Maintenance conditionnelle et détection en ligne pour des systèmes à dégradation graduelle
|
|
- Francine Lachance
- il y a 6 ans
- Total affichages :
Transcription
1 Maintenance conditionnelle et pour des systèmes à graduelle Antoine GRALL Université de Technologie de Troyes ICD - CNRS FRE 2848 Journée SMAI(MAS)-IMdR 1 / 30
2 Modèles de maintenance conditionnelle Maintenance modelling vs. practice? (see e.g. Dekker & Scarf, 1998) graduelle Actuellement : politiques classiques bien établies en pratique Développement de moyens de surveillance et de systèmes de gestion de maintenance Besoins d amélioration des performances de maintenance sous contraintes de resources (budgétaires, matérielles...) Intérêt de la maintenance conditionnelle (ou prédictive) Nécessité de modèles de performance orientés vers la pratique, aide au passage de politiques préventives statiques (et robustes) vers des politiques de maintenance conditionnelle dynamiques. Journée SMAI(MAS)-IMdR 2 / 30
3 maintenance X Évaluation de performances (coût, disponibilité) de politiques graduelle exploitant l information disponible sur l état courant du système (ou des composants) dans le processus de décision de maintenance. Politiques de maintenance conditionnelle pour des systèmes à détérioration continue Maintenance de systèmes multi-composants sous surveillance partielle ou imparfaite Politiques d inspections et de maintenance pour des systèmes de sécurité passifs (inspections partielles, dépendances entre composants, maintenance imparfaite) Éléments pour la prise de décision de maintenance et son optimisation Journée SMAI(MAS)-IMdR 3 / 30
4 Étapes de modélisation & difficultés X Modélisation des s et de la surveillance graduelle Prise en compte des incertitudes Manque fréquent de données de maintenance X Processus de décision de maintenance Structure paramétrique prédéfinie ou non Cadre stationnaire Markovien Règles d inspection X Construction du modèle de performance X Optimisation de la maintenance X Validation du modèle Journée SMAI(MAS)-IMdR 4 / 30
5 exemple graduelle Journée SMAI(MAS)-IMdR 5 / 30
6 Modélisation de «Information de surveillance»? Grandeurs physiques Température : Gaz d échappement de turboréacteurs Géométrie : alignement et écartement de voies ferrées Érosion : diamètre et nombre de trous d érosion dans des exemple graduelle digues Indicateurs de performance (nombre de défauts, qualité de production,... ) État des composants d un système Journée SMAI(MAS)-IMdR 6 / 30
7 Modèle de État du système caractérisé par un indicateur scalaire de niveau de exemple Indicateur de monotone croissant graduelle Niveau de résultant d une succession de s aléatoires, sans considération d ordre au cours du temps Processus Gamma (processus de sauts) Journée SMAI(MAS)-IMdR 7 / 30
8 Modèle de Défaillances exclusivement consécutives à la détérioration Processus de détérioration markovien état du système Xt exemple graduelle zone de défaillance seuil de défaillance L zone opérationnelle de s u n ss a t i o e d oc pr é g r a d Xt-Xs ( (t-s), ) X ( s, ) s 0 s t temps Journée SMAI(MAS)-IMdR 8 / 30
9 Exemple : acier soumis à irradiation exemple graduelle X Vieillissement d un acier sous l effet de l irradiation. X Indicateur : augmentation de la température de transition ductile/fragile TT en fonction de la fluence cumulée Φ (irradiation subie) X Connaissance disponible Tendance d évolution en Φδ Z Processus Gamma «homogène», paramètre de forme αφδ, paramètre d échelle β. Journée SMAI(MAS)-IMdR 9 / 30
10 Exemple : acier soumis à irradiation Comparaison tole xxxxxx 25 Valeurs mesurees Tendance moyenne gamma Quantile gamma 97% exemple Delta temp. trans. graduelle Fluence Journée SMAI(MAS)-IMdR 10 / 30
11 Exemple : acier soumis à irradiation X Disponibilité de données complémentaires relatives à la exemple graduelle composition de l acier (teneur en différents composants) Covariables θ Rp. Z Cadre du processus Gamma : paramètre de forme α(θ)φδ, paramètre d échelle β(θ). δ φ E(Xφ1 Xφ2 ) = α(θ)(φδ 1 2)β(θ) δ 2 var(xφ1 Xφ2 ) = α(θ)(φδ 1 φ2)β(θ) Quel niveau de complexité du modèle en fonction des données disponibles, des objectifs et des capacités d exploitation? Contexte de la prise de décision de maintenance. Journée SMAI(MAS)-IMdR 11 / 30
