Making use of partially observed states in Markov switching autoregressive models: application to machine health diagnosis - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2021

Making use of partially observed states in Markov switching autoregressive models: application to machine health diagnosis

Résumé

Machine health diagnosis is a fundamental task dedicated to monitor systems’ safety in order to prevent incidents, and to program maintenance operations. Such diagnosis is achieved through analyzing the system’s features (generally recorded by sensors and depicted by times eries), using data analytics methods such as statistical models. These time series are subject to regime switches reflecting changes in the system health conditions. In this paper, we propose to model such time series by a new Markov switching autoregressive model called PHMC-LAR (Partially Hidden Markov Chain AutoRegressive), where the state process depicts system health condition at each time-step. This model has the particularity to include partial knowledge about the Markovian state process. This partial knowledge is depicted by the states observed at some (random) time-steps. The parameters of our model are learnt through a variant of the Expectation-Maximization algorithm, which we developed. The inference procedure, that consists in segmenting a given time series into the most likely sequence of states, is addressed by the Viterbi algorithm. Experimental studies are performed on realistic machine condition data. The results showt hat, for the used datasets, the incorporation of partial knowledge substantially improves inference performance.
Le diagnostic de bon fonctionnement des machines est une tâche fondamentale dédiée à la surveillance des systèmes dans un souci de sécurité, de prévention des accidents et de programmation des opérations de maintenance. Cette tâche est généralement accomplie grâce à des méthodes d’analyse de données (recourant par exemple à des modèles statistiques). Ces méthodes sont appliquées aux séries temporelles décrivant la dynamique du système analysé. Ces séries temporelles sont sujettes à des changements de régimes reflétant les changements d’état du système. Dans cet article, nous proposons de modéliser de telles séries temporelles par un nouveau modèle de changement de régimes Markovien appelé PHMC-LAR (Partially Hidden Markov Chain Auto Regressive model) où le processus des états décrit l’état de santé du système à chaque pas de temps. Ce modèle possède la capacité d’inclure des connaissances partielles sur le processus des états Markovien.La connaissance partielle est traduite par la présence d’états observés à certains pas de temps aléatoires. Les paramètres de notre modèle sont estimés grâce une variante de l’algorithme d’Espérance-Maximisation, que nous avons développée. La procédure d’inférence des états cachés consiste à identifier la séquence d’états la plus probable pour une série temporelle donnée ; elle est réalisée au moyen de l’algorithme de Viterbi. Les études expérimentales ont été conduites sur des données décrivant des états de machine de façon réaliste. Les résultats montrent que, pour les données utilisées, l’intégration de connaissances partielles sur le processus des états améliore considérablement les performances de l’inférence.
Fichier principal
Vignette du fichier
actes_CNIA_CH_PFIA2021 - dama.pdf (1.17 Mo) Télécharger le fichier
Origine : Accord explicite pour ce dépôt

Dates et versions

hal-03321148 , version 1 (17-08-2021)

Identifiants

  • HAL Id : hal-03321148 , version 1

Citer

Fatoumata Dama, Christine Sinoquet. Making use of partially observed states in Markov switching autoregressive models: application to machine health diagnosis. CNIA 2021 : Conférence Nationale en Intelligence Artificielle, Jun 2021, Bordeaux (en ligne), France. pp 14-21. ⟨hal-03321148⟩
40 Consultations
21 Téléchargements

Partager

Gmail Facebook X LinkedIn More