Incertitudes Stochastiques sur des Modèles de Markov Cachés : Application dans l'Aide à la Décision pour une Maintenance Préventive Industrielle
Résumé
Dans ce papier, nous utilisons les Modèles de Markov Cachés comme outils de diagnostic dans l'aide à la décision en maintenance industrielle. En effet, les chaines de fabrication industrielles utilisent une robotisation de plus en plus pointue. Seulement, les politiques de maintenance ne sont pas adaptées aux attentes de compétitivité exigées. Notre démarche consiste à essayer d'estimer le niveau de dégradation d'un processus industriel quelconque, à l'aide d'un Modèle de Markov Caché. Nous avons réalisé un modèle de synthèse simulant un tel processus afin d'en étudier le comportement : pertinence des observations, incertitude et robustesse du modèle. Nous avons au préalable déterminé la topologie la mieux adaptée en terme de maintenance industrielle, en réalisant des mesures de pertinence sur nos différents modèles étudiés. A présent, nous nous intéressons aux incertitudes de ces modèles. Nous tentons d'évaluer ces incertitudes sur différents algorithmes d'apprentissage et de décodage, différentes distributions sur les observations et différentes topologies. Nous examinons ainsi les erreurs épistémiques de notre modèle de synthèse et déterminons les éléments ayant la plus faible incertitude. Nous espérons ainsi corroborer notre choix de modèle. Notre objectif est de pouvoir valider de façon objective, un choix de modèle : topologie, ordre, symbole... sans connaissance a priori sur les résultats.
Origine : Fichiers éditeurs autorisés sur une archive ouverte