Documente Academic
Documente Profesional
Documente Cultură
: S7217 V2
Intelligence artificielle et
Date de publication :
10 mars 2020 diagnostic
Mots-clés Résumé Le diagnostic est un problème important sur lequel se sont penchés depuis
intelligence artificielle | longtemps de nombreux chercheurs se réclamant de l’intelligence artificielle. Diverses
diagnostic | raisonnement
automatique | systèmes à base approches ont été imaginées : les unes se basent sur une formalisation logique du
de connaissance raisonnement. Les autres privilégient l’exploitation de l’expérience de terrain des
ingénieurs en maintenance.
Avec l’apparition d’une puissance de calcul et de stockage des nouveaux ordinateurs,
l’intelligence artificielle connaît actuellement un regain d’intérêt, notamment dans le
domaine des techniques d’apprentissage automatique. Ces techniques peuvent
également être exploitées pour réaliser des outils performants de diagnostic.
Keywords Abstract Diagnosis is an important issue that has been addressed for a long time by
artificial intelligence | many researchers claiming to be using artificial intelligence. Various approaches have
diagnosis | automatic
reasoning | knowledge-based been elaborated: some are based on a logical formalization of the reasoning process.
systems The others focus on exploiting the field experience of maintenance engineers.
New computers are now equipped with power processors and with very large memory:
this leads to a renewed interest for artificial intelligence, particularly in the field of
automatic machine learning techniques. These techniques can also be used to create
high-performance diagnostic tools.
Par mail :
infos.clients@teching.com
Par téléphone :
00 33 (0)1 53 35 20 20 © Techniques de l'Ingénieur | tous droits réservés
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
1.2 Supervision.................................................................................................. — 3
2. Diagnostic en IA ...................................................................................... — 3
2.1 Systèmes experts........................................................................................ — 4
2.2 Raisonnement à base de cas...................................................................... — 5
2.3 Réseaux de neurones ................................................................................. — 6
2.4 Réseaux bayésiens...................................................................................... — 8
2.5 Arbres de décision ...................................................................................... — 11
2.6 Diagnostic à base de modèles ................................................................... — 12
2.6.1 Concepts ............................................................................................. — 13
2.6.2 Diagnostic ........................................................................................... — 13
2.6.3 Formalisation...................................................................................... — 14
2.6.4 Méthodes de calcul ............................................................................ — 15
2.6.5 Quelques outils de calcul .................................................................. — 16
2.6.6 Autres méthodes ou outils ................................................................ — 16
2.7 Raisonnement hypothétique...................................................................... — 17
2.7.1 Systèmes de maintien du raisonnement ......................................... — 17
2.7.2 Des RMS aux CSP et des CSP aux diagnostics ............................... — 18
2.8 Problème des tests et du choix des observations.................................... — 18
2.9 Conclusion ................................................................................................... — 18
3. Discussion ................................................................................................. — 18
Pour en savoir plus .......................................................................................... Doc. S 7 217v2
L e monde dans lequel nous vivons voit naître des systèmes dont la
complexité s’accroît constamment. Avec le développement des nouvelles
technologies et de leur utilisation dans les nouveaux produits, les fonctions de
conception et de maintenance engendrent des tâches qui requièrent des
niveaux de qualification de plus en plus élevés. Cette constatation ne se limite
pas au seul domaine technique, mais concerne également d’autres domaines
tels que la médecine.
À l’origine, le diagnostic était une notion purement médicale qui désignait
l’activité consistant à identifier une maladie par ses symptômes. Bien évidem-
ment, cette activité entre dans un processus plus global dont l’objectif ne s’arrête
pas à l’identification des maladies, mais comprend surtout la définition des soins
à apporter pour guérir le patient ou pour le soulager. En effet, on ne va pas voir
son médecin pour connaître le nom de sa maladie, mais pour être soigné !
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Cette vision médicale a ensuite été reprise dans le monde technique et indus-
triel. Cette fois, il ne s’agit plus de rechercher les causes d’une maladie chez un
patient, mais les causes d’une défaillance ou d’une panne d’un dispositif phy-
sique. D’un point de vue conceptuel, il n’y a pas de différence fondamentale
entre le diagnostic médical et le diagnostic technique. Tous les deux consistent
à rechercher les causes d’un dysfonctionnement d’un système physique ou
vivant en vue de le réparer ou de le soigner.
Dans le domaine technique, la fonction « maintenance » regroupe deux grandes
classes d’activités : les activités relatives à la gestion et à l’organisation de la main-
tenance et les activités relatives à ses aspects techniques. Cette dernière classe est
souvent englobée dans la supervision, notamment quand il s’agit de traiter des
systèmes complexes tels que des centrales nucléaires ou des dispositifs électro-
niques de gestion du trafic ferroviaire, par exemple. Elle se décline en trois tâches
importantes : la prévention, le diagnostic et le dépannage.
Cet article a pour objectif de présenter le diagnostic sous l’angle de l’intelligence
artificielle (IA), domaine à la frontière de disciplines scientifiques variées telles que
l’informatique, l’automatique, la psychologie, etc. Il s’articule en trois sections. La
première constitue un rappel de diverses définitions. La seconde présente les prin-
cipales méthodes de diagnostic issues de l’intelligence artificielle ; elle se focalise
sur les approches les plus représentatives. Enfin, une synthèse de ces approches
est faite dans la troisième section afin de dégager les propriétés de ces approches.
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
■ Lorsque l’on distingue les différentes situations de fonctionne- Diagnostiquer une panne pi consiste à trouver l’ensemble des
ment d’un dispositif, on parle de ses modes de fonctionnement. symptômes apparents et des tests pertinents qui permettent
De nombreux dispositifs sont capables de fonctionner même en d’incriminer un organe du dispositif. Si T = {t1, t2,…, tr} représente
cas de défaillance de l’un de leurs composants. Cependant, le fonc- l’ensemble des tests pertinents, alors la fonction de diagnostic σ
tionnement ne se fait plus de manière optimale, mais de façon peut être définie par :
dégradée.
une pression trop basse, une tension nulle, etc., sont des exemples
de symptômes. Il est également fréquent de regrouper les symp-
2. Diagnostic en IA
tômes en fonction du dysfonctionnement auquel ils sont liés : on
parle alors de syndrome. Certains dysfonctionnements peuvent Pour plus de détails sur l’intelligence artificielle, le lecteur
ainsi être diagnostiqués plus rapidement lorsqu’ils sont associés à est invité à consulter les articles [R 7 215] et [H 3 740].
des syndromes caractéristiques.
