Conception d une plateforme d ingénierie de maintenance guidée par les données : Application à la maintenance préventive et curative

Transcription

1 Département d Informatique MEMOIRE Présenté par : BENAMEUR Abdelkader Pour obtenir LE DIPLOME DE MAGISTER Spécialité : Informatique Option : Informatique & Automatique Intitulé : Conception d une plateforme d ingénierie de maintenance guidée par les données : Application à la maintenance préventive et curative Soutenue le : /./2010 à la salle de conférences de la faculté des sciences Devant les membres du jury : Pr B. BELDJILALI, Dr B. ATMANI, Dr G. BELALEM, Dr L. SEKHRI, Professeur, Université d Oran (Président) Maître de Conférences, Université d Oran (Encadreur) Maître de Conférences, Université d Oran (Examinateur) Maître de Conférences, Université d Oran (Examinateur)

2 1 Conception d une plateforme d ingénierie de maintenance Dédicace Je dédie ce mémoire tout d abord à mes chers parents pour leur soutien et encouragement, Ainsi que tous les membres de ma famille, mes frères, mes sœurs, mes beaux frères, belles sœurs, mes neveux et mes nièces. Je dédie également ce mémoire à toute ma famille, mes oncles, tantes, cousins et cousines. A mon encadreur pour son soutien et ses conseils. A tous mes amis, et à tous ceux et celles qui me connaissent.

3 2 Conception d une plateforme d ingénierie de maintenance Table des matières Introduction générale Chapitre I : La maintenance : concepts et évolutions I.1. Introduction I.2. Notions de base en maintenance I.2.a. Définitions I.2.b. Types de maintenance I.2.c. La fonction maintenance dans l entreprise I.2.c.1. Importance de la fonction maintenance I.2.c.2. Contenue de la fonction maintenance I.2.c.3. Le processus de maintenance I.3. Evolutions de la maintenance I.3.a. Evolutions organisationnelles I.3.a.1. La maintenance décentralisée I.3.a.2. La maintenance centralisée I.3.a.3. L organisation mixte I.3.a.4. La maintenance sous-traitée I.3.a.5. La maintenance distribuée I.3.b. Evolutions technologiques I.3.b.1. Télémaintenance I.3.b.2. E-maintenance I.3.b.3. Plateforme d e-maintenance I.3.c. Evolutions logicielles I.3.c.1. GMAO I.3.c.2. Les TIC I.3.c.3. Les plateformes I.4. Problématique de recherche I.4.a. L apprentissage automatique pour la maintenance I.4.b. Avantages de l approche I.4.c. Challenges de l approche I.5. Conclusion Chapitre II : L apprentissage automatique II.1. Introduction II.2. Extraction de Connaissances à partir de Données II.2.a. Le processus d ECD II.2.a.1. La sélection des données II.2.a.2. Le prétraitement des données II.2.a.3. La transformation des données... 54

4 3 Conception d une plateforme d ingénierie de maintenance II.2.a.4. La fouille de données II.2.a.5. L évaluation et l interprétation II.2.b. L ECD et l Apprentissage Automatique II.2.b.1. L apprentissage inductif supervisé et non supervisé II.2.b.2. L apprentissage automatique et les systèmes experts II.2.b.3. Les tâches à réaliser II.2.c. Formalisme II.3. Les méthodes à base de graphes d induction II.3.a. Quelques méthodes à base de graphes d induction II.3.b. Principe général II.3.c. La méthode SIPINA II.4. Automate cellulaire pour des systèmes d inférence II.4.a. Un système cellulo-symbolique II.4.b. Le principe général d un automate cellulaire II.4.c. Composants du système CASI II.4.c.1. Moteur d inférence cellulaire (CIE) II.4.c.2. Module de génération et d optimisation (COG) II.4.c.3. Module de validation (CV) II.5. Conclusion Chapitre III : L approche d extraction de connaissances III.1.Introduction III.2.Description de l approche III.2.a. La sélection des données III.2.b. Le prétraitement des données III.2.c. La transformation des données III.2.d. La fouille de données III.2.e. L évaluation et l interprétation III.3.La fouille de données cellulaire III.3.a. La notion d automate cellulaire III.3.b. Un échantillon de l ensemble de données III.3.c. Initialisation, optimisation et génération III.3.c.1. Initialisation III.3.c.2. Optimisation III.3.c.3. Génération III.3.d. Inférence III.3.e. Validation III.4.La prédiction des défaillances III.5.Conclusion Chapitre IV : La plateforme M3A IV.1. Introduction IV.2. Objectifs de la plateforme... 6 IV.2.a. Différents objectifs... 6 IV.2.b. Avantages de la plateforme... 7 IV.2.c. Les tâches à réaliser... 7 IV.3. Architecture de la plateforme... 8 IV.3.a. Composants de la plateforme... 8

5 4 Conception d une plateforme d ingénierie de maintenance IV.3.b. Le modèle de données IV.3.c. Implémentation de la plateforme IV.4. Cas d application IV.4.a. Les moteurs d avions à turbine à gaz IV.4.b. La préparation des données IV.4.c. Résultats de la fouille de données IV.5. Conclusion Conclusion et perspectives

6 5 Conception d une plateforme d ingénierie de maintenance Table des figures Figure I.1 Modes de fonctionnement d un bien..12 Figure I.2 Types de maintenance 13 Figure I.3 Le contenu de la fonction maintenance.17 Figure I.4 Processus général de maintenance 18 Figure I.5 Maintenance Décentralisée (a), Centralisée (b) et Sous-traitée (c).21 Figure I.6 Intensité du lien entre l unité de maintenance et l entreprise...22 Figure I.7 Schéma générique de la télémaintenance.. 24 Figure I.8 Politique de maintenance corrective..31 Figure II.1 Le processus d ECD.37 Figure II.2 - Schéma général d apprentissage et fonction de classement...43 Figure II.3 Un exemple de graphe d induction...45 Figure II.4 - L'algorithme SIPINA.48 Figure II.5 - Diagramme général du système cellulaire CASI..50 Figure III.1 Illustration de l approche d ECD proposée...54 Figure III.2 Etiquetage des instances. 56 Figure III.3 Une fonction des récompenses des prédictions positives Figure III.4 Diagramme général du système cellulaire CASI avec SIPINA..59 Figure III.5 Un graphe d induction obtenu par la méthode SIPINA..61 Figure III.6 Automate cellulaire pour des systèmes d inférence...62 Figure III.7 Eclatement-Fusion inutile...65 Figure IV.1 Organisation générale de la plateforme M3A...76 Figure IV.2 Le module M3A 77 Figure IV.3 Représentation d un équipement dans le modèle...78 Figure IV.4 Représentation des états. 79 Figure IV.5 Représentation des signaux 79 Figure IV.6 Modèle de données. 80 Figure IV.7 Le modèle MVC Figure IV.8 Plusieurs sources de données.. 82 Figure IV.9 Plusieurs algorithmes d apprentissage...83 Figure IV.10 Diagramme simplifié du moteur simulé.84 Figure IV.11 Evolution du paramètre T30 pour la 69 ème série...86 Figure IV.12 Evolution du paramètre Ps30 pour la 69 ème série.86 Figure IV.13 Evolution du paramètre phi pour la 69 ème série 86 Figure IV.14 Sous-ensemble des règles du modèle.88

7 6 Conception d une plateforme d ingénierie de maintenance Liste des tableaux Table II.1 La table Individus x Variables...43 Tableau III.1 Un échantillon de l ensemble de données...60 Tableau III.2 L échantillon après prétraitement...61 Tableau III.3 Configuration initiale de l automate cellulaire...63 Tableau III.4 Les matrices d incidence d entrée/sortie.63 Tableau III.5 Les matrices d incidence d entrée/sortie avant l optimisation...65 Tableau III.6 Les couches CELFACT et CELRULE. 66 Tableau III.7 Les matrices d incidence d entrée/sortie. 66 Tableau III.8 Configuration obtenue avec δ fact..67 Tableau III.9 Configuration obtenue avec δ fact et δ rule...68 Tableau III.10 Configuration finale..68 Tableau III.11 Base de connaissances du graphe de la figure III Tableau III.12 Validation d un individu par automate cellulaire.69 Tableau III.13 Représentation d une nouvelle instance...70 Tableau III.14 Initialisation de l automate cellulaire pour le nouvel individu 70 Tableau III.15 La fin du chainage avant après l établissement d une classe...71 Tableau IV.1 Variable présentes dans l ensemble de données.. 85 Tableau IV.2 Comparaison des résultats...87