12 graduelle Critère graduelle Journée SMAI(MAS)-IMdR 12 / 30
13 Modèle de maintenance Système soumis à maintenance état observé du système en-ligne graduelle Maintenance conditionnelle règle de décision : état (action,date) Critère hors-ligne Critère d'évaluation (coût, disponibilité, sécurité...) Modèle <<dysfonctionnel>> du système (modèle de maintenance) Journée SMAI(MAS)-IMdR 13 / 30
14 Surveillance par inspection Objectif : construction d un modèle d aide à la décision en maintenance graduelle Critère Z prise en compte conjointe de la planification des inspections des décisions d opération de maintenance Z possibilité de différentes opérations de maintenance Choix d une stratégie, évaluation et optimisation Nécessité de développer un modèle de coût Journée SMAI(MAS)-IMdR 14 / 30
15 Règle de décision Méthodologie générale : graduelle Critère règle de décision à structure paramétrique imposée Niveau de Niveau de Remplacement correctif L Remplacement correctif L Remplacement préventif M2 Réparation partielle M1 5 4 Remplacement préventif M2 Réparation partielle M1 y 1 t nombre de périodes avant prochaine inspection durée avant prochaine inspection Ty exploitation des propriétés stochastiques des processus sous-jacents (propriétés «semi-régénératives»). Journée SMAI(MAS)-IMdR 15 / 30
16 Exemple d évolution début d'opération fin d'opération niveau de Xt remplacement correctif L remplacement préventif M2 Critère M1 réparation partielle préventive inspection graduelle ξ1 ς zone de redémarrage Tn S j T T T n+1 n+2 n+3 cycles de renouvellement Markovien Sj+1 T n+4 temps Sj+2 cycles de renouvellement Journée SMAI(MAS)-IMdR 16 / 30
17 Critère d évaluation Choix du coût moyen par unité de temps à long terme : graduelle EC = lim t E(Cop (t) + Cind (t)) t Critère Z Cop (t) : coût lié aux opérations de maintenance/inspection Z Cind (t) : coût d indisponibilité du système Journée SMAI(MAS)-IMdR 17 / 30
18 Modèle de coût Propriétés semi-régénératives du processus d évolution du système maintenu : graduelle Critère EC = lim t E(C(t)) t = Eπ(C(T )) Eπ(T ) scénarios sur un cycle de renouvellement markovien détermination de la loi stationnaire de l état aux instants d inspection Journée SMAI(MAS)-IMdR 18 / 30
19 graduelle Detection Isolation Évaluation Conclusion Journée SMAI(MAS)-IMdR 19 / 30
20 Modèle de graduelle Detection Isolation Évaluation Conclusion X Identification de différents régimes de correspondant à une séparation des covariables en plusieurs classes Θi X Début d un cycle de vie en régime nominal et changement de régime possible à un instant donné (régime i si θ Θi) X Covariable non surveillées directement nécessité de détection de changement sur la base des mesures de Journée SMAI(MAS)-IMdR 20 / 30
21 Degradation - Monitoring X Connaissance parfaite du niveau de par le biais graduelle d inspections périodiques dates d inspections : ti = i t X Actions de maintenance conditionnelle préventives ou correctives Detection Isolation Évaluation Conclusion X Processus de : 1 1 2,i Xt = Xt I{t T0 } + XT0 + Xt T0 I{t>T0,θ Θi } X Défaillance non auto-déclarative (indisponibilité possible) Journée SMAI(MAS)-IMdR 21 / 30
22 Décision de maintenance Cadre de décision paramétrique : Principe du cas mono-régime : replacement (préventif) dès que graduelle le niveau de dépasse un seuil donné Cas limites différentes zones de maintenance préventive Régime 1 (nominal) : remplacement préventif à l instant ti si Mnom Xti < L Detection Isolation Évaluation Conclusion Journée SMAI(MAS)-IMdR 22 / 30