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
classés dans la base de cas. Parmi tous les cas connus, seuls ceux fiques. Une fois choisi le cluster correspondant le mieux au cas
ayant un lien avec le nouveau problème sont retenus. Puis ils sont traité, la recherche se poursuit uniquement parmi les éléments de
classés en utilisant une fonction de similarité. Ensuite, à partir du ou ce cluster. Les clusters peuvent se subdiviser en sous-clusters, ce
des meilleurs cas obtenus, la solution au problème est déterminée qui explique l’appellation d’organisation hiérarchique. Une telle
par adaptation ou correction des solutions connues. Enfin, la session organisation de mémoire accélère la recherche du meilleur cas
est conservée dans la base de cas : c’est la phase d’apprentissage. suivant l’ordre des indices. La figure 3 montre une organisation
Sur la figure 2, on donne l’exemple d’une simple bibliothèque hiérarchique possible liée à notre exemple. D’autres techniques
initiale de cas qui concerne notre dispositif. Dans cet exemple, la (indexation, partitionnement, recherche parallèle, etc.) permettent
bibliothèque est « plate ». De ce fait, la recherche des cas simi- aussi de traiter des bases importantes en volume.
laires se fait en considérant tous les cas et la solution proposée Un point délicat des approches CBR concerne le choix des
est la meilleure. indices. Un indice est un attribut particulier d’un cas, employé par
la fonction de similarité pour la détermination du degré de simili-
tude entre la situation étudiée et un cas déjà emmagasiné. Dans le
cas de l’exemple de cet article, il y a trois attributs qui corres-
pondent à l’état du moteur, des phares et des essuie-glaces. Les
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
la base de cas. On peut effectivement constater que dans cette base, coûts peut être l’emploi de mécanismes d’apprentissage inductif
les pannes d’ampoules ne sont pas encore présentes. La base de cas pour extraire des règles générales qui couvrent la plupart des cas
doit donc évoluer, s’adapter et engranger de nouvelles connais- dans la base. Cela peut considérablement réduire la taille de la base
sances. Pour cela, le rôle d’un utilisateur expert reste nécessaire. de cas, à un point tel que les seuls cas dont la présence est néces-
saire dans la base soient les exceptions connues aux règles géné-
Si l’on fait l’hypothèse que l’utilisateur de la base est suffisam- rales induites. Cependant, l’applicabilité de telles techniques est
ment expérimenté pour répondre que le diagnostic retourné par le très dépendante de la nature du domaine, de la représentation des
système CBR est erroné et que le bon diagnostic dans cette situa- cas, de leur indexation et de leur mesure de similarité.
tion aurait dû être « ampoules en panne », le système ajoutera cette
nouvelle connaissance à la bibliothèque de cas (ce nouveau cas Le choix des descripteurs pour l’indexation et celui de la fonc-
n° 4 est présenté sur la figure 4b). Dans les sessions futures, le sys- tion de similarité utilisée lors de la recherche des cas similaires au
tème sera alors capable de diagnostiquer les pannes d’ampoules. problème à résoudre sont les points délicats de cette approche
sur lesquels repose, en grande partie, son efficacité.
Les systèmes CBR se distinguent des autres systèmes à base de
Pour une présentation plus détaillée des avantages et des
connaissances par le fait que la connaissance en diagnostic n’est
inconvénients de l’utilisation d’une base de cas dans le cadre du
mise ni sous la forme d’un modèle explicite du domaine, ni sous la
diagnostic, on peut se référer à la thèse [11] dans laquelle le CBR
forme de règles heuristiques. Les connaissances sont toutes repré-
sert à capitaliser et à réutiliser la connaissance de diagnostic d’un
sentées sous la forme de cas. La connaissance supplémentaire spé-
système complexe dans le domaine téléphonique.
cifique au problème est utilisée pour concevoir des heuristiques qui
guident dans la procédure d’appariement. Les systèmes à base de Le raisonnement à partir de cas, notamment pour rechercher les
diagnostics, repose principalement sur l’existence de cas repré-
sentatifs des problèmes et sur la possibilité d’enrichir la base de
connaissances.
Tableau 1 – Fonction de similarité Généralement, les techniques de l’intelligence artificielle trouvent
pour deux attributs x et y la source de leur fondement dans le modèle humain. Au lieu
d’essayer de reproduire le comportement d’un expert face à un pro-
x/y OUI NON X blème, il est également possible de s’inspirer d’un modèle « plus
organique » de l’homme. C’est l’un des objectifs visés par les
OUI 2 0 1 réseaux neuromimétiques, encore appelés réseaux de neurones.
NON 0 2 1
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Exemples de fonctions associées à des neurones l’entrée correspondante aura une valeur 1. Sinon, la valeur de cette
entrée sera –1. Les quatre neurones de sortie du réseau corres-
■ Fonction linéaire :
pondent à quatre diagnostics possibles : ampoules en panne, batte-
rie en panne, moteur des essuie-glaces en panne et allumage en
■ Fonction à seuil : panne.
Pour interpréter le résultat fourni par le réseau, il suffit de
savoir que les sorties des neurones sont en concurrence et que
c’est le neurone dont la sortie est la plus élevée qui exprime le
résultat attendu. Le neurone gagnant produit une sortie de
■ Fonction sigmoïde : valeur 1, tandis que les autres fournissent –1. Cette stratégie,
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Exemple
À chaque neurone est associé un ensemble de paramètres
modifiables qui s’adaptent par apprentissage. Les paramètres Sur la figure 6, les valeurs des entrées moteur, phares et essuie-
employés sont les poids, qui représentent, en quelque sorte, la glaces sont : –1, –1 et 1. Cela signifie que le moteur et les phares ne
force des synapses entre les neurones. Les poids associés à un fonctionnent pas (–1) et que les essuie-glaces fonctionnent (1).
neurone i comportant n entrées sont représentés par un vecteur Chaque neurone utilise la valeur de ses entrées pour calculer la
de poids de dimension n : . valeur de sa sortie. Pour ce réseau, à une entrée [–1, –1, 1] corres-
pondent les sorties suivantes :
Le pouvoir de représentation et de traitement de ces réseaux de
neurones dépend à la fois des fonctions utilisées au niveau des
neurones, mais aussi de l’architecture du réseau (nombre des
neurones et type de connexion entre eux).
