Auteur / Autrice : | Laurent Hartert |
Direction : | Moamar Sayed-Mouchaweh, Patrice Billaudel |
Type : | Thèse de doctorat |
Discipline(s) : | Automatique, traitement du signal et génie informatique |
Date : | Soutenance en 2010 |
Etablissement(s) : | Reims |
Mots clés
Résumé
De nombreux systèmes actuels sont évolutifs, i. E. Leur comportement est dynamique et il entraîne des changements dans leurs caractéristiques de fonctionnement. Le suivi des modes de fonctionnement des systèmes évolutifs est un problème majeur pour les méthodes de diagnostic. Il nécessite l'utilisation de méthodes tenant compte des nouvelles informations caractéristiques du comportement actuel d’un système et permettant l’adaptation des modes de fonctionnement connus. Dans cette thèse plusieurs méthodes de classification dynamique ont été proposées. La méthode Fuzzy Pattern Matching Dynamique (FPMD) a été développée pour tenir compte du changement graduel des caractéristiques des classes après la classification de chaque nouvelle forme. Une version Supervisée et une version Semi-Supervisée des K-Plus Proches Voisins Flous Dynamique (KPPVFD) ont également été proposées : KPPVFD-S et KPPVFD-SS. Ces méthodes permettent de détecter en ligne l’évolution du comportement d’un système, de valider cette évolution et de procéder à l’adaptation d’une classe lorsque ses caractéristiques ont changées. Deux approches de reconnaissance des formes (structurelle et mixte) ont également été proposées. L’approche structurelle repose sur une méthode de segmentation ne nécessitant pas la définition d’un seuil d’erreur d’approximation et sur un nombre adaptatif de primitives défini par rapport à chaque phase caractéristique d'une forme dynamique. La méthode mixte repose sur l’utilisation de données statistiques et structurelles pour réaliser la classification des données dynamiques. L'ensemble des méthodes proposées a été utilisé sur plusieurs applications simulées et réelles