8 7 Conception d une plateforme d ingénierie de maintenance Introduction générale Depuis son essor, la fonction maintenance n a cessé d évoluer. Elle est passée d un simple service d entretient lié à la production, à une activité à part entière, pour devenir l une des fonctions essentielles de l entreprise moderne qui participe à sa performance globale. Cette évolution s est concrétisée surtout dans l informatisation de sa gestion et l automatisation de plusieurs de ses procédures, grâce à l implantation de différents systèmes, informatiques ou autres, conçus pour ce domaine. Allant de la détection d alarmes à la gestion des parcs des matériels, ces systèmes interviennent tout au long du processus de maintenance, et traitent tous les types d événements survenus tels que les pannes, la gestion des stocks, les interventions de maintenance préventive, la gestion des ressources humaines et matérielles etc. (Rasovska, 2006). Dès lors, chaque problème, intervention, réparation ou action sur un composant est décrit et sauvegardé dans une base de données, ce qui a fait que le volume de données traitées soit, au fil des années, en croissance sans cesse (Devaney, et al., 2005). Ces importantes masses de données, textuelles ou paramétriques (numériques et symboliques), sont collectées pour de nombreuses années, et pour chaque système en exploitation, permettant ainsi de garder trace de toutes les expériences passées. Elles contiennent en effet, des informations implicites sur les équipements et les pannes et les réparations associées, et si ces informations peuvent être rendues explicites, elles peuvent contribuer à améliorer la fonction maintenance (Devaney, et al., 2005). Cependant, dans un grand nombre d organismes, et pour des raisons apparentes, ces données se sont cumulées sans pour autant apporter ce plus, ou même pas d être proprement archivées, alors qu avec une utilisation appropriée, elles peuvent se transformer en une véritable source de connaissances pouvant être extraites et mises en action. Ce cas de figure constitue une bonne base pour l utilisation des techniques d extraction de connaissances (ECD), dont le principe général est l identification de nouvelles connaissances, auparavant implicites, dans de gros volumes de données. Ces techniques combinent des méthodes issues des statistiques, de reconnaissance des formes, d intelligence artificielle et notamment d apprentissage automatique. L apport de ces techniques peut concerner la fonction maintenance à différents niveaux, particulièrement au niveau de l ingénierie (Déchamp, et al., 2004), ce qui constitue l essence de l idée présentée dans ce travail. Cette idée est motivée par le fait que l application de l extraction de connaissances en maintenance aura l aptitude d améliorer sa performance, et donc celle de toute l entreprise. Plus précisément, une optimisation de la gestion des interventions en termes de planning, d ordonnancement et de gestion de ressources peut être obtenue à travers l analyse des pannes répétitives des équipements. Cette approche permet une stratégie de maintenance préventive de nature anticipative, qui permet à un expert de programmer des interventions dans des moments opportuns, au lieu de suivre l une des stratégies adoptées actuellement qui sont réactives, correctives (intervention après la défaillance) ou systématiques.

9 8 Conception d une plateforme d ingénierie de maintenance Cette notion d anticipation permet d offrir des opportunités d effectuer des tâches de maintenance dans les arrêts de production par exemple. Ainsi, les connaissances extraites, après avoir été validées, fourniront une aide à la décision permettant de réduire les couts engendrés, d améliorer l efficacité des actions à entreprendre, de réduire l indisponibilité des équipements et le nombre des retards, d accroître la sécurité, et d avoir une compréhension plus approfondie sur plusieurs phénomènes. Cependant, les différents systèmes de maintenance sont de natures différentes (temps réel, transactionnel ), et sont basés sur des modèles variés, ce qui peut obstruer une éventuelle utilisation parallèle de ces données. Néanmoins, ceci est devenu possible grâce à l apparition des nouvelles architectures distribuées et coopératives, permettant l intégration et la communication entre ces systèmes. Ces architectures peuvent être implémentées à l aide des plateformes de maintenance, dont l idée majeure est de proposer des services de maintenance via Internet (Rasovska, 2006). Nous présentons dans ce mémoire la conception d une plateforme d ingénierie de maintenance assistée par apprentissage artificiel automatique. La plateforme permet d intégrer divers systèmes de maintenance, déjà en place, afin d utiliser leurs données pour extraire de nouvelles connaissances exploitables pour améliorer la fonction maintenance. Dans la plateforme sera implémentée notre approche d apprentissage automatique cellulo-symbolique, appliquée dans le cadre général d un processus d'extraction de Connaissances à partir de Données de Maintenance (ECDM). Cette approche permet d utiliser les données historiques acquises durant la maintenance et l exploitation des systèmes complexes pour extraire de nouvelles connaissances. En effet, plusieurs algorithmes de fouille de données existent mais leur application sur des applications réelles est un challenge en elle-même, car plusieurs sous-problèmes doivent être adressés. Récemment, plusieurs travaux ont abordé cet aspect d extraction de connaissances à partir des données de maintenance, ainsi que pour la prédiction des pannes. De notre part, nous désirons pousser cette idée, en adaptant les tâches du processus d extraction de connaissances à cette problématique, et en introduisant particulièrement l approche cellulaire (Atmani, et al., 2007), permettant une gestion optimale des connaissances à travers une modélisation booléenne. Grâce à cette approche, la pris en compte d avantage d informations sera possible, ainsi qu une utilisation multiple et répétitive du processus d ECDM offrant un raisonnement temporel et une exploration plus large de l espace des problèmes.

10 9 Conception d une plateforme d ingénierie de maintenance Organisation du mémoire Le mémoire est organisé en quatre chapitres qui peuvent être résumés comme suit : Le Chapitre I est dédié à la fonction maintenance et essaye d introduire les notions fondamentales de ce domaine. Il donne les définitions de base des concepts propres au domaine de la maintenance, et met en évidence les évolutions de cette fonction, afin de positionner notre travail dans les nouvelles tendances. Il expose les évolutions de la maintenance à travers les modes traditionnels et récents de sa gestion, puis à travers ses formes émergentes, en commençant par la télémaintenance, passant par l emaintenance, et en terminant par les plateformes d e-maintenance. Les évolutions logicielles sont aussi mises en évidence. Enfin, il explique la problématique de recherche, et son positionnement par rapport aux recherches dans ce domaine. Le Chapitre II explicite la problématique de l extraction de connaissances et expose sa résolution dans le cadre de l apprentissage automatique. Il donne d abord un aperçu de ce domaine émergeant, en précisant la relation de la fouille de données avec l extraction de connaissances à partir de données, et avec d'autres domaines connexes, tels que l apprentissage automatique, les statistiques ou les bases de données. Il donne aussi un formalisme du problème d extraction de connaissances. Ensuite, il introduit les méthodes symboliques à base de graphe d induction et cite quelques unes de ces méthodes, en particulier la méthode SIPINA utilisée pour démontrer notre approche. Il introduit enfin la notion d automate cellulaire, en fournissant son principe, son intégration avec la méthode SIPINA et les avantages de son utilisation. Le Chapitre III s adresse entièrement à l approche proposée pour l extraction de connaissances à partir des données en maintenance. Il montre les différents aspects rencontrés lors de la préparation des données et l application des techniques de fouille. Puis, il se consacre à la contribution fondamentale du travail, l approche cellulaire, en montrant ses apports par rapport à la représentation des données, l optimisation des graphes et la validation des résultats. Le chapitre sera conclu par l explication de l opération de détection des défaillances par le système cellulaire. Le Chapitre IV présente l architecture de la plateforme développée, et décrit le principe de son fonctionnement. Il définit tout d abord les tâches que la plateforme doit réaliser et les avantages de sa mise en œuvre. Il cite ensuite les composants de la plateforme, et leurs organisations, surtout avec l utilisation des techniques de services web. Le chapitre expose aussi un cas d application concernant les moteurs à turbine à gaz. Il essaye enfin de donner un scénario de fonctionnement, montrant un cas de détection de panne avant qu elle survienne dans le cas des moteurs à turbines à gaz. Finalement, nous concluons ce mémoire en synthétisant les différentes étapes de notre contribution et nous proposons quelques perspectives envisagées pour poursuivre cette recherche.

