Contribution à l'apprentissage de Modèles de Markov Cachés pour l'estimation de l'état de santé de systèmes industriels - Modelisation Systemes Langages Access content directly
Conference Papers Year : 2022

Contribution à l'apprentissage de Modèles de Markov Cachés pour l'estimation de l'état de santé de systèmes industriels

Abstract

Nous proposons dans cet article une approche d'identification du niveau de dégradation d'un système industriel. Pour cela, nous utilisons des Modèles de Markov Cachés (MMCs) comme outil de pronostic. Dans cette étude, nous nous sommes focalisés sur la mise en compétition de plusieurs modèles. Une nouvelle stratégie d'apprentissage a été développée. Cette dernière consiste à apprendre le « contraire » des séquences (ou formes) que nous cherchons à identifier. Par la suite, nous cherchons le non-modèle qui ressemble le moins à la séquence à identifier.
Fichier principal
Vignette du fichier
6B - Contribution à l’apprentissage de Modèles de Markov Cachés pour l’estimation de l’état de santé de systèmes industriels.pdf (857.51 Ko) Télécharger le fichier
Origin : Publisher files allowed on an open archive

Dates and versions

hal-03876517 , version 1 (28-11-2022)

Identifiers

  • HAL Id : hal-03876517 , version 1

Cite

Nesrine Keltoum Khodja, Florent Duculty, Stéphane Begot, Manuel Avila. Contribution à l'apprentissage de Modèles de Markov Cachés pour l'estimation de l'état de santé de systèmes industriels. Congrès Lambda Mu 23 « Innovations et maîtrise des risques pour un avenir durable » - 23e Congrès de Maîtrise des Risques et de Sûreté de Fonctionnement, Institut pour la Maîtrise des Risques, Oct 2022, Paris Saclay, France. ⟨hal-03876517⟩
48 View
81 Download

Share

Gmail Facebook X LinkedIn More