Contribution à l'apprentissage de Modèles de Markov Cachés pour l'estimation de l'état de santé de systèmes industriels - Modelisation Systemes Langages Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

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

Résumé

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
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

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

Identifiants

  • HAL Id : hal-03876517 , version 1

Citer

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⟩
41 Consultations
72 Téléchargements

Partager

Gmail Facebook X LinkedIn More