Suchergebnisse

National audience ; Dans cet article, nous souhaitons évaluer la quantité minimale d'informations nécessaire pour l'estimation de modèles stochastiques, afin d'améliorer la conception d'une politique de maintenance préventive. Notre étude est basée sur des données fournies par un Modèle de Markov Caché (MMC) de synthèse. Ce modèle synthétique est destiné à produire des observations (ou " symboles ") utilisées dans le cadre d'une politique de maintenance préventive, ainsi qu'un indicateur de dégradation correspondant. Nous représentons ces événements chronologiques sous la forme de chaînes de Markov cachées d'ordre 1, également appelés " signatures ". La production de ces symboles est réalisée en utilisant des distributions uniformes ou normales. Nous mesurons ensuite la pertinence des paramètres du MMC à l'aide de l'entropie de Shannon. Les résultats montrent que l'on peut utiliser une quantité minimale d'informations pour décrire de manière optimale des modèles. Après une discussion sur l'utilisation d'une nouvelle " fenêtre glissante " de symboles utilisables dans un système de gestion de maintenance assistée par ordinateur, nous comparons l'ensemble des résultats avec des données réelles issues d'un processus continu.

National audience ; Dans cet article, nous souhaitons évaluer la quantité minimale d'informations nécessaire pour l'estimation de modèles stochastiques, afin d'améliorer la conception d'une politique de maintenance préventive. Notre étude est basée sur des données fournies par un Modèle de Markov Caché (MMC) de synthèse. Ce modèle synthétique est destiné à produire des observations (ou " symboles ") utilisées dans le cadre d'une politique de maintenance préventive, ainsi qu'un indicateur de dégradation correspondant. Nous représentons ces événements chronologiques sous la forme de chaînes de Markov cachées d'ordre 1, également appelés " signatures ". La production de ces symboles est réalisée en utilisant des distributions uniformes ou normales. Nous mesurons ensuite la pertinence des paramètres du MMC à l'aide de l'entropie de Shannon. Les résultats montrent que l'on peut utiliser une quantité minimale d'informations pour décrire de manière optimale des modèles. Après une discussion sur l'utilisation d'une nouvelle " fenêtre glissante " de symboles utilisables dans un système de gestion de maintenance assistée par ordinateur, nous comparons l'ensemble des résultats avec des données réelles issues d'un processus continu.

National audience ; Dans cet article, nous souhaitons évaluer la quantité minimale d'informations nécessaire pour l'estimation de modèles stochastiques, afin d'améliorer la conception d'une politique de maintenance préventive. Notre étude est basée sur des données fournies par un Modèle de Markov Caché (MMC) de synthèse. Ce modèle synthétique est destiné à produire des observations (ou " symboles ") utilisées dans le cadre d'une politique de maintenance préventive, ainsi qu'un indicateur de dégradation correspondant. Nous représentons ces événements chronologiques sous la forme de chaînes de Markov cachées d'ordre 1, également appelés " signatures ". La production de ces symboles est réalisée en utilisant des distributions uniformes ou normales. Nous mesurons ensuite la pertinence des paramètres du MMC à l'aide de l'entropie de Shannon. Les résultats montrent que l'on peut utiliser une quantité minimale d'informations pour décrire de manière optimale des modèles. Après une discussion sur l'utilisation d'une nouvelle " fenêtre glissante " de symboles utilisables dans un système de gestion de maintenance assistée par ordinateur, nous comparons l'ensemble des résultats avec des données réelles issues d'un processus continu.

Dans ce papier, nous utilisons les Modèles de Markov Cachés comme outils de diagnostic dans l'aide à la décision en maintenance industrielle. En effet, les chaines de fabrication industrielles utilisent une robotisation de plus en plus pointue. Seulement, les politiques de maintenance ne sont pas adaptées aux attentes de compétitivité exigées. Notre démarche consiste à essayer d'estimer le niveau de dégradation d'un processus industriel quelconque, à l'aide d'un Modèle de Markov Caché. Nous avons réalisé un modèle de synthèse simulant un tel processus afin d'en étudier le comportement : pertinence des observations, incertitude et robustesse du modèle. Nous avons au préalable déterminé la topologie la mieux adaptée en terme de maintenance industrielle, en réalisant des mesures de pertinence sur nos différents modèles étudiés. A présent, nous nous intéressons aux incertitudes de ces modèles. Nous tentons d'évaluer ces incertitudes sur différents algorithmes d'apprentissage et de décodage, différentes distributions sur les observations et différentes topologies. Nous examinons ainsi les erreurs épistémiques de notre modèle de synthèse et déterminons les éléments ayant la plus faible incertitude. Nous espérons ainsi corroborer notre choix de modèle. Notre objectif est de pouvoir valider de façon objective, un choix de modèle : topologie, ordre, symbole. sans connaissance a priori sur les résultats.

Dans ce papier, nous utilisons les Modèles de Markov Cachés comme outils de diagnostic dans l'aide à la décision en maintenance industrielle. En effet, les chaines de fabrication industrielles utilisent une robotisation de plus en plus pointue. Seulement, les politiques de maintenance ne sont pas adaptées aux attentes de compétitivité exigées. Notre démarche consiste à essayer d'estimer le niveau de dégradation d'un processus industriel quelconque, à l'aide d'un Modèle de Markov Caché. Nous avons réalisé un modèle de synthèse simulant un tel processus afin d'en étudier le comportement : pertinence des observations, incertitude et robustesse du modèle. Nous avons au préalable déterminé la topologie la mieux adaptée en terme de maintenance industrielle, en réalisant des mesures de pertinence sur nos différents modèles étudiés. A présent, nous nous intéressons aux incertitudes de ces modèles. Nous tentons d'évaluer ces incertitudes sur différents algorithmes d'apprentissage et de décodage, différentes distributions sur les observations et différentes topologies. Nous examinons ainsi les erreurs épistémiques de notre modèle de synthèse et déterminons les éléments ayant la plus faible incertitude. Nous espérons ainsi corroborer notre choix de modèle. Notre objectif est de pouvoir valider de façon objective, un choix de modèle : topologie, ordre, symbole. sans connaissance a priori sur les résultats.

Dans ce papier, nous utilisons les Modèles de Markov Cachés comme outils de diagnostic dans l'aide à la décision en maintenance industrielle. En effet, les chaines de fabrication industrielles utilisent une robotisation de plus en plus pointue. Seulement, les politiques de maintenance ne sont pas adaptées aux attentes de compétitivité exigées. Notre démarche consiste à essayer d'estimer le niveau de dégradation d'un processus industriel quelconque, à l'aide d'un Modèle de Markov Caché. Nous avons réalisé un modèle de synthèse simulant un tel processus afin d'en étudier le comportement : pertinence des observations, incertitude et robustesse du modèle. Nous avons au préalable déterminé la topologie la mieux adaptée en terme de maintenance industrielle, en réalisant des mesures de pertinence sur nos différents modèles étudiés. A présent, nous nous intéressons aux incertitudes de ces modèles. Nous tentons d'évaluer ces incertitudes sur différents algorithmes d'apprentissage et de décodage, différentes distributions sur les observations et différentes topologies. Nous examinons ainsi les erreurs épistémiques de notre modèle de synthèse et déterminons les éléments ayant la plus faible incertitude. Nous espérons ainsi corroborer notre choix de modèle. Notre objectif est de pouvoir valider de façon objective, un choix de modèle : topologie, ordre, symbole. sans connaissance a priori sur les résultats.