La conception d’un réseau de neurones passe par trois étapes :
1/ la construction du réseau de neurones : on y définit la topologie
du réseau (nombre de couches de connexion entre neurones) ainsi
que les fonctions à associer aux neurones ;
2/ l’ajustement des différents paramètres : cette étape, appelée
phase d’apprentissage, consiste à apprendre des classes de sortie Seule la sortie OBatterie en panne est de valeur 1, donc le réseau
en fonction d’exemples fournis aux entrées ; connexionniste a diagnostiqué un problème dû à la batterie. Une sor-
3/ l’exploitation du réseau de neurones : au cours de cette étape, le tie –1 signifie que le composant concerné est interprété comme
rôle d’un réseau de neurones est de reconnaître à quelle classe n’étant pas en panne.
connue appartient le problème fourni en entrée. Le diagnostic batterie en panne semble être un bon diagnostic au
Lors de la phase d’apprentissage, les réseaux neuronaux modi- vu des informations initiales. Pourtant, si l’on suppose que l’ensemble
fient les poids des entrées de chaque neurone. Cela consiste essen- d’apprentissage utilisé est celui qui est donné dans le tableau 3, ce
tiellement à rechercher les poids qui permettent au réseau de cas n’apparaît pas ! Cela montre certaines capacités de généralisation
classer correctement tous les exemples de l’ensemble d’apprentis- des réseaux de neurones (réseau limité dans cet exemple).
sage. Comme il s’agit fondamentalement d’un problème d’optimi-
sation, une variété de méthodes peut être employée pour la Un autre réseau de neurones est construit en utilisant une variante
détermination de ces poids. La plupart des algorithmes utilisent de règle d’apprentissage de Rosenblatt [13]. Le réseau obtenu est
une certaine forme de recherche guidée par l’erreur [12]. celui de la figure 7. Ce réseau a été construit de la manière suivante :
La figure 5 représente un neurone possédant trois entrées et on commence l’apprentissage avec un poids initial aléatoire pour
une sortie. La fonction utilisée, par exemple, pour ce neurone est chaque entrée ; des instances de l’ensemble d’apprentissage sont
la suivante : si la somme ∑ ei × wi est supérieure ou égale au seuil, ensuite présentées de manière séquentielle ou aléatoire.
la valeur en sortie est 1, sinon cette valeur est –1 (ei désigne une Les poids sont mis à jour si la classe de l’instance (le diagnos-
entrée et wi le poids qui lui est associé). tic) diffère du résultat donné par le réseau. La règle de modifica-
Les réseaux de neurones peuvent être utilisés pour effectuer tion de poids employée dans de telles circonstances est donnée
des diagnostics. Pour cela, on suppose connues les classes de dia- par l’équation :
gnostics reconnaissables. Faire un diagnostic consiste à détermi-
ner à quelle classe appartient une situation particulière.
Le réseau contient des neurones à trois entrées, une pour chaque où Wi est le vecteur poids associé au neurone i et t désigne le pas
état : moteur, phares et essuie-glaces. Si un composant fonctionne, de temps. di et oi représentent les sorties voulues et les sorties
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
(1)
avec
(2)
Le théorème de Bayes peut être employé dans des applications
Figure 9 – Réseau bayésien pour le problème de diagnostic de
de diagnostic s’il est possible de calculer, soit grâce à la connais- voiture
sance du domaine, soit grâce aux procédures d’estimation, la par-
tie droite de l’équation (1).
Ainsi, dans un scénario où les attributs sont caractérisés par les La structure du réseau bayésien, présenté sur la figure 9, obte-
trois variables aléatoires X1, X2 et X3 pour lesquelles on observe nue à partir des connaissances sur le domaine, permet de repré-
senter les variables du problème et leurs dépendances. Par
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Exemple
Pour le problème d’automobile choisi pour illustrer cet article, X1,
X2 et X3 peuvent représenter les observations faites sur les phares, le
moteur et les essuie-glaces. Chacune de ces observations prend une
valeur dans le domaine avec des probabilités spécifiques.
On peut utiliser, par exemple, l’ensemble d’apprentissage du
tableau 3 pour déterminer le nombre d’instances pour lesquelles le Puisque représente la valeur
moteur fonctionne. Ainsi, on obtient la probabilité pour que la variable de probabilité maximum, à partir de ces observations, le système
X2 ait la valeur ok. La tâche du système de diagnostic est d’assigner
aux observations X une des m catégories de diagnostic C1,…, Cm. Par déduit le diagnostic : ampoules en panne . Il convient de noter le
exemple, les classes C1, C2, C3, C4 correspondent aux diagnostics fait que le problème peut aussi provenir de l’allumage (allumage en
respectifs : ampoule = ok, batterie = ok, essuie-glaces = ok et allu-
mage = ok. Avec les instances du tableau 3, il est facile de détermi- panne, ). La panne double n’est pas non plus à exclure.
ner la fréquence de distribution des classes de diagnostic. Par En ajoutant des variables de décision (qui peuvent être maîtri-
exemple, on observe que 1/6 des problèmes viennent d’ampoules en sées) et des variables d’utilité (qui peuvent être optimisées) aux
panne . La probabilité a priori de chaque classe de diagnostic, cal- relations d’un réseau de croyance, on crée un réseau décisionnel
culée à partir de l’ensemble d’apprentissage, est donc : (appelé aussi diagramme d’influence). Celui-ci est utile pour opti-
miser des décisions, réguler des systèmes ou encore faire de la
planification.
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
ok
Les réseaux bayésiens ne sont qu’une technique parmi d’autres 2.5 Arbres de décision
pour raisonner avec l’incertitude, comme le calcul de Dempster-
Schafer, la logique floue et d’autres méthodes qui leur sont liées. L’algorithme ID3 [18] fournit une méthode inductive pour déter-
La théorie de Dempster-Schafer est conçue pour faire la distinction miner les règles de classification. Ces règles sont représentées ici
entre l’incertitude et l’ignorance. La logique floue, quant à elle, par un arbre de décision. Un arbre de décision est composé de
représente la notion d’imprécision en utilisant des ensembles flous feuilles correspondant aux noms des classes (les diagnostics) et
pour caractériser de quelle manière un objet ou une situation satis- de nœuds internes correspondant à des tests avec une branche
fait une description vague. Plutôt que des valeurs booléennes, les pour chacun des résultats possibles du test. Les arcs entre les
prédicats flous sont des valeurs réelles comprises entre 0 et 1. Ces nœuds représentent des valeurs possibles pour les différents
systèmes modélisent ainsi le flou entre des limites de classe plutôt tests.