23 Décision de maintenance Cadre de décision paramétrique : Principe du cas mono-régime : replacement (préventif) dès que graduelle Detection Isolation Évaluation Conclusion le niveau de dépasse un seuil donné Cas limites différentes zones de maintenance préventive Régime 1 (nominal) : remplacement préventif à l instant ti si Mnom Xti < L Régime 2 (accéléré) : remplacement préventif à l instant ti if Mac Xti < L Journée SMAI(MAS)-IMdR 22 / 30
24 Décision de maintenance Cadre de décision paramétrique : Principe du cas mono-régime : replacement (préventif) dès que graduelle Detection Isolation Évaluation Conclusion le niveau de dépasse un seuil donné Cas limites différentes zones de maintenance préventive Régime 1 (nominal) : remplacement préventif à l instant ti si Mnom Xti < L Régime 2 (accéléré) : remplacement préventif à l instant ti if Mac Xti < L Mac Mnom (taux de dégrad. accél. > taux de dégrad. nom. ) Détection en ligne de changement de régime à partir des niveaux de observés tdetect. Journée SMAI(MAS)-IMdR 22 / 30
25 Décision de maintenance graduelle Detection Isolation Évaluation Conclusion Z Xtdetect < Mac : remplacement à l instant tn t.q. Xtn 1 < Mac < Xtn Journée SMAI(MAS)-IMdR 23 / 30
26 Décision de maintenance graduelle Detection Isolation Évaluation Conclusion Z Mac Xtdetect Mnom : remplacement à l instant tdetect Journée SMAI(MAS)-IMdR 23 / 30
27 Décision de maintenance graduelle Detection Isolation Évaluation Conclusion Z Mnom Xtdetect : remplacement à l instant tn t.q. Xtn 1 < Mnom < Xtn Journée SMAI(MAS)-IMdR 23 / 30
28 Détection de changement en ligne graduelle Detection Isolation Évaluation Conclusion X Règle d arrêt (type CUSUM) : tdetect = N t avec n fmode 2 (xk t) h N = min n 1, max log 1 k n fmode 1 (xk t) t=k où fmode i = pdf de Γ(αi t, βi ), i = 1, 2. X Résultats théoriques asymptotiques : taux de fausse alarme tend vers 0 choix du paramètre h dans un cadre Bayesien (π0 loi a priori de T0) : 0 π0(u)pr0(n < u)du a. Journée SMAI(MAS)-IMdR 24 / 30
29 Détection de changement en ligne graduelle Detection Isolation Évaluation Conclusion X Règle d arrêt (type CUSUM) : tdetect = N t avec n fmode 2 (xk t) h N = min n 1, max log 1 k n fmode 1 (xk t) t=k où fmode i = pdf de Γ(αi t, βi ), i = 1, 2. X Résultats théoriques asymptotiques : taux de fausse alarme tend vers 0 choix du paramètre h dans un cadre Bayesien (π0 loi a priori de T0) : 0 π0(u)pr0(n < u)du a. X Du point de vue de la maintenance : valeur du paramètre h liée au coût de maintenance. Journée SMAI(MAS)-IMdR 24 / 30
30 Détection et isolation graduelle Detection Isolation Évaluation Conclusion X Identification de K différents régimes de après changement. Chaque classe Θi dans l espace des covariables correspond à des paramètres de (α2i, β2i). X Règle de décision de maintenance : Paramètres de maintenance optimisés pour chaque régime de identifié. Début de chaque cycle en conditions nominales. Si détection de changement : isolation du régime de après changement puis adaptation des paramètres de décison de maintenance. Journée SMAI(MAS)-IMdR 25 / 30
31 Détection et isolation graduelle Detection Isolation Évaluation Conclusion X Pour chaque second mode l possible : l N (l) = inf N (p) p 1 avec Nl(p) = inf q p Sq p(l, j) = q i=p log min 0 j =l K fl(yi) fj(yi) Sq p(l, j) hl. X Temps d arrêt et décision finale : N = min N (l), 1 l K ν tel que N (ν ) = N Journée SMAI(MAS)-IMdR 26 / 30
32 Détection et isolation graduelle Detection Isolation Évaluation Conclusion X Pour chaque second mode l possible : l N (l) = inf N (p) p 1 avec Nl(p) = inf q p Sq p(l, j) = q i=p log min 0 j =l K fl(yi) fj(yi) Sq p(l, j) hl. X Du point de vue de la maintenance : K paramètres hl à déterminer pour minimiser le coût de maintenance. Journée SMAI(MAS)-IMdR 26 / 30
33 Évaluation de la politique de maintenance X Coût de maintenance à long terme par unité de temps C = lim t graduelle Detection Isolation Évaluation Conclusion où E(C(t)) t C(t) = Ci Ni (t) + Cp Np (t) + Cc Nc (t) + Cu du (t) Ni (t) nombre d inspections avant t. Np (t) (Nc (t)) nombre de remplacements preventifs (correctifs) avant t. du (t) durée d indisponibilité cumulée du système avant before t. X Optimisation de ( T, Mnom ) and Mac (à régime unique), X Optimisation des paramètres de détection/isolation h (Simulation de Monte Carlo). Journée SMAI(MAS)-IMdR 27 / 30
