Détection de défaillances fondée sur la modélisation des effets physiques dans l’ambiant

Intelligence Ambiante (AmI) 

“ Les technologies les plus importantes sont celles qui disparaissent. Elles empreignent la vie quotidienne jusqu’à se fondre en elle.”- M. Weiser

L’intelligence ambiante (AmI) est une vision du monde futur, où la technologie est omniprésente mais invisible. Les utilisateurs ne sont pas nécessairement conscients d’interagir avec des environnements très riches technologiquement. En effet, un système d’intelligence ambiante est un système interactif dans lequel les capacités de traitement et d’interaction sont dissimulées dans les outils du quotidien, facilitant ainsi l’introduction d’une couche d’intelligence faisant de l’ensemble un environnement intelligent.

Les maisons intelligentes, les hôpitaux intelligents, les transports publics intelligents et les usines intelligentes sont quelques exemples d’application des environnements intelligents. Les buts de ces applications varient de la simple facilitation des tâches de la vie quotidienne au contrôle et à la garantie de la sûreté des patients dans des hôpitaux. Dans ce contexte les tâches de détection et diagnostic de pannes sont importantes, et méritent un traitement spécifique. En effet les systèmes ambiants présentent un certain nombre de caractéristiques particulières par rapport aux autres systèmes, rendant inefficaces l’application des approches de diagnostic classiques. Parmi les caractéristiques spécifiques des systèmes ambiants, on trouve notamment leur aspect ouvert : des composants d’un système ambiant peuvent être ajoutés ou retirés au cours de l’exécution. Dans le cadre de la détection et du diagnostic de pannes, cette caractéristique rend impossible la prédétermination de boucles capteur-effecteur. Les systèmes d’intelligence ambiante présentent d’autres caractéristiques particulières. Par exemple dans [18], ils sont décrits comme des systèmes sensibles (ils détectent la présence des utilisateurs) et réactifs (ils réagissent à la présence des utilisateurs). Dans [24], les auteurs insistent sur la transparence des services rendus par les systèmes ambiants : ils sont non intrusifs et disparaissent même à l’arrière-plan [25].

Une autre, très importante, caractéristique des systèmes d’intelligence ambiante, est la gestion autonome [29]. Cela recouvre des propriétés telles que l’auto configuration, l’auto-adaptation, l’auto-optimisation, l’auto-protection et l’auto réparation. Cette dernière est possible après l’autodiagnostic [31].

Technologies 

Nous présentons ici quelques technologies parmi celles qui sont les plus utilisées dans le contexte des environnements ambiants.

Contrôleurs
Les contrôleurs sont utilisés pour contrôler le fonctionnement des effecteurs. Il existe de simples contrôleurs permettant des fonctionnalités comme allumer/étendre (ou ouvrir/fermer) des effecteurs, comme il existe des contrôleurs plus avancés permettant un contrôle plus avancé de l’état des effecteurs (comme les variateurs de lumière ou les thermostats).

Effecteurs
Les effecteurs sont le moyen à travers lesquels le système ambiant agit sur son environnement. Les effecteurs permettent de convertir des ordres électriques en des actions physiques. Dans cette thèse nous ne distinguons pas entre effecteurs et contrôleurs. Dans nos modèles nous considérons l’ensemble en tant qu’une seule entité que nous appelons effecteur.

Capteurs
Pour effectuer les bonnes actions au bon moment, le système ambiant a besoin d’être au courant de l’état de son environnement et d’être alerté de tout événement qui s’y produit. Un capteur convertit une propriété physique mesurable en un signal pouvant être traité par le système.

Détection et Diagnostic de Pannes

Dans le domaine de l’automatique, les tâches de détection et diagnostic de pannes peuvent être divisées en trois catégories [105] :
• Détection de pannes : la détection, suite à une comparaison, d’une différence entre le système et son modèle.
• Isolement de la panne : après analyse des symptômes de la panne, on essaie de trouver la (les) cause(s) exacte(s) de la panne.
• Identification de la panne : on tente de déduire d’avantages d’informations à propos de la panne : son ampleur, son type, etc.

Le terme diagnostic recouvre l’isolement et l’identification de pannes. Plusieurs travaux ont visé à appliquer des techniques de diagnostic à des systèmes ambiants. Par exemple dans [143] un middleware supervise constamment le contexte du système ambiant, afin de déclencher un ensemble de règles en fonction du contexte. Le système de diagnostic de ce middleware cherche à vérifier que les bonnes règles ont été déclenchées par le middleware, en supposant que les données fournies en entrée du moteur de contexte sont correctes. Dans [145][146], on vérifie au contraire si ces données d’entrée sont bel et bien correctes.

D’autres projets ont visé à créer une infrastructure pour les systèmes d’intelligence ambiante, comme le Context Toolkit [147], Aura [148], Solar [149], ConFab [150], et Gaia [151]. Ces infrastructures fournissent des mécanismes de niveau système pour superviser des composants de l’application afin de faciliter la résolution de certains problèmes particuliers qui peuvent survenir au cours de son fonctionnement.