que l’incertitude au sens probabiliste. On trouvera une présentation Le problème de diagnostic cité en exemple pourrait être résolu
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
de la théorie des ensembles flous dans l’article [A 120]. en utilisant l’arbre de décision de la figure 10. Chaque nœud
interne, symbolisé par un rectangle, représente un test sur l’attri-
but indiqué dans la cellule. Les feuilles représentent des compo-
En résumé, les méthodes probabilistes présentées ici consti- sants en panne : les diagnostics.
tuent une approche efficace pour réaliser un diagnostic, sur-
tout dans les domaines où les données sont bruitées et dans Typiquement, les arbres de décision sont utilisés lorsque l’on
les applications pour lesquelles la connaissance partielle du traite un problème de diagnostic comme un problème de déci-
domaine est disponible sous la forme de réseaux causaux. sion ou de classification. La figure 10 reprend les instances de
Cette connaissance peut être complétée par des exemples de l’ensemble d’apprentissage du tableau 3.
diagnostic issus par exemple d’un ensemble d’apprentissage. Il est à noter que cet arbre de décision nécessite entre deux et
Malheureusement, ces approches nécessitent la connaissance trois tests pour aboutir à un diagnostic ; il n’est pas optimal. Il est
de toutes les probabilités a priori (probabilités conditionnelles possible qu’il demande plus de tests que nécessaire. Il existe un
et de distribution) ; elles font des hypothèses simplificatrices algorithme qui permet la construction optimale d’arbres de déci-
pas toujours réalistes (indépendances entre variables), exigent sion plus compacts.
de nombreux calculs et nécessitent une connaissance sur les Si l’ensemble d’apprentissage ne contient pas d’instances contra-
variables du système et leurs interdépendances pour former le dictoires (par exemple, deux instances présentant les mêmes valeurs
réseau qui devient vite complexe. pour ses attributs, mais aboutissant à deux diagnostics différents),
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
il est toujours possible de construire un arbre de décision qui classe Si l’attribut A peut prendre les valeurs a1,…, am, on définit la quan-
toutes les instances d’apprentissage correctement. Le but de l’induc- tité d’information apportée par la connaissance de la valeur de A par :
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
de modèles sont actuellement celles qui concernent le plus grand Dans ce cas, il existe généralement une forte corrélation entre la
nombre de travaux de recherche. Il s’agit d’une « branche » à part topologie du dispositif et sa description logique.
entière de l’IA qui touche aussi bien les informaticiens que les auto-
La structure du circuit qui sert d’exemple à cet article est représen-
maticiens. Des sessions y sont entièrement consacrées dans les plus
tée sur la figure 13 où les quatre composants du circuit électrique C
grands congrès mondiaux dont DX, le workshop de référence.
étudié sont : COMPS = {B, A, M, P} et que les variables pouvant être
observées sont les trois sorties : phares, essuie-glaces et démarrage.
2.6.1 Concepts Ces variables peuvent prendre les valeurs ok ou . Pour simplifier
le modèle, les valeurs que peuvent prendre les variables sortie(X),
L’idée fondamentale du raisonnement à base de modèles, et par- alim(X), lumière(X), mouvement(X) et étincelle(X) sont 0 ou 1.
ticulièrement du diagnostic à base de modèles, est relativement
simple et peut s’expliquer à l’aide du schéma de la figure 12. Exemple
Cette idée consiste à comparer le comportement simulé d’un Si le courant qui sort de la batterie est correct en tension et en inten-
dispositif à l’aide du modèle de son fonctionnement correct avec sité, on lui affecte la valeur 1. De même, si la sortie lumière de l’ampoule
son comportement réellement observé. La présence de différences du phare est 1, cela signifie que l’ampoule est correctement allumée.
entre le comportement simulé et le comportement observé est le
point de départ de la recherche des diagnostics. Selon la nature du Bien sûr, ce choix est réducteur. Lorsqu’il s’agit de modéliser
modèle utilisé, cette recherche peut se faire par des approches des dispositifs réels, il est possible d’avoir recours à des descrip-
basées sur la consistance ou par des approches basées sur
tions beaucoup plus riches.
l’abduction. Dans les approches basées sur la consistance, on
cherche à expliquer les incohérences après les avoir détectées.
Dans les approches par abduction, on cherche à expliquer les La description du dispositif est :
observations et non plus nécessairement les incohérences. La suite
de cet article se focalise sur le diagnostic à base de modèles par SD = { % description du type des composants
les approches basées sur la consistance.
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
La section qui suit donne une brève présentation formelle du batterie (B), ampoule (P), allumage (A), moteur essuie-
diagnostic à base de modèles. Cette présentation met en évidence
le cœur du problème qui est la gestion de la cohérence dans une glaces (M), circuit électrique (C),
base de connaissances. Le maintien de la cohérence, qui est un
problème qui dépasse le cadre du diagnostic, est présenté dans la % description des connexions
section 2.7.
2.6.2 Diagnostic
Un système peut être modélisé par un triplet :
• SD représente la description du dispositif ;
• COMPS est l’ensemble fini des composants du dispositif ;
• OBS est l’ensemble des observations disponibles sur le dis-
positif. % description du fonctionnement normal
Ces observations sont les valeurs connues de certaines variables.
Les éléments de ces trois ensembles sont des formules de la
logique des prédicats du premier ordre. Généralement, SD décrit
non seulement le comportement normal de chaque composant,
mais définit également les connexions entre les différentes
variables, permettant ainsi de disposer d’une description du
comportement du dispositif entier. Cette vision provient du fait
qu’initialement, les travaux dans ce domaine étaient très axés sur le
problème du diagnostic de dispositifs électroniques combinatoires.
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
2.6.3 Formalisation
Les premières définitions du diagnostic qui ont pu être données
dans la littérature décrivent un diagnostic comme un ensemble de
composants défaillants en supposant, implicitement, que les
autres composants fonctionnent correctement [20]. Un diagnostic OBS : (A = 0) (C = 1)
est une conjonction indiquant quels sont les composants défail- Dans ce premier cas, les diagnostics minimaux obtenus sont :
lants (représentés par l’ensemble Δ) et quels sont ceux fonction- D ({INV1}, {INV2}) et D ({INV2}, {INV1}). D ({INV1, INV2}, { }) est égale-
nant correctement. Elle est de la forme : ment un diagnostic mais il est non minimal.