34 Résultats numériques (détection) X Optimisation de la détection de changement en fonction du coût de maintenance graduelle Detection Isolation Évaluation Conclusion (Ci = 5, Cp = 50,Cc = 100, and Cu = 250, T0 E(1/30)) Journée SMAI(MAS)-IMdR 28 / 30
35 Résultats numériques (détection) X Intérêt du développement d un modèle de avec prise en compte de covariables et algorithme de changement de mode? graduelle Detection Isolation Évaluation Conclusion case case α2 β2 Mac τ t π0 U(0, 100) π0 E(1/50) one threshold 1.97 (0%) 2.00 (-1.5%) (4.5%) 2.15 (3%) (9%) 2.21 (6%) (13%) 2.41 (9.5%) 2.66 Coût de maintenance pour deux distributions de T0. Journée SMAI(MAS)-IMdR 29 / 30
36 Conclusion X Expérimentation d une prise en compte de changement de régime de graduelle Detection Isolation Évaluation Conclusion X Algorithme de mise à jour en ligne des paramètres de décision X Problème d optimisation complexe (nécessité de calcul du coût par simulation - cas de l isolation) X Quel critère de décision pour choisir entre un modèle à «régime de unique» ou à «régimes de multiple» Journée SMAI(MAS)-IMdR 30 / 30
TP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailOutils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP
Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Christophe Joubert Séminaire VASY 2002 30 Octobre 2002 Aix les Bains Contexte du projet
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailMBR225. Le module a été conçu et réalisé conformément aux normes en vigueur portant sur la sûreté et la fiabilité des installations industrielles.
MBR225 Module de surveillance des chaînes cinématiques Le module est dédié à la surveillance du fonctionnement de machines dont la chaîne cinématique constitue un facteur important de sécurité : treuil,
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailTélésuivi et Analyse des performances énergétiques des installations photovoltaïques - TECSOL PV ANALYTICS. www.tecsol-analytics.
Télésuivi et Analyse des performances énergétiques des installations photovoltaïques - TECSOL PV ANALYTICS www.tecsol-analytics.com michel.marcenac@tecsol.fr DEC 2011 L expérience TECSOL Bureau d étude
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailQuels enseignements de l expérience française (1983-1990)
Développement des marchés de capitaux Quels enseignements de l expérience française (1983-1990) Séminaire de clôture Tunis, le 23 mai 2013 Françoise Drumetz Directeur de la coopération extérieure CONTEXTE
Plus en détailGOL-MPPT- 24V-10A GOL-MPPT- 12V-15A
/ En quelques mots Le régulateur de a pour fonction de réguler la de la batterie solaire afin d éviter son vieillissement prématuré. Nous proposons diverses gammes de régulateurs : Gamme standard 12V 24V
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailFORMATION ECLAIRAGE PUBLIC
FORMATION ECLAIRAGE PUBLIC DIR Centre Est Mâcon 22/10/07 1 La norme éclairage NF EN 13 201 Avant : Recommandations AFE : référence pour la profession Février 2005: Application de la norme Éclairage NF
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
Plus en détailII. REVOD Plongée à l ordinateur. Septembre 2010. Plan de l exposé
1 Décompression II. REVOD Plongée à l ordinateur Septembre 2010 Plan de l exposé Introduction Typologie de la décompression: No déco Déco légère Déco Lourde La planification Les profils de plongée Le palier
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailGUIDE PRATIQUE. Installations photovoltaïques raccordées au réseau public de distribution
UTE C 15-712-1 Juillet 2010 UNION TECHNIQUE DE L'ELECTRICITE INSTALLATIONS ELECTRIQUES A BASSE TENSION GUIDE PRATIQUE Installations photovoltaïques raccordées au réseau public de distribution Photovoltaic
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailPilot4IT Monitoring : Mesurez la qualité et la performance perçue de vos applications.