11 10 Conception d une plateforme d ingénierie de maintenance Chapitre I LA MAINTENANCE : CONCEPTS ET EVOLUTIONS I.1. Introduction I.2. Notions de base en maintenance I.2.a. Définitions I.2.b. Types de maintenance I.2.c. La fonction maintenance dans l entreprise I.2.c.1. Importance de la fonction maintenance I.2.c.2. Contenue de la fonction maintenance I.2.c.3. Le processus de maintenance I.3. Evolutions de la maintenance I.3.a. Evolutions organisationnelles I.3.a.1. La maintenance décentralisée I.3.a.2. La maintenance centralisée I.3.a.3. L organisation mixte I.3.a.4. La maintenance sous-traitée I.3.a.5. La maintenance distribuée I.3.b. Evolutions technologiques I.3.b.1. Télémaintenance I.3.b.2. E-maintenance I.3.b.3. Plateforme d e-maintenance I.3.c. Evolutions logicielles I.3.c.1. GMAO I.3.c.2. Les TIC I.3.c.3. Les plateformes I.4. Problématique de recherche I.4.a. L apprentissage automatique pour la maintenance I.4.b. Avantages de l approche I.4.c. Challenges de l approche I.5. Conclusion... 56

12 11 Conception d une plateforme d ingénierie de maintenance I.1. Introduction De nos jours, les contraintes économiques forcent les entreprises à être de plus en plus performantes dans un environnement fortement concurrentiel dicté par les lois du marché. Les entreprises sont alors dans l obligation de produire toujours mieux et aux coûts les plus bas des produits sans défauts, et ceci sans ralentissements, ni arrêts. Pour cela, leurs systèmes de production ne doivent subir qu un nombre minimum de temps d indisponibilité, tels que les arrêts inévitables dus à la production elle-même (changements de production, montées en température, etc.). Cet objectif est l un des buts de la fonction maintenance d une entreprise. Il s agit de maintenir un bien dans un état lui permettant de répondre de façon optimale à sa fonction (Monchy, 2000). La maintenance était, jusqu'à très récemment, considérée comme étant au centre des coûts au sein des entreprises, et a longtemps été éloignée des stratégies industrielles. Mis à part quelques secteurs comme l aéronautique, les raffineries, le nucléaire et l espace, qui ont été obligés de faire face à ce problème depuis longtemps, l industrie des biens ne s est rendue compte, que depuis peu, que la maintenance peut contribuer d une manière significative à la performance globale de l entreprise (Kaffel, 2001). De par son action directe sur les systèmes de production, la maintenance est devenue un levier de performance incontournable qui conditionne les performances d une organisation. Même si les coûts des actions de maintenance ne sont pas négligeables, ceux liés aux arrêts de production ont un impact encore plus fort sur la production, les produits ou les services proposés par l entreprise et donc sur les clients (Seguy, 2008). Depuis quelque temps, la fonction maintenance a connue de nombreuses mutations pour répondre aux nouveaux besoins économiques et techniques. Aujourd hui, elle est largement pénétrée par les technologies de l information et de la communication, avec les nouveaux concepts de télémaintenance et d e-maintenance. Ces nouvelles formes de maintenance tendent à permettre à ses acteurs l'accès distant à l information, et en cas où cette information ne suffira pas à résoudre un problème, ils peuvent bénéficier directement de l'assistance des experts à distance (Seguy, 2008). La mutation vers la notion d e-maintenance, qui est alors l'intersection de différentes composantes, entre dans le but de permettre au personnel d'accéder à distance à des outils intelligents (Marmier, 2007). Parallèlement à ces évolutions technologiques, l organisation de la maintenance a également évolué, et différents modes d organisation du système de maintenance et des ressources qui le composent sont apparus (Seguy, 2008). A travers ce chapitre sont données les définitions des concepts propres au domaine de la maintenance, et sont mises en évidence les évolutions de cette fonction vers des solutions distantes, afin de positionner notre travail dans ces nouvelles tendances. La deuxième section commence par une présentation des concepts et définitions de bases liées à la maintenance. Ensuite, nous citons les différents types de maintenance ainsi que la fonction et processus de maintenance dans l entreprise. La troisième section est consacrée à l évolution de la maintenance, d abord, à travers les modes traditionnels et récents de sa gestion par les entreprises, puis à travers ses formes émergentes, en commençant par la télémaintenance, passant par la e-maintenance, et en terminant par les plateformes d e-maintenance. Les évolutions logicielles sont aussi mises en évidence dans cette section. Enfin, nous exposons dans la quatrième section notre problématique, et son positionnement par rapport aux recherches dans ce domaine.

13 34 Conception d une plateforme d ingénierie de maintenance I.2. Notions de base en maintenance Afin de bien comprendre la suite de ce mémoire, nous rappelons dans cette section les concepts et définitions couramment utilisés dans le domaine de la maintenance, et qui sont en grande partie tirés des normes proposées par l AFNOR (Association Française de Normalisation) 1, et enrichis par des éléments introduits dans la littérature publiée. I.2.a. Définitions Une première définition normative de la maintenance fut donnée par l AFNOR en 1994 (NF X ), puis a été remplacée, depuis 2001, par une nouvelle définition, désormais européenne (NF EN X ), à savoir (AFNOR, 2001) : MAINTENANCE Ensemble de toutes les actions techniques, administratives et de management durant le cycle de vie d un bien, destinées à le maintenir ou à le rétablir dans un état dans lequel il peut accomplir la fonction requise Dans une définition précédente donnée par l AFNOR (NF X ), on évoque que «Bien maintenir, c est assurer ces opérations au coût global optimum». Le rôle de la maintenance est donc de garantir la plus grande disponibilité des équipements, au meilleur rendement, tout en respectant le budget alloué. Un équipement est exprimé ici par le terme bien, qui est un terme plus général correspondant à (AFNOR, 2001) : BIEN Tout élément, composant, mécanisme, sous-système, unité fonctionnelle, équipement ou système qui peut être considéré individuellement Un bien, qui fait l objet principal de tous les travaux liés à la maintenance, présente durant son existence plusieurs types de modes de fonctionnement parmi lesquels: le mode nominal, dégradé et de défaillance. Un bien peut ne posséder qu un seul mode nominal, par contre, il peut posséder plusieurs modes de défaillance Des évènements peuvent survenir et entraîner des conséquences sur ce mode de fonctionnement, provoquant ainsi une intervention de maintenance. Ces événements peuvent être des dégradations ou des défaillances, qui sont définis comme suit (AFNOR, 2001) : DEGRADATION Evolution irréversible d une ou plusieurs caractéristiques d un bien liée au temps, à la durée d utilisation ou à une autre cause externe DEFAILLANCE La cessation de l aptitude d un bien à accomplir une fonction requise À travers le terme de défaillance, il y a la notion d'un évènement anormal survenu à un instant donné, ce qui la diffère de la dégradation, qui est une évolution de l'état. C'est donc dans le temps qu'évolue le fonctionnement du bien. Initialement, il est en 1 L organisme officiel français de normalisation, membre de l'iso, qui édite la collection des normes NF (française), dont la grande majorité sont aujourd'hui des normes NF EN (européennes), ainsi que des normes NF EN ISO (internationales)

14 35 Conception d une plateforme d ingénierie de maintenance mode nominal, durant lequel il remplit sa mission dans les conditions requises par le concepteur et avec les exigences attendues de l exploitant. Ce mode est caractérisé par certains paramètres définis par le concepteur. Avec son exploitation, les performances du bien vont décroitre, provoquant souvent sa mise dans un état dans lequel il ne remplit que partiellement sa mission, ou il la remplit avec des performances moindres. Il est dit alors qu il subit une dégradation, qui marque le début du mode dégradé. Dans ce cas, si cette dégradation est traitée, le fonctionnement normal peut être retrouvé, alors que si elle n est pas maîtrisée au bout d un certain moment, le bien finira par subir une défaillance. Ceci dit qu il y a eu défaillance après dégradation, cependant il peut y avoir des défaillances brusques. A partir de cet instant, le bien sera incapable d accomplir sa mission, et sera en état de panne (AFNOR, 2001) : PANNE Etat d un bien inapte à accomplir une fonction requise, excluant l inaptitude due à la maintenance préventive ou à d autres actions programmées ou à un manque de ressources extérieures La différence entre une défaillance et une panne est qu une défaillance correspond à un événement et une panne à un état. Sur le plan temporel, la défaillance correspond à une date et la panne à une durée comprise entre l instant d'occurrence de la défaillance et celui de la fin de la réparation. Le mode de fonctionnement dégradé et de panne (de défaillance) font partie de l état de fonctionnement anormal. Les différents modes de fonctionnement cités sont présentés dans la figure suivante (Tararykine, 2005) : Paramètre Seuil de dégradation Panne Maintenance Mode dégradé Mode nominal t 1 t 2 t 3 t 4 Figure I.1 Modes de fonctionnement d un bien En revenant à la définition de la maintenance donnée plus haut, deux mots clés se distinguent : maintenir et rétablir. Le premier fait référence à une action préventive, tandis que le deuxième fait référence à une action corrective. De ces deux types d actions découlent les deux principaux types de maintenance : la maintenance préventive et la maintenance corrective. On rencontre aussi d autres types comme la maintenance améliorative, qui seront tous définis dans les paragraphes suivants.