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Exemple
initiale du diagnostic. Le deuxième problème soulevé est que pour
Dans le cas du circuit de la figure 15, les trois ampoules identiques
être effective, cette exploitation nécessite une connaissance exhaus-
sont reliées à une source de courant électrique. Les observations
tive des modes de panne.
sont : L1 = éteinte, L2 = éteinte et L3 = allumée. Les diagnostics
Cette propriété n’est plus vérifiée dès lors que l’on considère les (logiques) calculés sont : {L1, L2}, {Source, L3} et d’autres diagnostics
modèles de panne des composants dans le raisonnement [21]. impliquant les liaisons f1,…, f6. Le premier diagnostic se comprend
Parmi les sur-ensembles d’un diagnostic minimal, certains ne sont aisément : L1 et L2 sont grillées. Mais le second diagnostic exprime
plus des diagnostics. que L3 est en panne car elle est capable de briller malgré l’absence
d’énergie !
Dans [22], les auteurs ont proposé d’autres définitions dans le but
de caractériser les diagnostics, notamment en présence des modes
de panne. Pour cela, les notions de conflit et de conflit minimal sont L’exploitation des modes de panne permet d’éviter la définition
introduites. Un conflit est une expression logique de la forme : d’axiomes de situations physiquement impossibles. Par exemple, un
diagnostic qui prétend qu’une lampe brille en l’absence d’énergie
et que l’on doit être écarté. L’intérêt de ces modes physiquement impossibles
peut déduire de . est qu’il n’est pas nécessaire de les connaître exhaustivement pour
Quand les modes de panne sont ignorés, seuls les conflits posi- les exploiter, contrairement aux modes de panne.
tifs (sans le signe ) sont considérés. De manière intuitive, un
conflit positif de la forme : exprime que
compte tenu de SD et OBS, les composants c1,…, cn ne peuvent 2.6.4 Méthodes de calcul
pas tous fonctionner correctement.
Il existe un lien étroit entre la théorie du diagnostic qui a été pré-
Lorsque les modes de panne sont traités, les auteurs de [22] ont sentée auparavant et la logique des défauts. Ce lien vient du carac-
établi le lien entre les conflits minimaux et les diagnostics. Si Π tère non monotone des deux types de raisonnement. Quelques
est l’ensemble de tous les conflits minimaux du système (SD, définitions sont brièvement rappelées afin de préciser ce lien.
COMPS, OBS), et si , alors D(Δ, COMPS-Δ) est un dia-
gnostic si et seulement si est satisfiable. Mal-
heureusement, ce lien entre conflits minimaux et diagnostics On appelle défaut une formule de la forme :
reporte la recherche des diagnostics sur la recherche de tous les
dans laquelle M est
conflits minimaux qui est très coûteuse en temps de calcul. Pour
réduire ces coûts, on définit les diagnostics partiels. un métasymbole qui signifie « si rien ne contredit… », P(X) est
le prérequis du défaut, les Qi (X) sont la justification du défaut
Un diagnostic partiel est un diagnostic tel que toutes les et R(X) est le conséquent. Par exemple, la formule suivante
conjonctions d’ab-littéraux qu’il couvre sont des diagnostics. exprime que si X est un additionneur et que rien ne permet de
Nota : un ab-littéral est une formule de la forme ab(x) ou . On dit qu’une dire qu’il est défaillant, on peut déduire qu’il fonctionne correc-
conjonction A couvre une autre conjonction B si et seulement si chaque littéral de A tement :
apparaît dans B.
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Soit E et (def, Th), un ensemble de formules (fermées) et une générateur de candidats de GDE maintient l’ensemble des candi-
théorie de défauts. E est une extension de (def, Th) s’il existe une dats minimaux courants et procède à une mise à jour lors de
suite (Ei) telle que : chaque ajout d’un conflit minimal. L’algorithme utilise la notion
d’environnement qui représente un ensemble de composants sup-
: posés fonctionner correctement. Chaque environnement permet
de déterminer un ensemble de prédictions. Lorsqu’une prédiction
contredit une observation, l’environnement est un conflit. Pour
obtenir les conflits minimaux, l’algorithme traite les environne-
ments selon le treillis d’inclusion de tous les sous-ensembles de
COMPS en commençant par l’ensemble vide. Pour éviter de calcu-
Où Th(Ei) représente les formules déductibles de Ei, au sens de ler plusieurs fois les mêmes prédictions, les auteurs utilisent un
la logique du premier ordre. ATMS (assumption truth maintenance system). Ce type d’outil est
Dans [20], l’auteur fait le lien entre logique des défauts et théo- présenté à la section 2.7.1.
rie des diagnostics à base de modèles : Δ est un diagnostic mini-
mal pour (SD, COMPS, OBS) si et seulement si est une
■ Sherlock : dans le système GDE, seules les descriptions du fonc-
tionnement correct des composants sont traitées. Sherlock, de
extension de Td.
Kleer et Williams [21] tentent d’exploiter les modes de panne des
composants. Ils sont confrontés au problème d’explosion combi-
2.6.5 Quelques outils de calcul natoire dû à l’utilisation des modes de panne. Ils doivent abandon-
ner l’idée de calculer les diagnostics minimaux et définissent la
Dans cette section, quelques méthodes ou outils qui calculent notion de diagnostics principaux. Les diagnostics principaux sont
les diagnostics à base de modèles sont présentées. D’une manière les diagnostics les plus probables. La recherche de ces diagnostics
générale, la recherche des diagnostics se fait en temps exponen- principaux se base sur des critères heuristiques qui précisent la
tiel, mais certains auteurs ont proposé des algorithmes moins limite de la probabilité en dessous de laquelle un diagnostic n’est
généraux mais de complexité polynomiale. La liste présentée ici pas « intéressant ».
