Mise à jour dynamique de Modèles de Markov Cachés : Application dans l'Aide à la Décision pour une Maintenance Préventive Industrielle

Bernard Roblès (1) , Manuel Avila (1) , Florent Duculty (1) , Pascal Vrignat (1) , Stéphane Begot (1) , Frédéric Kratz (1)

1 PRISME - Laboratoire Pluridisciplinaire de Recherche en Ingénierie des Systèmes, Mécanique et Energétique

De plus en plus d'entreprises tentent d'améliorer l'aide à la décision de leur maintenance préventive en modélisant leur processus industriel. Les critères de choix de cette modélisation dans une fonderie d'aluminium, dans la production de pâtisseries ou d'une usine de production de verrerie peuvent être proches. Dans ce papier, nous utilisons des Modèles de Markov Cachés comme outils de diagnostic dans l'aide à la décision en maintenance industrielle. Cette étude doit nous permettre d'en améliorer la modélisation. Nous évaluons ici la quantité minimale d'informations nécessaire au modèle pour réaliser une estimation du niveau de dégradation la plus pertinente possible. Ceci nous permettra de réajuster dynamiquement un modèle en fonction de ce nombre optimal de données.

Mots clés: Modèles de Markov Cachés; mise à jour de modèles; algorithmes d'apprentissage et de décodage; maintenance prédictive

Domaines: Automatique

Bernard Roblès, Manuel Avila, Florent Duculty, Pascal Vrignat, Stéphane Begot, et al.. Mise à jour dynamique de Modèles de Markov Cachés : Application dans l'Aide à la Décision pour une Maintenance Préventive Industrielle. CNRIUT 2013, Jun 2013, Corté, France. pp.1. ⟨hal-00833959⟩