Pilot4IT Monitoring : Mesurez la qualité et la performance perçue de vos applications. La supervision est la «surveillance du bon fonctionnement d un système ou d une activité». Elle permet de surveiller,
Plus en détailFICHE PRODUIT CSI 6500 Machinery Health TM Monitor
? TM Suite FICHE PRODUIT CSI 6500 Machinery Health TM Monitor Protection et surveillance vibratoire des machines tournantes critiques de l usine Information de surveillance vibratoire temps réel des machines
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détailPRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailCOMMENTAiRES/ DECISIONS
Plate-forme d'échanges affichage environnemental des PGC Date : 2009-12-21 Assistante: Lydia GIPTEAU Ligne directe : + 33 (0)1 41 62 84 20 Lydia.gipteau@afnor.org GT Méthodologie Numéro du document: N
Plus en détailAnalyse empirique et modélisation de la dynamique de la topologie de l Internet
Analyse empirique et modélisation de la dynamique de la topologie de l Internet Sergey Kirgizov Directrice de thèse: Clémence Magnien Complex Networks, LIP6, (UPMC, CNRS) Paris, 12 décembre 2014 Plan 1
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailventilation Caisson de ventilation : MV
ventilation Caisson de ventilation : MV FTE 101 148 C Septembre 2012 MV caisson de ventilation économique Descriptif technique Encombrement, réservation et poids Ø X Y Z H h A B Poids (kg) MV5-6P 248 450
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailContrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.
Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailNeu. Technique d installation / de surveillance. VARIMETER RCM Contrôleur différentiel type B IP 5883
Technique d installation / de surveillance VARIMETER RCM Contrôleur différentiel type IP 5883 0249636 X1 A1 X1 i2 11 Alarm 12 Neu IP 5583 N 5018/035 N 5018/030 escription du produit Le contrôleur différentiel
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailAnalyse des Systèmes Asservis
Analyse des Systèmes Asservis Après quelques rappels, nous verrons comment évaluer deux des caractéristiques principales d'un système asservi : Stabilité et Précision. Si ces caractéristiques ne sont pas
Plus en détailRELAIS STATIQUE. Tension commutée
RELAIS STATIQUE Nouveau Relais Statique Monophasé de forme compacte et économique Coût réduit pour une construction modulaire Modèles disponibles de 15 à 45 A Modèles de faible encombrement, avec une épaisseur
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailDETECTION DE NIVEAU LA GAMME
DETECTION DE NIVEAU LA GAMME Plaisance, Le Haut May 61110 BRETONCELLES Tel: 02.37.37.25.85 Fax: 02.37.37.29.70 A PALETTE ROTATIVE LA GAMME : ERMAP propose une vaste gamme d indicateurs de niveau définie
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailSFERA. NoUveLLES. platines 2 FILS. audio vidéo
SFERA NoUveLLES platines audio vidéo 2 FILS audio vidéo 2 fils SFERA Deux PERSONNALITÉS un CŒUR ÉLECTRONIQUE unique Le design 2 La flexibilité 4 Combinaisons illimitées 6 Technologie, qualité et robustesse
Plus en détailDéfense & médias sociaux La perspective belge
ROLE OF SOCIAL MEDIA IN OMBUDS INSTITUTIONS FOR THE ARMED FORCES Défense & médias sociaux La perspective belge 6 ICOAF 27 octobre 2014 Lieutenant-Colonel Dominique PEETERS 1 CONTENU Introduction La Défense
Plus en détailSolution logicielle pour le pilotage et l ERM. Journées d études IARD 26 mars 2010 2 mars 2010
Présentation d ERMS Solution logicielle pour le pilotage et l ERM Journées d études IARD 26 mars 2010 2 mars 2010 Sommaire 1 Présentation d ACTUARIS 2 Les problématiques rencontrées 3 Présentation d ERMS
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailPURE : dans les data centres