15 36 Conception d une plateforme d ingénierie de maintenance I.2.b. Types de maintenance Les types (appelés parfois stratégies) de maintenance traduisent la manière dont la défaillance est considérée. Le traitement de la défaillance peut être fait principalement de deux manières : la première par intervention avant la défaillance, il s agit alors de la maintenance préventive, et la deuxième par intervention après la défaillance et il s agit de la maintenance corrective. Il existe d autres types qui sont distingués par la norme AFNOR et qui sont révélés par le schéma suivant (Racoceanu, 2006) : MAINTENANCE Défaillance Maintenance Améliorative Maintenance Corrective Maintenance Préventive Maintenance Proactive Echéancier Evolution des paramètres Seuils prédéterminés Evolution et analyse des causes Systématique Prévisionnelle Proactive Palliative Curative Conditionnelle Dépannage Réparation Visite Prédiction Inspection Contrôle Analyse de propagation, causalité Evénement Concepts de maintenance Opérations de maintenance Figure I.2 Types de maintenance Apparue dans les années 1960, la maintenance corrective est la forme de maintenance la plus traditionnelle car elle n intervient qu après l apparition de la défaillance. Elle correspond à une attitude de défense dans l attente d une défaillance fortuite, attitude caractéristique de l entretien traditionnel. Elle se définie comme (AFNOR, 2001) :

16 37 Conception d une plateforme d ingénierie de maintenance MAINTENANCE CORRECTIVE Maintenance exécutée après détection d une panne et destinée à remettre un bien dans un état dans lequel il peut accomplir une fonction requise Elle regroupe l «ensemble des activités réalisées après la défaillance du bien ou la dégradation de sa fonction pour lui permettre d accomplir une fonction requise, au moins provisoirement : ces activités comportent notamment la localisation de la défaillance et son diagnostic, la remise en état avec ou sans modification, le contrôle du bon fonctionnement» (norme AFNOR NF X ). Elle débouche sur deux types d interventions. Le premier est à caractère provisoire type dépannage, parfois sans l interruption du fonctionnement du bien concerné, ce qui correspond à la maintenance palliative. Le deuxième est à caractère définitif type réparation, parfois après dépannage, ce qui correspond à la maintenance curative. La maintenance préventive constitue une évolution des services de la maintenance traditionnelle. Elle a pour but de diminuer les pertes dues aux défaillances, en les prévenant avant qu elles ne surviennent (AFNOR, 2001) : MAINTENANCE PREVENTIVE Maintenance exécutée à des intervalles prédéterminés ou selon des critères prescrits et destinée à réduire la probabilité de défaillance ou la dégradation du fonctionnement d un bien C est une intervention de maintenance prévue, préparée et programmée avant la date probable d apparition de la défaillance. Des visites préventives périodiques permettent de surveiller l état du matériel en service, mais surtout de mettre en mémoire des informations qui permettront de connaître les lois de dégradations et les seuils d admissibilité. Ces visites préventives permettront ainsi d anticiper les défaillances, donc de préparer des interventions préventives. Parmi ses objectifs : Augmenter la durée de vie des matériels Diminuer la probabilité des défaillances en service Diminuer les temps d arrêt en cas de révision ou de panne Prévenir et aussi prévoir les interventions coûteuses de maintenance corrective Permettre de décider la maintenance corrective dans de bonnes conditions Améliorer les conditions de travail du personnel de production Diminuer le budget de maintenance Supprimer les causes d accidents graves Depuis son essor, la maintenance préventive n a cessée d évoluer pour répondre aux exigences des entreprises. Le besoin d accroitre la disponibilité et de maitriser le coût global des équipements, conjointement aux évolutions technologiques, a conduit à distinguer trois sous types de la maintenance préventive : la maintenance préventive systématique, préventive conditionnelle et préventive prévisionnelle (AFNOR, 2001) : MAINTENANCE SYSTEMATIQUE Maintenance préventive exécutée à des intervalles de temps préétablis ou selon un nombre défini d'unités d'usage mais sans contrôle préalable de l'état du bien

17 38 Conception d une plateforme d ingénierie de maintenance D après la norme AFNOR NF X , la maintenance systématique «comprend l ensemble des actions destinées à restaurer, en totalité ou partiellement, la marge de résistance des matériels non défaillants, lorsque ces taches sont décidées en fonction du temps ou de la production, sans considération de l état des matériels à cet instant». Les actions mentionnées sont effectuées à des dates fixes ou suivant une période qui repose sur l âge de l équipement. Cette dernière solution de mesure de la période est plus efficace et moins coûteuse que la première, mais elle est plus difficile à gérer. La maintenance systématique se traduit par deux types d actions (Kaabi-Harrath, 2004) : 1. Des interventions planifiées qui consistent à nettoyer, réparer ou remplacer certains matériels tels que des composants ou sous-ensembles d équipements. 2. Des inspections périodiques, afin de contrôler ces mêmes composants et sousensembles, qui suivent des dispositions réglementaires ou non, et d effectuer des révisions mineures ou majeures d équipements, voire d ateliers entiers. MAINTENANCE CONDITIONNELLE Maintenance préventive basée sur une surveillance du fonctionnement du bien et/ou des paramètres significatifs de ce fonctionnement intégrant les actions qui en découlent. La surveillance du fonctionnement et des paramètres peut être exécutée selon un calendrier, ou à la demande, ou de façon continue La maintenance conditionnelle (en anglais CBM pour Condition-Based Maintenance) est une forme évoluée du préventif, qui fait l objet d une demande croissante dans un grand nombre d applications industrielles. Elle est basée sur l'analyse des mesures de certains paramètres de l'équipement : le niveau et la qualité de l huile, la température, la pression, la tension, l intensité des matériels électriques, les vibrations... etc. L information sur le fonctionnement peut être fournie par des capteurs fixés en permanence à la machine, et la décision d intervention est prise en réaction au franchissement d un seuil détecté par ces capteurs. Elle n implique pas donc la connaissance de la loi de dégradation. La décision d intervention préventive est prise lorsqu il y a évidence expérimentale de défaut imminent, ou approche d un seuil de dégradation prédéterminé (Zemouri, 2003). D après la norme AFNOR NF X , elle «comprend toutes les taches de restauration de matériels ou de composants non défaillants, entreprises en application d une évaluation d état et de la comparaison avec un critère d acceptation préétabli (défaillance potentielle)». Elle est à appliquer sur les équipements critiques qui impliquent des coûts d arrêt de production prohibitifs, et pour les équipements dangereux pouvant mettre en cause la sécurité des personnes et des biens (Kaabi-Harrath, 2004). MAINTENANCE PREVISIONNELLE Maintenance conditionnelle exécutée en suivant les prévisions extrapolées de l'analyse et de l'évaluation des paramètres significatifs de la dégradation du bien La maintenance prévisionnelle découle de la maintenance conditionnelle, à laquelle elle introduit de la prévision. Elle est basée sur le suivi du matériel et sur des analyses périodiques, pour déterminer la tendance de la dégradation et estimer la période d intervention. Elle permet de planifier les interventions (Kaffel, 2001). Cette maintenance répond au besoin de planification des interventions, pour autant que la prévision de l évolution d une dégradation soit réalisable (Kaabi-Harrath, 2004).

18 39 Conception d une plateforme d ingénierie de maintenance Les années 1990 ont vu l apparition de la maintenance proactive, une «forme avancée de la maintenance prévisionnelle consistant à déterminer les causes initiales de défaillances à partir de l état de défaillance potentielle» (Kaabi-Harrath, 2004). Elle implique la surveillance et la vérification continues des causes primaires de défaillance (Racoceanu, 2006), et repose sur l exploitation du retour d expérience et sur l analyse approfondie des phénomènes pathologiques à l origine des défaillances. Elle est basée sur la maintenance conditionnelle et prévisionnelle et s enrichit du diagnostic des causes de panne et de défaillances (Monchy, 2000). Le dernier type de maintenance est la maintenance améliorative, qui est exécutée afin d améliorer les fonctions ou la fiabilité d un bien. Elle vise à augmenter la fiabilité, la maintenabilité, la disponibilité et la sécurité d un équipement ou d un sous-ensemble. Ce type de maintenance fait partie des interventions de grande maintenance, avec les travaux de rénovation et de remise à neuf (Seguy, 2008). C est l ensemble des mesures qui, par le biais de l intervention de maintenance, parviennent à améliorer la sûreté de fonctionnement du bien sans changer sa fonction première (Monchy, 2000). I.2.c. La fonction maintenance dans l entreprise Les activités de maintenance, au sens de dépannage d un équipement, ont toujours existé, mais elles étaient au départ peu ou pas formalisées, car elles n étaient pas nécessairement assurées par du personnel spécialisé, ni encadrées par des méthodes spécifiques. De plus, elles consistaient essentiellement à réparer un équipement une fois que celui-ci était défaillant, mais n'intégraient que peu la notion du préventif. La notion formalisée de la maintenance est relativement récente. Elle est apparue avec l automatisation des systèmes de production, les enjeux économiques et industriels croissants, et avec les réglementations strictes pour la protection des individus et de l environnement (Deloux, 2008). C est ainsi que la maintenance est devenue une fonction essentielle de l entreprise, qui a dépassée la seule activité d entretenir un parc de machine pour intervenir dans tout le cycle de l exploitation du système (choix et conception du matériel, mise en service, détermination des plans de maintenance, organisation et logistique des activités de maintenance, suivi de l évolution du système,...). L objectif primordial de la fonction maintenance est donc d optimiser en permanence la disponibilité de l outil de travail, et ainsi, elle participe à la production globale. Elle est alors reconnue comme une activité nécessaire (génératrice de profits) alors que l entretien traditionnel était considéré comme une charge financière. De par son action directe sur les équipements de production, la fonction maintenance est devenue un levier de performance incontournable, car même si les coûts des actions de maintenance ne sont pas négligeables, ceux liés aux arrêts de production ont un impact encore plus fort sur la production, les produits ou services proposés par l entreprise et donc sur les clients (Seguy, 2008). I.2.c.1. Importance de la fonction maintenance Cependant, la maintenance n est pas toujours indispensable, et son importance diffère selon le secteur d activité. La maintenance est inévitable et lourde dans les secteurs où la sécurité est capitale. Inversement, les industries manufacturières à faible valeur ajoutée pourront se satisfaire d un entretien traditionnel et limité :

