Fusion de décisions dédiée à la surveillance des systèmes complexes
Résumé
Le développement des approches combinant plusieurs méthodes desurveillance rencontre unintérêt croissant, qui réside dans le faitque diverses méthodes peuvent généralement se compléter. Une fusion adaptée pourrait donc fortement réduire les erreurs de détection et de diagnostic, particulièrement lorsque les méthodes individuelles présentent des performances différentes. Dans cette présentation, nous proposons un cadre unifié qui permet la fusion de décisions de deux méthodes de détection-diagnostic de défauts (FDD pour Fault Detection and Diagnosis). Ce cadre, qui est un Réseau Bayésien (RB) discret, est générique et peut inclure toute méthode, qu’elle nécessite un modèle précis ou des données historiques. La méthodologie est basée sur un apprentissage théorique des paramètres du RB, en fonction des objectifs FDD à atteindre. L’efficacité de l’approche proposée est validée sur le Tennessee Eastman Process (TEP). L’application souligne la capacité de l’approche à assurer une amélioration significative des performances en FDD.