PURE : Rendre planifiable en toute sécurité le câblage dans les data centres L EFFET PURE : DEUX FOIS PLUS DE CONNEXIONS ET * 15 MÈTRES DE LONGUEUR DE lien EN PLUS PreCONNECT PURE constitue une étape majeure
Plus en détail! analyse du fonctionnement
Coloreau chaude MT V P1 V MT! Le composant repéré TH1 sur le schéma structurel et une thermistance. Son rôle est de détecter une grandeur physique la température, et de la convertir en une grandeur électrique
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailUnité de pompage SKF Maxilube. pour SKF DuoFlex, systèmes de lubrification double ligne
Unité de pompage SKF Maxilube pour SKF DuoFlex, systèmes de lubrification double ligne Unité de pompage SKF Maxilube pour une production sans problème Une lubrification précise permet de prévenir les dommages
Plus en détailP7669 MACHINE A VAPEUR MINIATURE P7669R A mouvement alternatif P7669T Turbine
P7669 MACHINE A VAPEUR MINIATURE P7669R A mouvement alternatif P7669T Turbine Caractéristiques Modèle de démonstration d un système à vapeur représentatif d un Système d Alimentation Industriel Appareil
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
Plus en détailUn exemple d étude de cas
Un exemple d'étude de cas 1 Un exemple d étude de cas INTRODUCTION Le cas de la Boulangerie Lépine ltée nous permet d exposer ici un type d étude de cas. Le processus utilisé est identique à celui qui
Plus en détailProcessus de validation des coûts à l appui de l attestation par l DPF
ASSISTANT DEPUTY MINISTER (FINANCE AND CORPORATE SERVICES) SOUS-MINISTRE ADJOINT (FINANCES ET SERVICES DU MINISTÈRE) Processus de validation des coûts à l appui de l attestation par l DPF Allan Weldon!
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailECTS CM TD TP. 1er semestre (S3)
Organisation du parcours M2 IRS en alternance De façon générale, les unités d enseignements (UE) sont toutes obligatoires avec des ECTS équivalents à 3 sauf le stage sur 27 ECTS et réparties sur deux semestres
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailLe projet DRIAS : premières études et documents
Le projet DRIAS : premières études et documents Julien Lémond CNRM / GAME, Météo-France, CNRS Direction de la Climatologie Réunion Comité Utilisateurs, le 29 juin 2010 Plan de la présentation 1 ) Les services
Plus en détailSoutenir la mise en oeuvre de processus basés sur ITIL avec une approche unifiée de la gestion des actifs et services
Solutions de gestion des actifs et services Livre blanc Soutenir la mise en oeuvre de processus basés sur ITIL avec une approche unifiée de la gestion des actifs et services Mars 2007 Page 2 Sommaire 2
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailManuel de validation Fascicule v4.25 : Thermique transitoire des structures volumiques
Titre : TTLV100 - Choc thermique dans un tuyau avec condit[...] Date : 02/03/2010 Page : 1/10 Manuel de Validation Fascicule V4.25 : Thermique transitoire des structures volumiques Document : V4.25.100
Plus en détailChapitre 3: TESTS DE SPECIFICATION
Chapitre 3: TESTS DE SPECIFICATION Rappel d u c h api t r e pr é c é d en t : l i de n t i f i c a t i o n e t l e s t i m a t i o n de s y s t è m e s d é q u a t i o n s s i m u lt a n é e s r e p o
Plus en détailLicence à distance Chapitre V : Equations différentielles. Méthodes numériques à un pas.
Licence à distance Chapitre V : Equations différentielles. Méthodes numériques à un pas. M. Granger Table des matières 1 Rappels sur le cours d équations différentielles 2 1.1 Généralités..........................................
Plus en détailStatistiques et traitement des données
Statistiques et traitement des données Mention : Mathématiques Nature de la formation : Diplôme national de l'enseignement Supérieur Durée des études : 2 ans Crédits ECTS : 120 Formation accessible en
Plus en détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détail