19 40 Conception d une plateforme d ingénierie de maintenance Importance fondamentale : pétrochimie, chimie, nucléaire, transports (aérien, ferroviaire,...) Importance indispensable : entreprises à forte valeur ajoutée, de procès, construction automobile Importance moyenne : industries de constructions diversifiées, coûts d arrêts de production limités, équipements semi automatiques Importance secondaire : entreprises sans production de série, équipements variés Importance faible ou négligeable : entreprise manufacturière, faible valeur ajoutée, forte masse salariale I.2.c.2. Contenue de la fonction maintenance La fonction maintenance peut être présentée comme un ensemble d activités regroupées en deux sous-ensembles : les activités à dominante technique et les activités à dominante gestion comme dans la figure ci-dessous (Kaffel, 2001) : Le dépannage et la remise en route Le diagnostic La prévention Activités à dominance technique La maintenance La réparation Les études et méthodes La gestion de l information et de la documentation Activités à dominance gestion La gestion des budgets La gestion des ressources humaines La gestion des interventions La gestion des parcs et des pièces Figure I.3 Le contenu de la fonction maintenance Les activités relatives à l aspect technique représentent les tâches industrielles d entretien qui sont souvent englobées dans la supervision notamment lorsqu il s agit de traiter des systèmes complexes. Les activités à dominante gestion représentent les tâches de gestion du parc d équipements, les différentes ressources, la documentation etc., et d organisation des activités correspondantes (Kaffel, 2001).

20 41 Conception d une plateforme d ingénierie de maintenance I.2.c.3. Le processus de maintenance Tout comme les activités de production, les activités de maintenance sont structurées. La succession de ces activités se déroule dans le milieu de la production et doit en tenir compte, d où un lien entre ces deux fonctions peut s'avérer indispensable dans certaine structures. Afin de garantir une efficacité et donc minimiser les pertes de disponibilité, l enchaînement des tâches à effectuer au cours d'une intervention de maintenance est défini dans le processus de maintenance. Dans (Rasovska, 2006) les différentes activités de maintenance sont modélisées suivant le type de maintenance. Un processus de maintenance valide pour tous types de maintenance est présenté comme une suite logique et récurrente d opérations techniques et de gestion, que nous reprenons son schéma dans la figure suivante (Rasovska, 2006) : Requête interne Validation Lancement Planification Prise en compte Requête externe Correction Expertise Diagnostic Rétablissement d équipement Restitution Contrôle Intervention Approvisionne ment Figure I.4 Processus général de maintenance La première étape est une demande représentant la formulation du besoin du client envers le prestataire de service de maintenance. Il s agit par exemple de la demande de réalisation de la maintenance préventive ou corrective ainsi que la demande pointue exprimée comme la maintenance améliorative. Le déclenchement est la signalisation, souvent automatique de la panne, impliquant une requête dite demande d'intervention. Elle peut être déclenchée en externe par le client pour une intervention de maintenance corrective, ou en interne par un opérateur de maintenance qui signale un problème après un contrôle ou une intervention. La requête peut être également déclenchée par les programmes de gestion de maintenance, comme le cas de la maintenance préventive, ou encore par les capteurs ou le système de surveillance. Une phase de préparation apparaît dans certains types de maintenance, consistant en une étude première de l équipement (maintenance préventive et proactive), ou une étude spécifique en vue de la proposition d amélioration du fonctionnement (maintenance améliorative). Elle permet d'avoir la stratégie de maintenance la mieux adaptée à l'équipement voir de pouvoir améliorer son fonctionnement ou sa disponibilité.

21 42 Conception d une plateforme d ingénierie de maintenance La demande d intervention, est corrigée et validée puis renvoyée au client qui exprime les disponibilités ou l accord pour les dates d intervention proposées. Suivant la disponibilité de l opérateur possédant les compétences requises par le type d intervention et celle de l'équipement (planning de production) se fait la planification et le lancement consécutifs de l intervention. Les dates d exécution sont complétées dans la demande d intervention, qui sera ensuite transmise à l opérateur en tant qu ordre de travail. Dans l ordre de travail sont mentionnés aussi les outils et les pièces de rechanges nécessaires pour l intervention, impliquant parfois des commandes auprès des fournisseurs, et l ordonnancement se fait donc suivant les délais de l approvisionnement. La prise en compte de l'intervention dans les données de maintenance (par exemple le temps de la réparation) est importante pour la mise à jour des indicateurs du suivi pour la gestion de la maintenance et pour l'exploitation du retour d'expérience. Le diagnostic et l'expertise de la panne concernent la localisation, l'identification de la cause de celle-ci et les actions à mettre en œuvre. Cette phase est présente dans la maintenance corrective et proactive. L'approvisionnement en outils et pièces de rechanges est dans certains cas à réaliser à nouveau, suite du manque d informations par exemple, ou à l'identification d'un nouveau besoin. L'intervention est composée de l'activité de maintenance sur l'équipement (réparation, entretien, amélioration ), mais elle consiste aussi, pour l'opérateur, à remplir un rapport d'intervention. Celui-ci est nécessaire pour l'exploitation de retour d'expérience et le suivi des activités de maintenance. Le contrôle et la restitution de l'équipement sont réalisés conjointement par l'opérateur de maintenance et le client. Au cours de cette étape, ils vérifient le bon fonctionnement de l'équipement. Après avoir introduit, dans la partie précédente, la fonction maintenance, à travers quelques définitions, les types de maintenance et le processus de maintenance, nous allons voir durant la partie suivante ses évolutions, et les nouvelles avancées dans le domaine suivant les trois axes organisationnel, technologique et logiciel. I.3. Evolutions de la maintenance Depuis quelques années, la fonction maintenance a subi de fortes évolutions pour répondre aux besoins économiques et techniques, consolidant ainsi son rôle dans le fonctionnement des entreprises. Aujourd hui, elle est largement pénétrée par les TIC (Technologies de l Information et de la Communication) avec les nouveaux concepts de télémaintenance ou ceux d e-maintenance. Ces nouvelles formes de maintenance tendent à permettre au personnel l'accès distant aux informations. Néanmoins, si ces informations ne suffisent pas à résoudre un problème, il devient possible de bénéficier directement de l'assistance des experts à distance (Seguy, 2008). La mutation vers la notion d e-maintenance, qui est alors l'intersection de différentes composantes, entre dans le but de permettre au personnel d'accéder à distance à des outils intelligents (Marmier, 2007). Parallèlement aux évolutions technologiques, l organisation spatiale de la maintenance a également évolué, et différentes organisations du système de maintenance et des ressources qui le composent sont apparues (Seguy, 2008).

