Tools for detection and classification
Application to the diagnosis of rail surface defect
Outils pour la détection et la classification
Application au diagnostic de défauts de surface de rail
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 consists of one or several classes detection, and it is solved by a block that links together pre-processing phase, choice of the representation space, detection then decision. The complete resolution of the K-classes problem is carried out by a sequential arrangement of the blocks - in accordance with a hierarchic decision tree - 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, support vector machines - are detailed. A section is focused on the margins tuning and generalisation capabilities of the classifiers.
All these methods have been validated on a rail surface defect detection application in subway context. A real
time prototype allows testing the simultaneous detection and classification solutions in running conditions. The
good detection and false alarm rates have been calculated for 4 classes of rail defect. The wavelet transform, the inverse filtering and the independent component analysis are particularly detailed for the pre-processing phase.
A set of on-site labelled measurings allows to statistically qualifying the solutions of the successive
classification and detection approach. A hierarchical presentation of the methods is proposed, in terms of
generalisation capability, complexity and also ability to solve the problem with or without optimisation of the
representation space.
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, support vector machines - are detailed. A section is focused on the margins tuning and generalisation capabilities of the classifiers.
All these methods have been validated on a rail surface defect detection application in subway context. A real
time prototype allows testing the simultaneous detection and classification solutions in running conditions. The
good detection and false alarm rates have been calculated for 4 classes of rail defect. The wavelet transform, the inverse filtering and the independent component analysis are particularly detailed for the pre-processing phase.
A set of on-site labelled measurings allows to statistically qualifying the solutions of the successive
classification and detection approach. A hierarchical presentation of the methods is proposed, in terms of
generalisation capability, complexity and also ability to solve the problem with or without optimisation of the
representation space.
Le travail présenté dans ce mémoire aborde les problématiques de détection et de classification pour le diagnostic de défauts. Deux approches différentes sont abordées. 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 a en charge la détection d'une ou plusieurs classes de défauts et il est traité par une cellule qui enchaîne les phases de prétraitement des signaux, de choix de l'espace de représentation, de détection, puis de décision. La résolution complète du problème à K classes s'effectue par un agencement séquentiel des cellules selon un arbre de décision hiérarchique ou par une mise en parallèle des cellules avec règles de décision associées.
La seconde approche est l'approche de détection et classification successives. Elle consiste à traiter tout
d'abord les signaux issus du capteur de manière simple pour la délivrance d'un signal d'alarme indiquant la
présence possible d'un défaut. Dans ce cas, et dans ce cas seulement, des traitements haut niveau sont mis en
oeuvre dans le but d'analyser plus finement les signatures de ces défauts. Les outils pour la classification - les différents classifieurs linéaires, les classifieurs neuronaux et les machines à vecteurs de support - sont détaillés. L'accent est mis sur le réglage des marges des classifieurs linéaires, sur leurs capacités de généralisation et sur les estimateurs de cette capacité de généralisation.
L'ensemble de ces méthodes a été validé sur une application concernant la détection de défauts de surface de rail dans un contexte métro. Un démonstrateur temps réel et opérant en condition d'exploitation a permis de tester les solutions de l'approche détection et classification simultanées, en considérant les taux de bonne détection et de
fausse alarme sur 4 classes de défauts de rail. La transformée en ondelettes, le filtrage inverse et la séparation de sources par analyse en composantes indépendantes sont les outils de prétraitement qui ont été particulièrement détaillés dans ce contexte applicatif.
Une base de données, constituée à partir de mesures sur site labellisées, a permis de qualifier statistiquement les solutions de l'approche détection et classification successives. Une hiérarchisation des méthodes est proposée en fonction de leur capacité de généralisation, mais aussi de leur complexité et de leur aptitude à traiter le problème avec ou sans optimisation des espaces de représentation.
La seconde approche est l'approche de détection et classification successives. Elle consiste à traiter tout
d'abord les signaux issus du capteur de manière simple pour la délivrance d'un signal d'alarme indiquant la
présence possible d'un défaut. Dans ce cas, et dans ce cas seulement, des traitements haut niveau sont mis en
oeuvre dans le but d'analyser plus finement les signatures de ces défauts. Les outils pour la classification - les différents classifieurs linéaires, les classifieurs neuronaux et les machines à vecteurs de support - sont détaillés. L'accent est mis sur le réglage des marges des classifieurs linéaires, sur leurs capacités de généralisation et sur les estimateurs de cette capacité de généralisation.
L'ensemble de ces méthodes a été validé sur une application concernant la détection de défauts de surface de rail dans un contexte métro. Un démonstrateur temps réel et opérant en condition d'exploitation a permis de tester les solutions de l'approche détection et classification simultanées, en considérant les taux de bonne détection et de
fausse alarme sur 4 classes de défauts de rail. La transformée en ondelettes, le filtrage inverse et la séparation de sources par analyse en composantes indépendantes sont les outils de prétraitement qui ont été particulièrement détaillés dans ce contexte applicatif.
Une base de données, constituée à partir de mesures sur site labellisées, a permis de qualifier statistiquement les solutions de l'approche détection et classification successives. Une hiérarchisation des méthodes est proposée en fonction de leur capacité de généralisation, mais aussi de leur complexité et de leur aptitude à traiter le problème avec ou sans optimisation des espaces de représentation.
Loading...