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
est loin d’être exhaustive, mais elle est représentative des contri-
butions réalisées dans le domaine du diagnostic à base de Après avoir proposé un cadre théorique, de Kleer s’attaque à
modèles. des circuits réels de plus grande taille que celle des circuits qu’il
avait traités jusqu’ici. En particulier, il utilise un circuit électro-
■ Méthode naïve : pour calculer les diagnostics minimaux au sens nique qui sert de benchmark. Il constate que GDE et Sherlock sont
de la définition précédente, une méthode naïve consiste à énumé- inefficaces et incapables d’appréhender des dispositifs de grande
rer les diagnostics candidats Δ dans l’ordre croissant de la taille taille [16]. Pour maîtriser l’explosion combinatoire, il propose
des ensembles de composants et à vérifier la consistance des for- deux approches. La première concerne la prise en compte de
l’estimation des probabilités dans une phase de génération incré-
mules de . Bien sûr, cette méthode
mentale des candidats (seul le candidat le plus probable est
n’est pas satisfaisante pour les cas où les dispositifs sont de retenu). La deuxième concerne l’ATMS transformé en un HTMS
grande taille et où les diagnostics sont de cardinalité élevée. En (H pour hiérarchical) pour réduire l’explosion des conflits et des
revanche, elle peut suffire lorsque seuls les diagnostics de pannes prédictions.
simples sont recherchés.
■ Méthode de Reiter : au lieu d’énumérer puis de tester les candi- 2.6.6 Autres méthodes ou outils
dats, dans [20], l’auteur reprend une idée initialement présentée
par de Kleer en 1976 et qui s’appuie sur la notion de conflit. Un De nombreuses autres contributions ont été apportées à l’édi-
conflit pour (SD, COMPS, OBS) est un sous-ensemble {c1,…, cn} de fice du diagnostic à base de modèles. Certains efforts ont porté
COMPS tel que : sur la définition de différentes formes de modèles afin de réduire
la complexité défavorable des algorithmes précédents. D’autres
efforts ont été déployés pour appliquer la théorie du diagnostic à
base de modèles sur des dispositifs réels et souvent de grande
La génération des conflits peut se faire en calculant, grâce à un taille. Par exemple, les dispositifs électroniques de type analo-
démonstrateur de théorèmes, une réfutation pour : gique ont vite mis en évidence la nécessité de considérer la dyna-
mique et le caractère continu des grandeurs [28].
Parmi ces contributions, les travaux en physique qualitative ou
en raisonnement qualitatif (dont le lecteur trouvera une présenta-
Dans cette réfutation, chaque ab-littéral utilisé constitue un
tion dans [6]) se sont penchés sur les problèmes difficiles tels que
conflit. Un candidat est alors une « couverture » (traduction de hit-
ting-set dans [20]) de tous les conflits obtenus. Rappelons qu’une la modélisation pour le diagnostic des dispositifs continus ou dis-
couverture, pour une collection C d’ensembles, est un ensemble H crets et la modélisation pour le diagnostic des dispositifs dyna-
tel que : miques ou statiques. La séparation entre continu et discret ou
entre dynamique et statique n’est pas nette puisque certains dis-
positifs comportent à la fois des parties de nature dynamique (par
exemple, analogique dans le domaine de l’électronique) et une
partie de nature statique (par exemple, logique). Cela conduit à
concevoir des modélisations « hybrides ». De la même façon, un
dispositif qui évolue dans le temps peut être composé de proces-
Cette couverture est minimale si c’est le plus petit ensemble, au sus évoluant différemment dans le temps.
sens de l’inclusion, vérifiant la propriété précédente. Dans [20],
l’auteur a montré que les diagnostics minimaux sont exactement La prise en compte du caractère continu de certains dispositifs
les couvertures minimales des conflits. Il a proposé un algorithme se fait généralement par discrétisation. Pour cela, on définit diffé-
calculant les couvertures minimales. rentes algèbres. Par exemple, l’algèbre des signes (+, 0, –, ?) ou
l’algèbre sur les ordres de grandeur permettent de décrire le
■ General Diagnosis Engine (GDE) : dans leur système GDE, de comportement d’un dispositif en termes de tendances. D’autres
Kleer et Williams [27] calculent également les diagnostics en deux approches telles que celle suivie dans le système Cats/Diana
phases : génération des conflits et génération des candidats. Le consistent à utiliser des intervalles de valeurs.
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
ment à base de modèles est la détection des conflits utilisés lors tion est une clause de Horn. Un nogood est un ensemble de
de l’explication des incohérences : les explications constituent les termes inconsistants. Le rôle du RMS est de mémoriser les succès
diagnostics recherchés. La gestion de la cohérence dans une base et les échecs réalisés. Cela permet d’éviter de refaire plusieurs fois
de connaissances est donc centrale. Les outils qui assurent cette les mêmes inférences ou d’effectuer des inférences inutiles. Dans
gestion doivent permettre de contrôler l’impact d’une hypothèse [29], l’auteur propose une représentation graphique des dépen-
posée et de limiter les conséquences de la remise en cause d’une dances dans un RMS qui facilite la compréhension. La figure 17
hypothèse. Les systèmes de maintenance du raisonnement (RMS) donne l’exemple de la représentation d’une dépendance entre
sont des outils dédiés à ce travail. Nous commençons par les pré- faits obtenue après l’application des deux règles suivantes :
senter. Ensuite, compte tenu du lien fort qui existe entre les RMS
et les CSP (problèmes de satisfaction de contraintes), ces derniers
seront abordés plus en détail.
La première règle exprime que le fait E peut être déduit lorsque
les faits A et B sont des théorèmes (ils sont présents dans la base
2.7.1 Systèmes de maintien du raisonnement de faits ou ils sont déductibles de cette base) et lorsque les faits C
et D en sont absents (on ne peut déduire ni ni de la base
D’une manière générale, les systèmes de maintien de la cohé- de faits). La seconde règle exprime que E est également déduc-
rence fonctionnent en parallèle de systèmes d’inférences selon le tible si F est un théorème et que l’on ne peut déduire P.
schéma de la figure 16. L’ensemble constitue un système de rai-
sonnement hypothétique. Toute connaissance est représentée par un nœud qui comporte
une proposition, un état et une liste de justifications. L’ensemble
Le système d’inférences déduit de nouvelles informations à par- des nœuds représente la base de faits. L’état d’un nœud évolue au
tir des connaissances dont il dispose. Généralement, ce système cours du raisonnement. Un nœud est dans l’état IN si au moins
d’inférences manipule des connaissances représentées sous la l’une de ses dépendances est valide et il est dans l’état OUT si
forme de règles qui traduisent des dépendances entre des élé- toutes ses dépendances sont invalides. Une dépendance est dite
ments de connaissances. valide si tous les nœuds de sa liste IN sont dans l’état IN et si tous
les nœuds de sa liste OUT sont dans l’état OUT. Sinon, cette
dépendance est invalide. De plus, il y a des dépendances toujours
valides (elles n’ont ni liste IN ni liste OUT) et elles permettent de
représenter des axiomes ou faits initiaux. Une dépendance dont la
liste OUT n’est pas vide est dite non monotone.
