| Title: |
Évaluation des architectures d'apprentissage automatique pour la détection et le diagnostic des anomalies dans les procédés chimiques |
| Authors: |
Ammar Khodja, Rayane; Voisin, Alexandre; Costa, Victor; Casteran, Fanny; Celse, Benoit; Iung, Benoît |
| Contributors: |
IFP Energies nouvelles (IFPEN); Centre de Recherche en Automatique de Nancy (CRAN); Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS); Société d'Automatique, de Génie Industriel et de Productique |
| Source: |
3ème Congrès Annuel de la SAGIP; https://hal.science/hal-05471853; 3ème Congrès Annuel de la SAGIP, Société d'Automatique, de Génie Industriel et de Productique, May 2025, Mulhouse, France |
| Publisher Information: |
CCSD |
| Publication Year: |
2025 |
| Collection: |
Université de Lorraine: HAL |
| Subject Terms: |
Ensemble Learning; Bidirectional LSTM; Tennessee Eastman Process; Procédés chimiques; La détection et le diagnostic des anomalies; Automatique; [SPI]Engineering Sciences [physics] |
| Subject Geographic: |
Mulhouse; France |
| Description: |
National audience ; La détection et le diagnostic des anomalies (FDD : Fault Detection and Diagnosis) est un sujet crucial tant pour le pilotage que la maintenance afin d’anticiper les défaillances coûteuses et optimiser les opérations notamment dans l’industrie chimique comme par exemple dans le cas d’unités pilotes, comme celles d'IFP Energies Nouvelles (IFPEN), qui fonctionnent sur des temps courts avec des paramètres opérationnels variant fréquemment. Bien que diverses approches d'apprentissage automatique aient été proposées pour le FDD dans la littérature [1] [2], il subsiste un manque dans l'évaluation plus globale dans ce type d’application. Cette étude consiste en une analyse comparative de plusieurs approches basées sur l’apprentissage automatique pour la FDD. Pour cela nous utilisons le Tennessee Eastman Process (TEP), un jeu de données de simulation de procédé chimique, qui est un benchmark dans ce domaine et qui comporte plusieurs type dysfonctionnements ainsi que plusieurs « productions » rendant compte de la variabilité du processus dans des conditions opérationnelles identiques. Dans cette étude, plusieurs méthodes ont été implémentées et comparées, notamment l'ACP multi-échelle (Multi Scale PCA), l'AutoEncoder, l'Apprentissage d'Ensemble (Ensemble Learning), et les modèles LSTM (Long Short Term Memory) pour la détection des défauts, ainsi que Random Forest, XGBoost et BLSTM (Bidirectional LSTM) pour leur diagnostic. |
| Document Type: |
conference object |
| Language: |
French |
| Availability: |
https://hal.science/hal-05471853; https://hal.science/hal-05471853v1/document; https://hal.science/hal-05471853v1/file/SAGIP2025_Rayane_AMMAR_KHODJA_vf.pdf |
| Rights: |
https://hal.science/licences/copyright/ ; info:eu-repo/semantics/OpenAccess |
| Accession Number: |
edsbas.B6512EF3 |
| Database: |
BASE |