KHELIL, Mohamed ImedENCA/LADJAL Mohamed2023-06-212023-06-212023DOC/GEL2023http://dspace.univ-msila.dz:8080//xmlui/handle/123456789/39752L’objectif des travaux de développement des outils de surveillance/diagnostic /contrôle d’un système de production d’eau dans son ensemble est la maîtrise de la qualité de l’eau et la diminution des contraintes de coût de fonctionnement, objet d'une réglementation très stricte des pouvoirs publics. L’établissement de modèles du comportement des systèmes est un problème incontournable en automatique. D’importants efforts dans le développement de méthodes de contrôle, de diagnostic et de surveillance automatique ont été effectués durant ces dernières années. Le présent travail s’inscrit dans ce courant de recherche, en proposant une nouvelle approche de la surveillance et de diagnostic de systèmes de production d’eau propre en fonction des caractéristiques intrinsèques à l’aide d’un modèle basé sur les techniques avancées d’intelligence artificielle. La préparation de la base de données dans ce type d’application consiste à retenir les variables les plus représentatives des données observées. Elle peut être utile comme étape préliminaire à tout processus d’analyse et de classification ou régression afin de se concentrer sur les variables les plus importantes et réduire le coût d’exécution d’un tel processus. L’objectif recherché dans ce travail, est une contribution à l’étude, à la conception, et au développement de nouveaux systèmes intelligents de contrôle, de diagnostic et de surveillance de la qualité de l’eau propre par reconnaissance de formes. Il consiste à la recherche d’une validation et évaluation complète expriment les variables indicatrices de système de production choisi pour l’aide à la décision. Cette décision est basée sur l’application des techniques de l’intelligence artificielle de deux zones d’étude en Algérie. L’intérêt principal du système réside dans sa capacité à prendre en compte diverses sources d'incertitude, telles que des données d'entrées atypiques, des erreurs de mesure et la taille limitée de l’ensemble d’apprentissage. Des résultats expérimentaux sont présentés et montrent l’efficacité de cette approche. Plusieurs exemples d’application sont prévus à cet effet : la sélection des caractéristiques, le développement des capteurs logiciels et la prédiction de l’indice de qualité vu comme des problèmes de régression, et le contrôle de potabilité de l’eau et la détection des anomalies et la reconstruction des données manquantes ou invalides en tant que problème de classification.frThesis