Cette représentation permet de maintenir la consistance dans
une base de connaissances.
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
2.7.2 Des RMS aux CSP et des CSP Plusieurs propositions ont été faites pour choisir une observa-
aux diagnostics tion qui va discriminer les diagnostics. Par exemple, dans [27], les
auteurs choisissent l’observation qui minimise l’entropie, au sens
Deux grandes familles de RMS peuvent être distinguées : les de la théorie de l’information.
RMS de type TMS et les RMS de type ATMS.
Concernant les tests et leur génération, des travaux ont été
Le TMS (truth maintenance system) a été défini par Doyle [4]. Il menés, mais peu d’entre eux l’ont été dans le cadre du diagnos-
se base sur la notion de justification. Une caractéristique des sys- tic à base de modèles. Parmi les rares travaux dans ce domaine,
tèmes appartenant à cette famille est qu’ils ne traitent qu’un seul on peut citer [32], dans lequel les auteurs proposent une forma-
contexte à la fois et de ce fait, le traitement s’apparente à un par- lisation du diagnostic à base de modèles intégrant la notion de
cours en profondeur d’abord. test, et [33].
L’ATMS (assumption truth maintenance system) a été défini par
de Kleer [5]. Cette fois, plusieurs hypothèses peuvent être consi-
dérées en même temps. Deux notions sont centrales dans les 2.9 Conclusion
ATMS : les environnements et les conflits. Un environnement est
un ensemble d’hypothèses et un conflit est un ensemble d’hypo- La théorie du diagnostic à base de modèles repose sur le rai-
thèses qui conduit à une contradiction. Les justifications sont sonnement hypothétique. Celui-ci peut être assuré grâce à des
monotones. systèmes de maintien de la cohérence dont le rôle essentiel est
On peut dire que les RMS trouvent leur origine dans les premiers de gérer l’apport ou le retrait d’une proposition dans une base
travaux effectués pour améliorer le backtracking, notamment avec de connaissances. Cette gestion des dépendances est également
la définition du backtracking dirigé par les justifications défini dans l’un des objectifs visés par les solveurs de CSP. Il n’est donc pas
[30]. Depuis, le lien entre les travaux sur les RMS et ceux sur les surprenant de vouloir traiter le diagnostic comme un véritable
problèmes de satisfaction de contraintes (CSP) reste très fort. CSP alors qu’il a été initialement formalisé comme un problème
Dans les problèmes de satisfaction de contraintes, certains logique de raisonnement hypothétique.
n’ont pas de solution (on dit qu’ils sont surcontraints ou inconsis-
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Système à base de cas Exemples de cas représentatifs Il n’y a pas de modèle explicite La qualité de l’approche repose
(section 2.2) des diagnostics déjà réalisés. du comportement du dispositif. sur la quantité et la qualité
La constitution de la base de cas des cas utilisés pour constituer
ne nécessite pas de session la base de cas.
d’extraction de connaissances.
La base de cas évolue
constamment.
Réseau neuronal (section 2.3) Exemples de cas résolus. Robuste, parallélisable. Impossible à rapprocher
d’une connaissance humaine.
Le choix de la topologie
du réseau et des fonctions
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Réseau bayésien (section 2.4) Relations de causalité entre Puissante et robuste. Il s’agit La collecte des probabilités
les variables représentatives d’une approche exploitable conditionnelles est difficile
du problème, probabilité dans d’autres domaines que (des recherches sont en cours
des pannes des composants, celui du diagnostic. pour les obtenir à partir
probabilités conditionnelles D’une manière générale, cette des historiques de pannes).
entre les événements. approche permet d’expliquer
des observations (pas
nécessairement liées à des
pannes) et apporte une aide
certaine dans les problèmes de
décision.
Arbre de décision (section 2.5) Exemples de cas résolus. Rapide à exécuter. Assez facile à Nécessite une reconstruction
interpréter. de l’arbre après chaque
modification du dispositif.
Système à base de modèles Modèles précis du dispositif. Utilisable sur les systèmes Demande un modèle précis.
(section 2.6) jeunes, diagnostic logique. L’explication des diagnostics
obtenus est difficile.
Parmi les axes de recherche privilégiés dans le domaine du des nouveaux dispositifs semble un fait acquis par de nombreux
diagnostic en intelligence artificielle, on peut citer celui qui chercheurs et acteurs des grandes entreprises telles que les
concerne la modélisation des dispositifs [34] et celui qui aborde constructeurs d’automobiles. À ce sujet, certains chercheurs pro-
le diagnostic dans un processus plus global qui débute dès la posent un ensemble de composants logiciels pour la constitution
phase de conception des dispositifs jusqu’à leur exploitation. À d’un outil intelligent de diagnostic. Ces composants rassemblent un
noter également que certaines approches préconisent l’intégra- système de raisonnement hypothétique, un système de prédiction à
tion de l’opérateur humain dans ce processus base de contraintes, un compilateur de modèles, un système de
Les communautés de l’informatique et de l’automatique réu- calcul des diagnostics et un système de transformation des modèles.
nissent leurs efforts dans ces voies. En particulier, l’intégration de la
tâche de diagnostic et de ses contraintes dès la phase de conception
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
P
O
U
Intelligence artificielle et diagnostic R
E
par Sylvain PIECHOWIAK
Professeur des universités
N
LAMIH UMR CNRS 8502, Université polytechnique Hauts-de-France, 59300 Valenciennes,
France
Sources bibliographiques
S
[1] DUBUISSON (B.). – Diagnostic, intelligence [14] BUNTINE (W.). – A guide to the literature on 14th International joint conference on artificial
A
[2]
artificielle et reconnaissance de formes.
Hermès (2001).
BECKER (A.) et NAÏM (P.). – Les réseaux
learning probabilistic networks from data.
IEEE Transactions on knowledge and data en-
gineering, no 8, p. 195-210 (1996).
intelligence (IJCAI 95), p. 211-217, Montréal
(1995). V
[27] DE KLEER (J.) et WILLIAMS (B.C.). – Diagno-
bayésiens – Modèles graphiques de connais-
sance. Eyrolles (1999).
[15] DELCROIX (V.), MAALEJ (M.-A.) et
PIECHOWIAK (S.). – Bayesian networks ver-
sus other probabilistic models for the mul-
sing multiple faults. Artificial intelligence,
n° 32, p. 97-130 (1987). O
[3] PEARL (J.). – Probabilistic reasoning in intel- [28] DAGUE (P.). – Model-based diagnosis of
I
Parution : mars 2020 - Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
[7]
et maintenance. Hermès (1997).
