Pattern recognition in a dynamic environment applied to the diagnosis and monitoring of evolving systems
Reconnaissance des formes dans un environnement dynamique appliquée au diagnostic et au suivi des systèmes évolutifs
Résumé
Several systems are evolving, i.e. their behavior is dynamic and it leads to changes in their functioning characteristics. The monitoring of the evolving systems functioning modes is a major problem for the diagnosis methods. Indeed, in these conditions it is necessary to use or to develop methods taking into account the new characteristic information of the current system behavior and permitting to adapt the known functioning modes. We have chosen to use pattern recognition methods for their ability to work on applications for which they only have observations. Several dynamic pattern recognition methods have been proposed in order to take into account of the changes realized in patterns and classes characteristics according to the time. The method Dynamic Fuzzy Pattern Matching (DFPM) has been developed to consider the gradual change of classes characteristics after the classification of each new pattern. The method integrates several mechanisms such as indicators of the patterns usefulness, a residual permitting to follow classes evolutions, and splitting and merging procedures in order to adapt dynamic classes. Several versions of the Dynamic Fuzzy K-Nearest Neighbours (DFKNN) have also been proposed: Supervised-DFKNN (S-DFKNN) and Semi-Supervised DFKNN (SS-DFKNN). These DFKNN methods use procedures to detect and confirm classes evolutions. Then, they realize the adaptation of the evolved classes by using the most characteristics patterns of the current trend of a system. The proposed methods permit to online detect the evolution of a system behavior, to validate this evolution and to proceed to the adaptation of a class when its characteristics have changed. Two others approaches of pattern recognition (structural and mixed) have also been proposed to deal with dynamic patterns. The structural approach is based on a segmentation method which does not necessitate the definition of an approximation error threshold, and on an adaptive number of primitives defined according to each characteristic phase of a dynamic pattern. Once, the dynamic patterns segmentation is realized, the method estimates their trend using the selected primitives. Then, the classification of all patterns can be realized using a measure of similarity. The mixed pattern recognition proposed method is based on the use of statistical and structural characteristics to realize the classification of dynamic patterns. A mixed signature is obtained for each dynamic pattern treated. This signature permits to obtain characteristic and interpretable information. A mixed similarity measure, based on structural and statistical characteristics, is then calculated from the mixed signature, to measure the membership of a pattern to a class. This measure also permits to quantify the evolution a pattern can realize after a change in the characteristics of a system. The set of proposed methods has been used on several simulated and real applications. These applications concerned the industrial domain (detection of a welding's quality, detection of a leak in a steam generator) and the clinical domain (characterization of the inter-segmental coordination of the gait patterns for hemiparetic patients).
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. En effet, dans ces conditions il est nécessaire d'utiliser ou de développer des méthodes tenant compte des nouvelles informations caractéristiques du comportement actuel d'un système et permettant l'adaptation des modes de fonctionnement connus. Nous avons choisi de travailler avec les méthodes de reconnaissance des formes pour leur capacité à fonctionner sur des applications pour lesquelles seules des observations sont connues. Plusieurs méthodes de classification dynamique ont été proposées afin de tenir compte des changements de caractéristiques des formes et des classes au cours du temps. D'une part 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. La méthode intègre plusieurs mécanismes tels que des indices de représentativité des données, un résidu permettant de suivre les évolutions des classes, et des procédures de scission et de fusion permettant d'adapter les classes dynamiques. D'autre part, 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 KPPVFD utilisent des procédures de détection et de confirmation des évolutions de classes puis elles réalisent l'adaptation de ces dernières en utilisant les formes les plus caractéristiques de la tendance actuelle du système. Les méthodes proposées 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. Une fois la segmentation des formes dynamiques réalisée, la méthode estime leur tendance à l'aide des primitives sélectionnées puis la phase de classification peut avoir lieu en utilisant une mesure de similarité. La méthode mixte repose sur l'utilisation de données statistiques et structurelles pour réaliser la classification des données dynamiques. Une signature mixte est obtenue pour chaque forme dynamique traitée. Cette signature mixte permet d'obtenir une information caractéristique interprétable. Une mesure de similarité mixte, basée à la fois sur la similarité entre caractéristiques structurelles et statistiques, est ensuite calculée à partir de cette signature mixte pour mesurer l'appartenance d'une forme à une classe. Cette mesure permet également de quantifier l'évolution que peut réaliser une forme suite à un changement de caractéristiques d'un système. L'ensemble des méthodes proposées a été utilisé sur plusieurs applications simulées et réelles. Ces applications concernaient le milieu industriel (détection de soudures de mauvaise qualité, détection d'une fuite dans un générateur de vapeur) et le milieu médical (caractérisation de la coordination inter-segmentaire des patrons de marche des patients hémiparétiques).
Loading...