Point de vue comportemental 

Les tâches de détection de pannes et de diagnostic de pannes dépendent de modèles spécifiques. Ces modèles sont exploités par des moteurs correspondants afin de tirer des conclusions vis-à-vis des pannes. L’architecture d’exécution de la plateforme AmILoop   peut être résumée dans ces étapes :

i) Le moteur de contexte (Context Engine) utilise les informations de la couche matérielle et des informations du modèle statique  pour instancier les objets actuellement présents dans l’environnement et pour initialiser les valeurs des attributs de ces objets (comme les mesures des capteurs, les positions des objets, etc.).
ii) Les informations du modèle statique et les informations du modèle dynamique sont exploitées par le moteur de prédiction pour construire un modèle de prédiction. Ce dernier contient des modèles comportementaux de certains objets et des formules mathématiques permettant le calcul des valeurs attendues sur les capteurs. Le modèle de prédiction est à la base de la phase de détection de pannes.
iii) Les conclusions de la comparaison entre les valeurs théoriques des mesures des capteurs déduites par le modèle de prédiction et les valeurs réelles, les liens déduits entre capteurs et effecteurs, les états des composants, etc., sont ajoutés aux informations dans le moteur de diagnostic. Ces informations sont exploitées par le moteur de diagnostic pour déduire davantage d’informations sur les causes probables des pannes détectées. C’est la phase de diagnostic de pannes. Il est à noter que, dans cette thèse, nous proposons une plateforme qui met en œuvre les modèles et moteurs relatifs à la détection de défaillances. Cependant notre plateforme prévoit dans son architecture (sans l’implémenter) la tâche de diagnostic des pannes détectées.

Table des matières

Chapter 1. Summary of the Thesis in French
1.1. Introduction
1.1.1. Contexte et Motivations
1.1.2. Plan de la thèse
1.2. Etat de l’art
1.2.1. Intelligence Ambiante (AmI)
1.2.2. Technologies
1.2.2.1. Contrôleurs
1.2.2.2. Effecteurs
1.2.2.3. Capteurs
1.2.3. Détection et Diagnostic de Pannes
1.2.4. Architecture générale d’un environnement ambiant
1.3. AmILoop : Une plateforme de détection de pannes dans l’ambiant
1.3.1. Architecture générale d’AmILoop
1.3.1.1. Point de vue structurel
1.3.1.2. Point de vue comportemental
1.3.1.3. Découplage entre effecteurs et capteurs
1.3.2. Concept d’effet
1.3.2.1. Effet lumière
1.3.3. Capteurs (Récepteurs d’effets)
1.3.4. Effecteurs (Générateurs d’effet)
1.3.5. Modificateurs d’effet
1.3.6. Modèle de prédiction
1.4. Implémentation
1.4.1. Le projet « Context Based Digital Personality » (CBDP)
1.4.2. ModHel’X : outil de modélisation hétérogène
1.5. Exemples de détection de pannes dans un environnement ambiant : système luminaire
1.5.1. Description de l’environnement
1.5.2. Construction des modèles
1.5.2.1. Modèle concret
1.5.2.2. Exécution
1.6. Conclusions et perspectives
1.6.1. Notre Contribution
1.6.2. Perspectives
1.6.2.1. Modificateur d’effet avancé
1.6.2.2. Diagnostic de pannes
1.6.2.3. Diagnostic portant sur les tâches des utilisateurs
1.6.3. Conclusion
Chapter 2. Introduction
2.1. Context & Motivation
2.2. Outline of the thesis
Chapter 3. State of the Art
3.1. Ambient intelligence (AmI)
3.1.1. From Artificial Intelligence to Ambient Intelligence
3.1.2. Definitions
3.1.3. Ambient Intelligence and human interaction
3.1.3.1. Context-aware human interaction
3.1.3.2. Human-centered compting
3.1.3.3. Multi-modal human interaction
3.1.4. Smart Environments
3.1.4.1. Smart homes
3.1.4.2. Smart hospitals and healthcare monitoring systems
3.1.4.3. Smart industrial plants and factories
3.1.4.4. Smart transportation systems
3.1.4.5. Smart museums
3.1.4.6. Smart campus
3.2. Technologies
3.2.1. Controllers
3.2.2. Actuators
3.2.3. Sensors
3.2.4. Sensor Networks
3.3. Fault Detection and Diagnosis (FDD)
3.3.1. FDD In the field of automatic control: Terminologies and definitions
3.3.1.1. Fault
3.3.1.2. Fault types
3.3.1.3. FDD: The offline Vs the real-time method
3.3.1.4. Supervision
3.3.1.5. Model-based fault detection method and Fault modeling
3.3.1.6. Fault Diagnosis
3.3.2. FDD in the field of Ambient Intelligence
3.4. Ambient Intelligent System Modeling
3.4.1. A general architecture for a typical Ambient Intelligent Environment
3.5. Conclusion
Chapter 4. AmILoop: A Fault Detection and Diagnosis Framework for Ambient Intelligence
Chapter 5. Implementation
Chapter 6. Application Examples of Fault Detection and Diagnosis in a Smart Home
Chapter 7. Conclusion

Télécharger le rapport complet