DECHTER (R.). – Constraint processing.
Model-based diagnosis and probabilistic as-
sumption-based reasoning. Artificial intelli-
gence, 104, p. 71-106 (1998).
[30] STALLMAN (M.) et SUSSMAN (G.). – Forward
reasoning and dependency-directed back-
P
Elsevier Science (2003).
[8] CHITTARO (L.), GUIDA (G.), TASSO (C.) et
TOPPANO (E.). – Functional and teleological
[18] QUINLAN (J.R.). – C4.5 : programs for ma-
chine learning. Morgan Kaufmann (1993).
tracking in a system for computer-aided circuit
analysis. Artificial intelligence, 9, p. 135-196
(1977).
L
[19] Artificial intelligence, n° 24 (1984).
knowledge in the multimodeling approach
for reasoning about physical systems : a case
study in diagnosis. IEEE Transactions on sys-
[20] REITER (R.). – A theory of diagnosis from first
principles. Artificial intelligence, n° 32, p. 57-
[31] DECHTER (R.) et FROST (D.). – Backtracking
algorithms for constraint satisfaction pro- U
95 (1987). blems. Technical report, department of Infor-
tems, man and cybernetics, 23, no 6, p. 1718-
[9]
1751 (1993).
RODRIGUEZ (J.) et PIECHOWIAK (S.). – Ex-
[21] DE KLEER (J.) et WILLIAMS (B.C.). – Diagno-
sis with behavioral modes. Proceedings of
mation and Computer science, university of
California, Irvine (1999). S
pressing the behaviour of time-varying de- the 11th International joint conference on ar- [32] McILRAITH (S.) et REITER (R.). – On tests for
vices for the model based diagnosis. Procee- tificial intelligence (IJCAI 89), Detroit, p. 1324- hypothetical reasoning, Readings in model-
dings of the 14th International workshop on 1330 (1989). based diagnosis, p. 89-96 (1992).
expert systems and their applications, Paris [22] DE KLEER (J.), MACKWORTH (A.K.) et REITER [33] EL AYEB (B.). – On the applicability of model-
(1994). (R.). – Characterizing diagnosis and systems. based diagnosis : examining the case of mul-
[10] HATON (J.P.), BOUZID (N.), CHARPILLET (F.), Artificial intelligence, 56 (2-3) (1992). tiple observations. Proceedings of the 7th In-
HATON (M.C.), LÂASRI (B.), LÂASRI (H.), [23] CONSOLE (L.) et TORASSO (P.). – A spectrum ternational conference on industrial and en-
MARQUIS (P.), MONDOT (T.) et NAPOLI (A.). of logical definitions of model-based diagno- gineering applications of artificial intelligence
– Le raisonnement en intelligence artificielle. sis. Computational intelligence, 7, no 3, and expert systems (IEA-AIE 94), p. 435-442,
Inter-Éditions (1991). p. 133-141 (1991). Austin (1994).
[11] CAULIER (P.). – Méthodologie de capitalisa- [24] CORDIER (M.O.) et BESNARD (P.). – Explica- [34] LEFEBVRE (F.). – Contribution à la modélisation
tion et de réutilisation de connaissances pour tions causales. Journées nationales sur les pour le diagnostic des systèmes complexes :
l’aide à la supervision des procédés automa- modèles de raisonnement, Paris, mai 1999. application à la signalisation des lignes à
tisés complexes. Thèse de doctorat, univer- [25] RAIMAN (O.), DE KLEER (J.) et SARASWAT grande vitesse. Thèse de doctorat, université
sité de Valenciennes (1997). (V.). – Critical diagnosis. Proceedings of the de Valenciennes (2000).
[12] RIPLEY (B.D.). – Pattern recognition and neu- 13th International joint conference on artifi- [35] VANDERHAEGEN (F.), JOUGLET (D.) et
ral networks. Cambridge university press cial intelligence (IJCAI 93), p. 18-23, PIECHOWIAK (S.). – Human-reliability analy-
(1996). Chambéry (1993). sis of cooperative redundancy to support dia-
[13] GALLANT (S.I.). – Neural network learning [26] DARWICHE (A.). – Model-based diagnosis gnosis. IEEE Transactions on Reliability, 53,
and expert systems. The MIT Press (1993). using causal networks. Proceedings of the pp. 458-464 (2004)
GENTIL (S.). – Intelligence artificielle appliquée à HATON (J.-P.) et HATON (M.-C.). – Systèmes à
l’automatique. [R 7 215] (1997). bases de connaissances. [H 3 740] (2012).
MANDIAU (R.) et GRISLIN-LE STRUGEON (E.). – KAUFMANN (Z.). – Introduction à la logique floue.
Systèmes multi-agents. [S 7 216] (2002). [R 7 032] (1992).
tiwekacontentpdf_s7217 v2 Ce document a ete delivre pour le compte de 7200029588 - ec nat polytechnique enp // professeur ENP // 105.103.48.136
GAGNEZ DU TEMPS ET SÉCURISEZ VOS PROJETS
EN UTILISANT UNE SOURCE ACTUALISÉE ET FIABLE
RÉDIGÉE ET VALIDÉE MISE À JOUR 100 % COMPATIBLE SERVICES INCLUS
PAR DES EXPERTS PERMANENTE SUR TOUS SUPPORTS DANS CHAQUE OFFRE
NUMÉRIQUES
www.techniques-ingenieur.fr
CONTACT : Tél. : + 33 (0)1 53 35 20 20 - Fax : +33 (0)1 53 26 79 18 - E-mail : infos.clients@teching.com
LES AVANTAGES ET SERVICES
compris dans les offres Techniques de l’Ingénieur
ACCÈS
SERVICES ET OUTILS PRATIQUES
Archives Impression à la demande Alertes actualisations
Technologies anciennes et versions Commandez les éditions papier Recevez par email toutes les nouveautés
antérieures des articles de vos ressources documentaires de vos ressources documentaires
*Questions aux experts est un service réservé aux entreprises, non proposé dans les offres écoles, universités ou pour tout autre organisme de formation.
www.techniques-ingenieur.fr
CONTACT : Tél. : + 33 (0)1 53 35 20 20 - Fax : +33 (0)1 53 26 79 18 - E-mail : infos.clients@teching.com