| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Methodology of dynamic monitoring using temporal neuro-fuzzy networks
|
| dc:subject
| - Thèses et écrits académiques
- UML (informatique)
- Réseaux neuronaux (informatique)
- AMDE, Méthode
|
| preferred label
| - Méthodologie de surveillance dynamique à l'aide des réseaux neuro-flous temporels
|
| Language
| |
| Subject
| |
| dc:title
| - Méthodologie de surveillance dynamique à l'aide des réseaux neuro-flous temporels
|
| Degree granting institution
| |
| note
| - Our work concerns the industrial monitoring, process usually parse into two phases : the detection and the diagnosis. We thus propose a dynamic monitoring aid system based on two tools of Artificial Intelligence technics. The first one used for the dynamic detection is a recurrent radial basis function network. The second one, based on a neuro-fuzzy network, perform the diagnosis aid. With the sensor data, the detection too determine the degree of possibility of each operating mode of the system. Given these information, the diagnosis tool searchs causes by an abductive approach, and classify them by a degree of credibility. For the configuration and the initialization of the tools, we used some historic and maintenance data of the system like AMDEC and Fault Tree. The development part of this thesis is divided into two points : a software integration on an industrial computer (UML approach + implementation) and the application on a flexible production system.
- Notre travail porte sur la surveillance industrielle, processus couramment décomposé en deux phases : la détection et le diagnostic. Nous proposons ainsi un système dynamique d'aide à la surveillance, sous la forme de deux outils exploitant les techniques de l'intelligence artificielle. Le premier réalise une détectiondynamique intelligente à l'aide des réseaux de neurones récurrents à fonction de base radiale. Le second, basé sur un réseau neuro-flou, effectue une aide au diagnostic. A partir de l'observation de données capteurs, l'outil de détection détermine l'état du système en associant un degré de possibilité à chacun des modes de fonctionnement. A partir de ces informations, l'outil de diagnostic recherche les causes les plus probables (diagnostic abductif) pondérées par un degré de confiance. En complément et dans une optique d'aide à la décision, nous avons veillé à ce que l'opérateur puisse ajouter des informations supplémentaires. Notons que la configuration et l'initialisation des outils implique de connaître l'historique et les données de maintenance du système. Nous exploitons pour cela les AMDEC et Arbres de Défaillance des équipements surveillés. La partie applicative de cette thèse se décompose en deux points : l'intégration logicielle de l'ensemble du travail sur un ordinateur industriel (démarche UML + implémentation) ainsi que l'application sur un système de transfert flexible de production.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
