Dépôt institutionnel de l'UQO
RECHERCHER

Structure causale des risques dans les systèmes industriels par la méthode des réseaux bayésiens dynamiques

Téléchargements

Téléchargements par mois depuis la dernière année

Andriamaharosoa, Sylvia (2017). Structure causale des risques dans les systèmes industriels par la méthode des réseaux bayésiens dynamiques. Thèse. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 154 p.

[thumbnail of Andriamaharosoa_Sylvia_2017_thèse.pdf]
Prévisualisation
PDF
Télécharger (3MB) | Prévisualisation

Résumé

La thèse porte sur la détection de la structure causale des risques dans les systèmes industriels. On se concentre en particulier sur la priorisation des risques sous formes de séquences d’évènements corrélés. Pour améliorer les méthodes de priorisation établies, l'application d'une nouvelle méthodologie utilisant les réseaux bayésiens dynamiques (dBN) est proposée. Pour démontrer cette méthode d’analyse de la structure causale des risques, le développement d’une nouvelle interface utilisateur pour les systèmes industriels de contrôle et d'acquisition de données mieux connus par leur appellation en anglais, Supervisory Control and Data Acquisition (SCADA) est étudié. Un test basé sur un jeu de données d’un SCADA est effectué, obtenu par des auteurs du Royaume-Uni dans une usine de fabrication de semi-conducteurs. Nous utilisons la plateforme R pour notre environnement de développement, et les algorithmes de classifications tels qu’implémentés dans l’outil Tanagra. Nos résultats démontrent que : (1) le réseau de variables avant et après la défaillance est représenté par un nombre limité et distinct de facteurs; (2) le réseau de variables avant et après la défaillance peut être représenté graphiquement de manière dynamique dans une interface utilisateur pour aider la prévention et le diagnostic des pannes; (3) les variables liées à la séquence d’évènements au moment de la défaillance peuvent être utilisées comme modèle pour prévoir son occurrence (dont la qualité de la prévision est évaluée par la mesure F1), et trouver la principale cause de celle-ci, permettant ainsi de prioriser les exigences du système de production sur les bonnes variables à surveiller et gérer en cas de panne. La fiabilité de nos prévisions de défaillances est évaluée grâce aux méthodes de "Train-Test", "Cross-Validation", et "Bootstrap". Ces résultats ont une valeur significative pour les ingénieurs industriels, travaillant en équipe via un SCADA durant l’exécution du système de production. Ainsi, en utilisant cette nouvelle interface plus intuitive, ils pourront plus aisément détecter la cause probable d’une panne du système, et pourront intervenir sur les bons facteurs avec un plus haut taux de confiance.

Type de document: Thèse (Thèse)
Directeur de mémoire/thèse: Gagnon, Stéphane
Informations complémentaires: Comprend des références bibliographiques : p. 149-154.
Mots-clés libres: Systèmes industriels; Réseaux bayésiens dynamiques
Départements et école, unités de recherche et services: Informatique et ingénierie
Date de dépôt: 26 mai 2017 18:22
Dernière modification: 08 juin 2017 15:25
URI: https://di.uqo.ca/id/eprint/903

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt