Skip to content. | Skip to navigation

Emergences

Lettre d'information n° 27

Image emergences pour impression
Personal tools
You are here: Home 2013 Lettre d'information n° 27 Le diagnostic à base de modèles
Document Actions

Le diagnostic à base de modèles

Les machines, les réseaux et les êtres vivants se bardent de capteurs. Mais à partir des données produites, comment inférer un diagnostic pour un système complexe évoluant dans le temps ? Une question pas complètement résolue à laquelle l'équipe de recherche rennaise Dream tente de trouver des réponses innovantes. Les applications concernent les télécommunications, l'industrie, la médecine ou encore la gestion de l'environnement.

Les machines, les réseaux et les êtres vivants se bardent de capteurs. Mais à partir des données produites, comment inférer un diagnostic pour un système complexe évoluant dans le temps ? Une question pas complètement résolue à laquelle l'équipe de recherche rennaise Dream tente de trouver des réponses innovantes. Les applications concernent les télécommunications, l'industrie, la médecine ou encore la gestion de l'environnement.

Débit anémié, surchauffe, fuite, vibrations, radiations, dépressurisation, court-circuit... Les réseaux de capteurs renseignent sur la santé des machines les plus diverses. Mais quand le système devient complexe, comment continuer d'inférer son état à partir de cette moisson d'observations ? Comment caractériser la panne ? “En utilisant des modèles, répond Marie-Odile Cordier, responsable de l'équipe Dream (1). Nous appartenons à cette communauté qui s'intéresse à ce que l'on appelle le diagnostic à base de modèles,” une discipline issue de l'intelligence artificielle. L'idée ? “Quand on surveille un moteur et que l'on veut détecter ses dysfonctionnements, une des méthodes consiste à utiliser un modèle du fonctionnement de ce système. On décrit la manière dont il est structuré en composants. Comment ces composants fonctionnent en temps normal. Comment éventuellement ils dysfonctionnent. Comment leur panne se répercute sur tout le système. Le modèle sert à prédire ce que les capteurs doivent observer. En cas de problème, ce qui est prédit et ce qui est observé est incompatible, et permet non seulement de détecter, mais aussi d'identifier la panne responsable du dysfonctionnement.

L'équipe a contribué à ce domaine en proposant une approche distribuée, basée sur l'étude de l'interaction entre les composants. Les chercheurs rennais s'intéressent ainsi  particulièrement à ce qu'on appelle les systèmes à événements discrets, c'est à dire des systèmes affectés par la survenue d'événements instantanés.  Exemple ? “Typiquement, les réseaux de communication. Leur état peut changer suite à l'arrivée d'un simple message.” Le secteur des télécommunications offre un champ d'application privilégié de ces techniques de diagnostic. Il est possible aussi de recueillir des données d'incidents survenus sur des flottes de téléphones portables, de les analyser et produire des règles de prévention que l'opérateur peut ensuite diffuser. “Une des problématiques intéressantes ici est celui de l'apprentissage incrémental. On ne dispose pas de toutes les données dès le départ. Il faut apprendre au fur et à mesure à partir d'un flux de données. D'une façon générale, nos travaux comportent d'ailleurs très souvent un volet de construction du modèle par acquisition de connaissances avec une dimension temporelle. Nous effectuons par exemple ce que l'on appelle de l'apprentissage de chroniques, décrites par des motifs temporels. Si on observe un événement suivi d'un autre un peu plus tard, alors ce motif temporel peut être caractéristique d'une anomalie de fonctionnement.. on peut apprendre quelque-chose.” Cette technique a servi, par exemple, pour l'analyse  d'électrocardiogrammes afin de surveiller le rythme cardiaque.

Modéliser le transfert des pesticides

Progressivement, l'équipe Dream s'est orientée vers l'aide à la décision, évoluant vers un autre champ applicatif : l'agronomie. “Nous nous intéressons aux problèmes liés à la qualité de l'eau. Nous travaillons avec l'Inra dans le but d'élaborer des outils pour les gestionnaires de bassins versants. Nous avons commencé par étudier le transfert des pesticides. Quand des herbicides sont appliqués sur le maïs par exemple, ils sont susceptibles de ruisseler en surface ou de lessiver vers les nappes phréatiques. Avec l'Inra, nous avons donc travaillé à construire un modèle biophysique qui puisse représenter ce transfert à l'échelle d'un bassin versant.”  Le but : “savoir comment le pesticide voyage jusqu'à la rivière selon les conditions de terrain, les conditions climatiques dont la pluie, la température, l'état du sol... afin de déterminer la quantité arrivant à la rivière et le degré de contamination.

Ce modèle a ensuite été couplé à un modèle décisionnel représentant  les pratiques agricoles et les décisions de l'exploitant sur son exploitation. “Dans quel sens il creuse les sillons. À quelle date il désherbe. À quelle date il sème. À quelle date il applique des pesticides... Une fois que nous avons acquis et représenté ces connaissances, nous pouvons suivre les flux de pesticides à travers les chemins de l'eau, savoir à quelle date et en quelle quantité ils arrivent à la rivière, et la quantité atteignant la nappe...

Exploiter les données de simulation

Dans le prolongement de ces travaux, les chercheurs s'intéressent aussi à la gestion de pâturage. “Comment l'exploitant agricole va gérer son troupeau pour concilier un bon rendement laitier et une pollution minimale. Ceci fait partie des sources de pollution par les nitrates dans un bassin versant. Des modèles complexes existent qui prédisent le transfert de nitrates dans un bassin versant sur des périodes de temps longues.

Ce type de modèle peut aider les experts à mieux comprendre les phénomènes en faisant jouer des scénarios sur une échelle de 25 ans par exemple. Mais les résultats de simulation demeurent souvent difficiles à exploiter. “C'est un gros défi.  Les utilisateurs de modèles se trouvent souvent débordés par l'avalanche de résultats et ne peuvent les exploiter que partiellement. C'est un des aspects qui nous intéresse : comment stocker, comment donner des outils d'analyse de ces données, comment transformer ces données en connaissances pour ensuite pouvoir, par exemple, aider à la gestion ou effectuer une recommandation d'action.”  Ici s'arrête l'outil. “Dans tout ce que nous faisons, l'utilisateur reste en position de contrôle. Au vu des résultats, c'est à lui ensuite d'effectuer des choix.

---------
Note :
(1) Dream est une équipe Inria, Université Rennes 1, Insa Rennes commune à l' Irisa.