agencement séquentiel ou par une mise en parallèle des cellules. La seconde approche est l'approche de détection et classification successives qui consiste à traiter tout d'abord les signaux issus du capteur de manière simple pour décider présence ou non d'un défaut. Si défaut détecté, des traitements haut niveau sont mis en oeuvre pour identifier le défaut. Des classifieurs linéaires (Ho-Kashyap et SVM) et neuronaux (RBF) sont utilisés. L'ensemble de ces méthodes a été validé sur une application concernant la détection de défauts de surface de rail dans un contexte métro.

Résumé

The works concern with detection and classification problems for fault diagnosis. Two approaches are treated. The first one, where the K-classes global problem is splitted into sub problems, is called simultaneous detection and classification. Each sub problem is solved by a block that links together pre-processing phase, choice of the representation space, detection then decision. The resolution of the global problem is carried out by a sequential arrangement of the blocks or a parallel decision scheme. The second approach is the successive detection and classification approach. It consits of a first basic signal processing for alarm generation that indicates the possible existence of default. Then, high-level processings are activated in order to precisely analyze the default signature. Classification tools - linear classifiers, neural classifiers, SVM - are used. All these methods have been validated on a rail surface defect detection application in subway context.