Search

National audience; Dans cet article, nous proposons d’exploiter une forme évoluée de modèle de Markov caché (HMM) pour représenter le processus d’évolution de l’état de santé d’un système. Ce type de modèle présente plusieurs intérêts. Il correspond bien au principe d’évolution d’un élément (état de santé) complexe et non observable directement, mais au travers de variables d’observation. Sa nature stochastique permet la prise en compte de l’incertitude : bruit d’observation (incertitude de données), processus d’évolution plus complexe qu’imaginé (incertitude de modèle). Dans ce contexte, les réseaux bayésiens dynamiques et notamment les 2 Time slices Bayésien Networks sont particulièrement bien appropriés pour représenter une HMM conditionnée par des états de conditions opérationnelles et ainsi formé une classe évoluée de HMM, les Input-Output HMM (IOHMM).

International audience; Sensor data can be used to diagnose the system's health. A challenge comes when the data contain missing or invalid data. It is common that sensors misread for various reasons. So, data contain missing measurements and sensor saturation. The main contribution in this paper is to implement a method based on the Input-Output Hidden Markov Model that trains the model using the missing measurements and sensor saturation, then diagnoses the system health at given operating conditions. Usually, if a data set contains some sequences with missing elements then they can be excluded from the analysis. It cleans the data set but reduces its size. This strategy knows as list-wise or case-wise deletion is less suitable for real application cases. The proposed method includes the sequences with missing data into the analysis by generating the missing elements to complete the sequence. The maximum likelihood is applied to estimate IOHMM parameters that offer substantial improvements over list-wise deletion. A numerical application with simulated data sets illustrates the method.

National audience; Cet article étudie la modélisation de l'indisponibilité des systèmes instrumentés de sécurité (SIS) par les réseaux bayésiens dynamiques (RBD) dans le cas particulier de tests de durée importante. La durée augmente la complexité du modèle lorsque l'on considère l'indisponibilité des composants étant donné le test, mais elle est plus réaliste.

National audience