22 43 Conception d une plateforme d ingénierie de maintenance Nous précisons dans ce qui suit les évolutions qu a subies la maintenance récemment, tant sur le plan technologique et logiciel, qu organisationnel. Nous nous intéressons dans un premier temps à l organisation de la maintenance au sein des entreprises, que nous montrons les principaux modèles organisationnels dans les paragraphes suivants. I.3.a. Evolutions organisationnelles Le mode d organisation de la maintenance désigne la manière de sa prise en charge par l entreprise et/ou par des unités extérieures. L entreprise peut prendre en charge toute la fonction maintenance, ou elle peut la confiée partiellement ou entièrement à une unité extérieure, qui peut être une entreprise spécialisée en maintenance, une autre entreprise ou le fabriquant d équipement lui-même. Les équipements peuvent être en location, et si la maintenance n'est pas prise en charge par l'entreprise utilisatrice, elle peut être sous-traitée de la même façon. Diverses organisations sont rencontrées que nous décrivons brièvement les principales d entre elles dans les paragraphes suivants, en commençant par les architectures traditionnelles et en allant vers les structures de plus en plus évoluées (Marmier, 2007) (Tararykine, 2005). I.3.a.1. La maintenance décentralisée Dans ce premier mode d'organisation, une partie de la maintenance, dite maintenance rapprochée ou de plateforme, est réalisée par le service de production, d exploitation, et que l'autre est réalisée par le service de maintenance (Figure I.5.a). Le personnel du service de production, effectue donc les diagnostics, passe les commandes, supervise les travaux de maintenance (remise en état) et participe aux améliorations. Dans une telle organisation, la maintenance et la production sont situées au même endroit. Parmi les avantages de ce type d'organisation est qu il permet principalement de maîtriser le processus de dégradation, une diminution des micro-défaillances ainsi qu'une bonne prévention étant donné que le personnel de production est en contact régulier avec les équipements. Par contre la maîtrise technique étant répartie entre les services de production et de maintenance, il y a des risques de redondance d où la nécessité de procédures de coordination pour éviter une redondance des interventions. I.3.a.2. La maintenance centralisée C est la forme la plus commune d'organisation (Figure I.5.b), qui est incontournable quand la main-d œuvre de production ne peut faire de l auto-maintenance, en présence de hautes technicités des équipements, de fortes contraintes de sécurité...etc. Dans ce cas, le service maintenance est distinct de la production, et regroupe tous les services techniques. Cette organisation comprend un service méthodes chargé de l ordonnancement des travaux, de leur préparation ou encore des équipes techniques d intervention. Elle permet une maîtrise de la fonction et maîtrise technique ainsi qu une optimisation des efforts, cependant elle est parfois cloisonnée et éloignée des préoccupations de la production. Un système de maintenance centralisé peut gérer les activités de maintenance dans un contexte multi-sites, grâce à la mise en place d un atelier de maintenance mobile, dans lequel l'atelier mobile effectue les inspections et les remplacements, tandis que l'atelier de maintenance central gère les réparations des équipements sur les différents sites ainsi que la maintenance préventive.

23 44 Conception d une plateforme d ingénierie de maintenance Production Maintenance de Plateforme Production Maintenance Centrale (a) Maintenance (b) Sous-traitants Sous-traitants Sous-traitants Sous-traitants Sous-traitants Sous-traitants Production EGM (c) Sous-traitants Sous-traitants Sous-traitants Figure I.5 Maintenance Décentralisée (a), Centralisée (b) et Sous-traitée (c) I.3.a.3. L organisation mixte L'organisation mixte tend de bénéficier des avantages des deux systèmes précédents. Elle implique que la maintenance de plateforme soit étroitement intégrée à la conduite du processus. Tandis que le service de production gère la partie logistique, celui de la maintenance assure les activités courantes de maintenance. Parmi ses avantages, la bonne répartition des compétences, la maitrise du processus de vieillissement, la préservation du savoir et la maitrise technique. Par contre, elle impose à tout le personnel une bonne connaissance technique des équipements, où les opérateurs doivent être capables d'assurer des opérations techniques ou encore de trouver et de disposer des informations nécessaires à la réalisation de tâches de maintenance. I.3.a.4. La maintenance sous-traitée Si l'organisation de l'activité de maintenance peut être décentralisée, centralisée ou mixte, l entreprise peut, par contre, décider de la gérer en interne, la confier à des sous-traitants ou la gérer de manière distribuée. Cette dernière solution fait référence à la maintenance distribuée, présentée dans le paragraphe suivant. Quand au recours, totale ou partielle, à la sous-traitance, certaines entreprises optent pour ce choix avec des obligations des résultats. L Entreprise Générale de Maintenance (EGM) peut à son tour sous-traiter certaines activités (Figure I.5.c). L'intérêt d'une sous-traitance totale réside dans la diminution du nombre d'interfaces que rencontre l'entreprise, ce qui peut apporter des gains importants. De plus, le personnel d'un service de maintenance externe pose un regard neuf et n'a pas d'habitudes dues à l'historique de l'entreprise. Il sera responsable de la détection des dysfonctionnements, de la mise en place de la maintenance préventive et de l'appel aux sous-traitants. L'inconvénient majeur est le risque de perdre la maîtrise d'une certaine technique au profit des sous-traitants.

24 45 Conception d une plateforme d ingénierie de maintenance I.3.a.5. La maintenance distribuée La dernière manière de gérer la maintenance présentée ici est la gestion distribuée. Le concept de la maintenance distribuée exploite les connaissances de la maintenance et de l organisation réseau, en s appuyant sur un fonctionnement en réseau des différents éléments entrants en ligne de compte. L architecture du système comprend un ensemble de processeurs (humains, matériels et informationnels), internes ou externes à l entreprise, qualifiés pour réaliser un ensemble de processus, selon l une des deux solutions envisageable dans (Kaffel, 2001) : Le Partage : L entreprise (Ent) fait partie d un réseau d entreprises qui se partagent les services d une unité de maintenance (UM). Le partage et la collaboration : En plus du partage, la collaboration entre les entreprises en lien avec l unité de maintenance crée un réseau dynamique de maintenance dont tous les membres interagissent et communiquent entre eux. Ent 1 Ent 1 Ent 2 Ent 1 Ent 2 UM UM UM Ent 3 Ent 4 Ent 3 Ent 4 Vision interne Partage Partage + collaboration Figure I.6 Intensité du lien entre l unité de maintenance et l entreprise Dans ce fonctionnement en réseau, les états des équipements détectés sur place par des capteurs, sont acheminés via un réseau et transmis au destinataire concerné. Le personnel de maintenance se déplace du centre expert ou d'un site en étant informé, au préalable, de l'intervention à réaliser, ainsi que sur le matériel (outil, consommable, pièce de rechange) qu'il devra déplacer ou faire déplacer. Ce principe d entreprise distribuée peut être retrouvé dans les grandes sociétés ou dans des regroupements en coopérative de petites entreprises. Parmi les intérêts qu il présente est la mise en commun des ressources. Cependant, la distance entre les sites engendre des coûts en temps de déplacement et de localisation des ressources, qu elles soient humaines ou matérielles, telles que les pièces de rechange, ou les outils particuliers ou coûteux. Pour ces ressources, par exemple, les sites doivent coopérer de manière dynamique et continue dans le temps. C'est pourquoi ils se basent sur l'utilisation d'une plate-forme d e-maintenance fonctionnant avec la technologie des web-services (voir I.3.b.3).

25 46 Conception d une plateforme d ingénierie de maintenance I.3.b. Evolutions technologiques Comme nous venons de le voir, aujourd hui, le domaine de la maintenance a de plus en plus tendance à devenir une activité à part entière, surtout avec le concept de la maintenance distribuée. Cette tendance est due en grande partie au développement des TIC qui favorisent l externalisation des activités de maintenance, permettant aux entreprises de se concentrer sur leurs activités principales. Coté types de maintenance, les évolutions provoquées par les TIC sont rencontrées aussi bien en maintenance préventive qu en maintenance corrective. Par exemple, en préventif, ils permettent de faire des relevés d informations à distance, comme ils aident au démontage en rendant accessible la documentation de l équipement à distance. En correctif, les TIC peuvent également aider à l établissement du diagnostic (Seguy, 2008). Un environnement international à forte connotation TIC, permet à l heure actuelle la mise en place de techniques innovantes de gestion de la maintenance. Les entreprises utilisent de plus en plus des moyens de contrôle et de maintenance à distance donnant ainsi lieu à la télémaintenance et à l e-maintenance (Racoceanu, 2006). Nous allons commencer par présenter des généralités sur le domaine de la télémaintenance et de son évolution, l e-maintenance, pour terminer avec les plateformes d e-maintenance. I.3.b.1. Télémaintenance La télémaintenance, également appelée «remote maintenance», pour maintenance à distance, est une forme évoluée de la maintenance, qui permet de répartir et de traiter toutes les informations techniques du processus de production (Tararykine, 2005). Son objectif est de permettre d'effectuer, rapidement et à distance, un grand nombre d'opérations, en vue de gérer les équipements à distance. Elle permet ainsi d'optimiser les coûts et d avoir un meilleur contrôle de l'état de fonctionnement des équipements à maintenir. La norme AFNOR précise sa définition comme (AFNOR, 2001) : TELEMAINTENANCE Maintenance d un bien exécutée sans accès physique du personnel au bien La télémaintenance s'impose progressivement pour toutes les machines ou les chaînes de production pilotées par un microprocesseur (Kaffel, 2001). Ce dernier concentre toutes les informations provenant des multiples capteurs utilisés pour le contrôle du processus et il peut être donc facilement interrogé à distance. Il est également possible depuis le point de contrôle de modifier les paramètres de réglage ainsi que les programmes qui le pilotent (Racoceanu, 2006). Plus précisément, les capteurs sont reliés à une centrale de surveillance qui enregistre toutes les alarmes et les mesures, où des tableaux synoptiques visualisent la localisation de l information. Elle permet d une part le suivi et l enregistrement des données sur chaque machine pour des fins de comparaison, et d autre part, la détection d aléas de fonctionnement. L agent de surveillance qui constate une évolution d une dégradation ou l apparition d un défaut, a la responsabilité de mettre hors service la machine, de consigner la partie lésée de l installation et d alerter les agents d intervention (Kaffel, 2001). Le système complet de la télémaintenance est composé d au moins deux systèmes éloignés l un de l autre qui communiquent et échangent des données entre eux. Ces deux entités ne sont pas forcément les seules mais cela dépend de l'organisation de

