Classification par reconnaissance des formes floue

Après avoir présenté la méthode de diagnostic par reconnaissance des formes floue et la méthode basée sur les séparateurs à vastes marges, nous essaierons dans le présent chapitre de présenter les résultats obtenus, accompagnés des interprétations. La base de données obtenue après simulation des précédentes modèles est composée de 15 signaux présentant l’évolution de fonctionnement de moteur diesel d’un mode sain vers des modes défaillants, les données ont subi un prétraitement pour réduire le bruit et supprimer les données aberrantes, la compression des données a été effectuée par méthode de l’analyse en composante principale (ANNEX A.2) dans le but d’améliorer la classification et le temps de calcul. Après réduction de la dimension de l’espace de présentations des différentes observations de notre base de données, nous avons effectué une séparation des données en base d’apprentissage (deux tiers), base de validation et une base de test (un tiers). La séparation des données en ensemble d’apprentissage et ensemble de tests correspond à une partie importante de l’évolution de modèles d’explorations des données, la plupart des données sont utilisées pour l’apprentissage et une plus petite partie des données est utilisée pour les tests, l’échantillonnage aléatoire nous aide à s’assurer que les partitions de tests et d’apprentissage sont semblables. Cette partie est consacrée à la présentation des résultats de classification de notre base de données qui comprend l’évolution de la vitesse de rotation, la pression d’admission et les émissions polluantes en mode de fonctionnement normal et en modes de dysfonctionnements, le tableau ci-après résume les différentes caractéristiques de notre base de données. La première partie affiche les résultats d’apprentissage hors ligne pour déterminer les modes de fonctionnement du moteur, la seconde démarche consiste à appliquer un apprentissage en ligne pour déterminer les modes de fonctionnement en temps réel.

Apprentissage hors ligne

Dans cette phase nous avons effectué un apprentissage hors ligne sur une base de données qui représente l’évolution de la vitesse de rotation d’un mode sain à des modes avec deux types de défauts (défaut d’injection et défaut de fuite d’admission). La figure 4.1 illustre les différentes variations de la vitesse de rotation. Les résultats de classification montrant l’existence de trois classes associées aux trois modes de fonctionnement du moteur diesel. Nous avons essayé d’interpréter les Trois situations ressorties suivant le tableau ci-après. Dans cette deuxième phase nous avons effectué deux tests pour vérifier notre programme de classification, le premier test consiste à classifier une nouvelle observation (Ob 1) qui n’appartient à aucun mode de fonctionnement. La figure 4.3 illustre la classification de cette nouvelle observation (Ob 1). Les résultats de classification, montrent que le cas de classification de la nouvelle observation correspond à un mode de fonctionnement avec défaut de compression. Les résultats du programme de classification en ligne par MPCM appliqué sur notre base de données, illustrés graphiquement via les figures 4.5, 4.7 et 4.9, font ressortir cinq classes représentant l’ensemble des observations.

Les résultats de classification des données de la pression d’admission font rassortir cinq classes représentant l’ensemble des observations de la pression d’admission. Elles ont été associées aux cinq modes présentés dans le tableau 4.5. La figure 4.6 représente les modes de fonctionnement correspond à la classification des données de pression d’admission du moteur diesel : Les résultats de classification des données de la vitesse de rotation font rassortir cinq classes représentant l’ensemble des observations de la vitesse de rotation. Elles ont été associées aux cinq modes présentés dans le tableau 4.6. La figure 4.7 illustre les résultats de programme de classification des données de la vitesse de rotation du moteur.

Modes de fonctionnement de moteur diesel correspondent à la classification des données des émissions polluantes.

Selon les résultats de classification présentés précédemment, nous constatons l’existence decinq modes de fonctionnement correspondant aux cinq classes révélées. La classe C1, appelé mode sain, est décrite par des observations se trouvant dans des intervalles de mesure correspondant aux conditions nominales de fonctionnement. La classe C2, défaut d’injection, est décrite par une diminution de l’ensemble des mesures des paramètres qui décrivent le système. La classe C3, défaut de soupape d’admission, est décrite par une conservation des mesures des paramètres de la vitesse de rotation, une augmentation de la pression d’admission accompagnée d’un pic des émissions de gaz polluants. La classe C4, défaut fuite d’admission, est décrite par une augmentation des mesures des paramètres de la vitesse de rotation et des émissions polluantes avec une diminution des mesures de la pression d’admission. La classe C5, défaut de compression, est décrite par une diminution de la pression d’admission et une augmentation des émissions polluantes. La vitesse de rotation est variable, elle dépend de la position de l’accélérateur. Dans le but de valider les différents résultats obtenus par la méthode de reconnaissance des formes floue précédemment présentés, nous avons appliqué une autre méthode de diagnostic par SVM, dont les résultats sont présentés dans la section suivante.