Abstract:
Dans une première partie de ce travail, des réseaux de neurones supervisés et non supervisés sont appliqués au diagnostic et à la classification de l'huile de transformateur utilisée par SONRLGAZ et nommée BORAK22 en utilisant les tests physico-chimiques.
Pour aider les jeunes ingénieurs analystes à prendre de bonnes décisions, quatre réseaux de neurones (RN) sont appliqués: la Back-Propagation (BP) avec Momentum, BP avec Momentum et à adaptation du taux d'apprentissage, méthode de Levenberg-Marquardt (L.M) et les réseaux de régularisation bayesienne.
L'optimisation de tous ces réseaux a offert les meilleures performances aux réseaux bayesiens et L.M.
Les réseaux compétitifs, les cartes auto organisées de Kohonen et les réseaux à régularisation bayesienne sont utilisés pour la classification de l'huile de transformateurs.
Dans une deuxième partie, des réseaux supervisés et non supervisés sont aussi appliqués dans la prédiction du vieillissement thermique du PVC (fabriqué à CABEL) et de la BORAK22 et de la tension disruptive des intervalles d'air pointe-barrière-plan.
En général, la connaissance du diagnostic n'est pas suffisante; un ingénieur de terrain doit avoir une idée sur le temps restant du bon fonctionnement de l'équipement.
Si l'estimation est assez précise, il peut commencer à faire un programme de maintenance et avec des actions correctes, beaucoup d'argent pourra être épargné.
Dans ce but nous avons utilisé des réseaux à base radiale et à fonction gaussienne (RBFG): un RBFG entraîné par la BP, un RBFG entraîné par la méthode d'optimisation aléatoire (ROM) et une méthode originale combinant des algorithmes supervisés et non supervisés.
Ce réseau est un RBFG entraîné par la ROM couplée avec la méthode des K-means clustering qui présente les centres gaussiens en deux dimensions.
