Identification des RdPs: application à la fiabilité et au diagnostic

Les réseaux de Petri stochastiques sont des outils performants pour modéliser les processus industriels ainsi que les défauts et reprises qui les affectent. Dans cette thèse on s''intéresse à l''identification de la structure et des paramètres des réseaux de Petri stochastiques et stochastiques-déterministes (incluant des durées de franchissement exponentielles et constantes) à partir des séquences d''événements datés et enregistrés par les systèmes de supervision. Un algorithme d''apprentissage supervisé est développé pour construire la structure du modèle. Cet algorithme est basé sur la rétro-propagation d''une erreur associée à la causalité des événements. Ensuite, une méthode d''identification des paramètres est proposée. Cette méthode réalise une analyse statistique du contenu de la séquence et exploite un modèle de Markov isomorphe au graphe d''atteignabilité du réseau de Petri. Enfin, les modèles construits sont utilisés pour des études de fiabilité ainsi que pour détecter et localiser les défauts.