Adaptations et applications de modèles mixtes de réseaux de neurones à un processus industriel - Université de Lorraine Accéder directement au contenu
Thèse Année : 2006

Adaptation and application of mixed neural network models to an industrial process

Adaptations et applications de modèles mixtes de réseaux de neurones à un processus industriel

Résumé

This study is interested in analyzing the contribution of artificial neural networks in order to improve the control of complex industrial processes that are mainly characterized by their temporal behavior. The main motivations of the time series analysis are data reduction, indexation based on similarity, localization of sequences, knowledge extraction and prediction. The analyzed industrial process is an electric arc furnace for the liquid steel production in Luxembourg. The proposed approach is a concept of predictive control based on unsupervised learning techniques with the aim of knowledge extraction. Our signal coding method is based on primitive patterns that compose the signals. These patterns, building the coding alphabet, are extracted using an unsupervised method, the self organizing maps of Kohonen (SOM). An alphabet validation approach is proposed. One of the important subjects of this research is the similarity of time series. The proposed method is unsupervised and able to handle sequences of arbitrary size using the Dynamic Time Warping method (DTW).
Cette étude consiste à étudier l'apport de réseaux de neurones artificiels pour améliorer le contrôle de processus industriels complexes, caractérisés en particulier par leur aspect temporel. Les motivations principales pour traiter des séries temporelles sont la réduction du volume de données, l'indexation pour la recherche de similarités, la localisation de séquences, l'extraction de connaissances (data mining) ou encore la prédiction. Le processus industriel choisi est un four à arc électrique pour la production d'acier liquide au Luxembourg. Notre approche est un concept de contrôle prédictif et se base sur des méthodes d'apprentissage non-supervisé dans le but d'une extraction de connaissances. Notre méthode de codage se base sur des formes primitives qui composent les signaux. Ces formes, composant un alphabet de codage, sont extraites par une méthode non-supervisée, les cartes auto-organisatrices de Kohonen (SOM). Une méthode de validation des alphabets de codage accompagne l'approche. Un sujet important abordé durant ces recherches est la similarité de séries temporelles. La méthode proposée est non-supervisée et intègre la capacité de traiter des séquences de tailles variées en se basant sur la méthode "Dynamic Time Warping" (DTW).
Fichier principal
Vignette du fichier
SCD_T_2006_0189_SCHUTZ.pdf (15.9 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-01748184 , version 1 (29-03-2018)

Identifiants

  • HAL Id : tel-01748184 , version 1

Citer

Georges Schutz. Adaptations et applications de modèles mixtes de réseaux de neurones à un processus industriel. Autre [cs.OH]. Université Henri Poincaré - Nancy 1, 2006. Français. ⟨NNT : 2006NAN10189⟩. ⟨tel-01748184⟩
32 Consultations
26 Téléchargements

Partager

Gmail Facebook X LinkedIn More