26 47 Conception d une plateforme d ingénierie de maintenance l'entreprise. L un de ces systèmes fonctionne comme un système d acquisition de données, représentant l émetteur de données structurées. L autre sera le récepteur, fonctionnant comme un système de traitement de données. Le système émetteur peut envoyer les données automatiquement ou comme réponse à une requête de la part du système récepteur des données (Racoceanu, 2006) (figure I.7) : Poste distant Station de travail TCP/IP Station de travail Station de travail Automate Actionneurs Capteurs Figure I.7 Schéma générique de la télémaintenance Etant donné que l un des composants principaux du système de télémaintenance est le réseau de communication, sur lequel il s'appuie pour la circulation de l'information, des travaux ont porté sur l utilisation du réseau Internet afin de faciliter l'accès à distance aux équipements. Ces travaux ont montré que l'utilisation du réseau Internet a un réel intérêt pour cet effet : l infrastructure du réseau et l interface utilisateur étant déjà existantes, les coûts de développements des applications seront considérablement diminués, tandis que l accès d un expert aux équipements se fait indépendamment de sa localisation (Tararykine, 2005). En plus, pour le personnel, qui ne disposerait pas de suffisamment d'information pour résoudre ses problèmes de maintenance, le réseau peut lui permettre d'accéder à des outils intelligents (Marmier, 2007). Dans ce cas d utilisation d Internet dans un système de télémaintenance, et lorsque via ce système des outils intelligents sont utilisés, on parle d e-maintenance. I.3.b.2. E-maintenance L e-maintenance est encore une forme plus évoluée de la maintenance, qui permet de partager des connaissances et de faire collaborer des acteurs (Seguy, 2008). Le terme e-maintenance a émergé dés le début des années 2000, et il est maintenant très présent dans la littérature liée à la maintenance (Muller, et al., 2006). Une définition pour l emaintenance a été donnée dans (Muller, et al., 2006), à savoir :

27 48 Conception d une plateforme d ingénierie de maintenance E-MAINTENANCE Un support de maintenance qui inclut les ressources, les services et la gestion nécessaires pour rendre possible l exécution d un processus de décision proactif. Ce support inclut les e-technologies (TIC, technologies web, sans fil ), mais aussi les activités d e-maintenance (opérations et processus) comme l e-surveillance, l e-diagnostic, l e-pronostic etc. L e-maintenance est une évolution de la télémaintenance : tandis que celle-ci est un concept de récupération de données à distance ou de prise de contrôle à distance, l emaintenance est un concept lié au principe de web-services, de coopération et de partage des connaissances (Racoceanu, 2006). Elle est associée à la notion de services intelligents puisqu elle permet d accéder à des connaissances externalisées et d eservices (services électroniques via Internet). Parmi ses avantages est de permettre de rendre disponibles des ressources à distance, qu elles soient matérielles (pièces de rechange, outillage, ) ou immatérielles (humaines ou informatiques). Les ressources externalisées sont accessibles grâce au réseau Internet, aux outils de communication, d échange et d accès à l information qui peuvent être regroupées sous le terme d eservice (Seguy, 2008). Donc, et comme rapporté dans (Muller, et al., 2006), le «e» dans e-maintenance signifie «excellente» : E-maintenance = Maintenance excellente = Maintenance efficace (faire plus avec moins de gens et à moindre coût) + Maintenance effective (améliorer le rapport) + Maintenance d entreprise (contribue directement à la performance de l entreprise) Côté systèmes d e-maintenance, plusieurs architectures ont été suggérées dans le but de la standardisation des différents modules de chaque système. Deux de ces solutions résument les travaux dans ce domaine (voir (Tararykine, 2005)). La première est composée généralement d'un ordinateur doté d'un serveur web ou d'un automate programmable possédant un coupleur web, appelé communicateur Internet. C'est le seul équipement qui peut dialoguer avec l'équipement distant. Il concentre toutes les informations provenant des capteurs contrôlant le processus et peuvent être facilement interrogés à distance. Pour la deuxième, et en présence obligatoire d une connexion Internet sur les équipements, ceux-ci seront accédés directement pour devenir des serveurs web enfouis. Ceci implique la mise en œuvre d une fonction serveur web dans les équipements de terrain et le transport par le réseau de terrain des messages Internet, ce qui ne doit pas perturber le fonctionnement du système d automatisme, et donc le trafic réseau correspondant, notamment le trafic périodique déterministe. L architecture d e-maintenance dans sa forme la plus évoluée, peut comprendre plusieurs modules supplémentaires, tel que la détection, le diagnostic ou encore la surveillance. La définition de ces concepts est donnée ci-dessous (Racoceanu, 2006) : SURVEILLANCE La surveillance est un dispositif passif, informationnel qui analyse l'état du système et fournit des indicateurs. La surveillance consiste notamment à détecter et classer les défaillances en observant l'évolution du système puis à les diagnostiquer en localisant les éléments défaillants et en identifiant les causes premières

28 49 Conception d une plateforme d ingénierie de maintenance La surveillance se compose donc de deux fonctions principales qui sont la détection et le diagnostic : DETECTION Pour détecter les défaillances du système, il faut être capable de classer les situations observables comme étant normales ou anormales Cette classification n'est pas triviale, étant donné le manque d'information qui caractérise généralement les situations anormales. Une simplification communément adoptée consiste à considérer comme anormale toute situation qui n'est pas normale. En cas de défaillance, le diagnostic permet, tout d abord, de localiser le composant qui est à l'origine, et il permet ensuite d'identifier la cause : DIAGNOSTIC L'objectif de la fonction diagnostic est de rechercher les causes et de localiser les organes qui ont entraîné une observation particulière. La fonction de diagnostic se décompose en deux fonctions élémentaires : localisation et identification des causes. La localisation permet de déterminer le sousensemble fonctionnel défaillant tandis que l identification de la cause consiste à déterminer les causes qui ont mené à une situation anormale A son tour, le diagnostic se décompose en deux fonctions élémentaires : localisation et identification. A partir de l'observation d'un état de panne, le diagnostic est chargé de retrouver la faute qui en est à l'origine. Ce problème est difficile à résoudre, du fait que si, pour une faute donnée, il est facile de prédire la panne résultante, la démarche inverse qui consiste à identifier la faute à partir de ses effets, est beaucoup plus ardue. Quelques recherches ont développées la notion de diagnostic prédictif qui permet de vérifier le niveau de performance des fonctions de base de l'équipement et de déterminer ses besoins de remise dans un état spécifié. Alors que le diagnostic s'applique de manière corrective (après la panne) pour déterminer les causes probables, le diagnostic prédictif s'applique de manière préventive : DETECTION PREDICTIVE La détection prédictive consiste à prédire une défaillance future. En d autres termes, le but de la détection prédictive est de détecter une dégradation au lieu d une défaillance DIAGNOSTIC PREDICTIF (PRONOSTIC) L'objectif du diagnostic prédictif est d identifier les causes et de localiser les organes qui ont entraîné une dégradation particulière En intégrant le principe de base de la télémaintenance, l e-maintenance lui associe une dimension forte, constituée par la coopération au niveau des informations, des hommes, des services (ingénierie, exploitation, maintenance, sûreté, comptabilité ) et des sociétés (client fournisseur, inter fournisseurs, inter clients ) (Racoceanu, 2006). L e-maintenance ne se limitant donc pas seulement à l'acquisition et au traitement de données à distance, elle devient une solution plus complète et plus complexe appelée plate-forme d e-maintenance (Tararykine, 2005).

29 50 Conception d une plateforme d ingénierie de maintenance I.3.b.3. Plateforme d e-maintenance Avec l informatisation de la maintenance qui connaît une nouvelle période grâce aux développements des TIC, l extension d Internet dans l entreprise, l intégration des applications et l émergence de nouvelles politiques de maintenance, on est rentrés dans ce qui est appelé la maintenance intelligente. On se dirige vers des architectures coopératives et distribuées des systèmes de maintenance communiquant entre eux ou sur une base de réseaux. L implémentation de ces architectures de maintenance peut se faire à l aide de plateformes de maintenance dont l idée majeure est de proposer des services de maintenance via Internet (Rasovska, 2006). Une plateforme d emaintenance consiste en des logiciels, matériels et nouvelles technologies permettant d offrir certains services d e-maintenance (Campos, 2008). Plusieurs plateformes ont été développées et sont en utilisation actuellement : ENIGMA, ICASAME, PROTEUS (Bangemann, et al., 2006), TELMA (Levrat, et al., 2005), CASIP, Remote Data Sentinel, INTERMOR, INID, IPDSS, WSDF, MRPOS etc. Ces plateformes sont le résultat des deux mondes industriel et académique. Certaines sont propriétaires (i.e. ICAS), d autres développées au sein de projets (i.e. PROTEUS), et d autres pour la recherche et l éducation (i.e. TELMA) (Muller, et al., 2006). La mise en place de telles plateformes peut permettre d'accroître considérablement l'efficacité des centres de maintenance. Elle apporte en effet des solutions aux problèmes liés à la maintenance des équipements, notamment dans les organisations distribuées, grâce à son aspect coopératif et distribué (Tararykine, 2005). I.3.c. Evolutions logicielles Les évolutions technologiques ont également concerné les systèmes de gestion des activités de maintenance. La gestion de la maintenance peut être réalisée à l aide d outils logiciels qui ont eux mêmes évolué au fur et à mesure des évolutions technologiques (Seguy, 2008). En effet, le développement des systèmes informatiques dans le domaine de la maintenance a commencé lorsque la maintenance a été reconnue comme fonction fondamentale dans l entreprise et un accent particulier a été mis sur l étude approfondie et le développement des procédures de cette fonction. Au début de l informatisation de la maintenance, des fichiers informatiques des équipements, des interventions, des stocks, des plans et des schémas ont été créés. Puis, l intégration de ces fichiers et l automatisation des activités de la maintenance ont été devenues possibles grâce aux progiciels de GMAO (Rasovska, 2006) : I.3.c.1. GMAO Un système informatique de management de la maintenance (GMAO) est un progiciel organisé autour d une base de données permettant de programmer et de suivre sous les trois aspects technique, budgétaire et organisationnel, toutes les activités d un service de maintenance et les objets de cette activité (services, lignes d atelier, machines, équipements, pièces...) à partir de terminaux disséminés dans les bureaux techniques, les ateliers, les magasins et les bureaux d approvisionnement (voir (Kaabi-Harrath, 2004)). Si la GMAO est mise en place dans un service structuré et organisé, elle deviendra rapidement indispensable. Elle deviendra la mémoire du service et permettra, grâce à ses possibilités de traitement d'information, une meilleure

30 51 Conception d une plateforme d ingénierie de maintenance réactivité. Son partage des données supprimera la personne indispensable. En outre elle permet une traçabilité des procédures et des actions de qualité et un suivi des coûts. Elle peut s'interfacer avec la comptabilité, les achats, les logiciels de GPAO (Gestion de la Production Assisté par Ordinateur), etc. ce qui facilite les échanges transversaux entre les services (Marmier, 2007). La GMAO est caractérisée par quatre fonctionnalités (Marmier, 2007) : La gestion de la maintenance, c'est-à-dire des interventions préventives et curatives sur les machines, La gestion du personnel de maintenance : planning, affectations aux personnes, gestion des formations (peu usitée), La gestion des stocks des pièces détachées : contrôle des stocks en magasin, alertes sur seuil, réception des pièces, La gestion des achats : edition des commandes, gestion des fournisseurs et de leur prix, facturation. Par la suite, ces progiciels ont dû s interfacer avec les autres logiciels de l entreprise tels que les achats et la comptabilité, déjà informatisées précédemment. Doucement, on s est dirigé vers des architectures coopératives et distribuées. Ceci est rendue possible surtout avec le développement des TIC : I.3.c.2. Les TIC Les TIC agissent principalement sur la communication, l accès et le traitement des informations. Elles combinent deux types de technologies : Celles de l information qui permettent d accéder, de stocker, de traiter et de convertir des informations, avec par exemple, un ordinateur, un PDA (Personal Digital Assistant), une tablette graphique, Celles de communication qui permettent de transmettre, d échanger des informations, en prenant appui sur diverses formes de réseaux : Internet, intranet, Les TIC ont considérablement amélioré les possibilités d échange et de stockage de données et leur disponibilité, en améliorant les temps des transferts et les capacités des traitements. L intégration des TIC en maintenance doit permettre d améliorer les performances du service, en augmentant notamment la disponibilité des équipements maintenus tout en minimisant les ressources utilisées. La principale caractéristique des TIC est de rendre disponible et accessible une ressource distante. En maintenance, les ressources et, plus particulièrement, les ressources immatérielles, constituent un enjeu majeur dans la réalisation des interventions (Seguy, 2008). Les TIC peuvent permettre d accéder via à un réseau comme Internet depuis le site d intervention à des ressources non présentes en local (délocalisées) mais qui peuvent s avérer primordiales quant à la résolution de l intervention. Nous avons abordé au début de cette section les évolutions technologiques et organisationnelles de la maintenance, où nous avons constatés l influence des TIC en maintenance. Côté logiciel, elles ont notamment permis la réalisation des plateformes d e-maintenance (Campos, 2008):

31 52 Conception d une plateforme d ingénierie de maintenance I.3.c.3. Les plateformes Les plateformes d e-maintenance ont été introduites dans le paragraphe I.3.b.3, que nous les abordons ici sous leurs formes logicielles. Dans ce contexte, des travaux de recherche, souvent dans le cadre de partenariats industriels, se sont orientés vers la conception et la réalisation de plateformes d instrumentation de solutions d emaintenance (Campos, 2008). Ces plateformes intègrent différents éléments, comme les capteurs ou actionneurs instrumentant les équipements à maintenir, les systèmes distribués de surveillance, les supports de communication. Il existe plusieurs plateformes comme, par exemple : Celle du projet européen PROTEUS (Bangemann, et al., 2006) : plateforme générique pour l e-maintenance, développée à l aide des technologies d Internet et permettant notamment la collaboration des acteurs, le couplage avec les outils classiques de gestion d entreprise de type ERP (Enterprise Resource Planning), l aide au diagnostic, l accessibilité à des ressources, Celle du projet TEMIC (TElé-Maintenance Industrielle Coopérative) (Garcia, et al., 2004) : plateforme de maintenance privilégiant la collaboration d acteurs de maintenance via un réseau de téléphones portables, Le système de maintenance intelligent, développé par le centre américain IMS (Intelligent Maintenance System) : outil privilégiant la prévention des défaillances afin d éviter leur occurrence, en se basant sur des techniques prédictives avancées, TELMA (TELé-Maintenance) développé par le CRAN (Centre de Recherche en Automatique de Nancy) (Levrat, et al., 2005) : plate-forme pour l enseignement et la recherche supportant les enseignements de la maintenance et illustrant les apports des TIC sur les processus et organisations de maintenance. Ces plateformes offrent des solutions d instrumentation des technologies avancées pour la réalisation des interventions de maintenance. Néanmoins, elles restent trop centrées sur les éléments matériels et technologiques qui les composent, sans aborder les ressources immatérielles (Seguy, 2008). Notre travail va se concentrer sur cet aspect de plateforme de maintenance, en proposant un outil d ingénierie pour la maintenance préventive et corrective. Nous proposerons au chapitre III et IV une étude de cette plateforme, toutefois nous commençons d introduire, dans la section suivante, la problématique de recherche dans laquelle nous allons nous positionner. I.4. Problématique de recherche Comme évoqué précédemment, la fonction maintenance n a cessé d évoluer depuis son essor. Cette évolution s est concrétisée notamment dans l informatisation de sa gestion et l automatisation de plusieurs de ses procédures, à travers l implantation de différents systèmes informatiques développés dans le domaine (Muller, et al., 2006). Ces systèmes, intervenant tout au long du processus de maintenance, et traitant tous types d événements survenus, ont engendré une croissance continue dans le volume de données manipulées et stockées. Incluant essentiellement les historiques de pannes et d interventions, ces données sont collectées pour chaque machine en exploitation, et permettent donc de garder trace de toutes expérience passée (Devaney, et al., 2005).

32 53 Conception d une plateforme d ingénierie de maintenance Avec le temps, ces masses de données se sont transformées en une véritable source de connaissances qui peuvent être extraites et utilisées pour améliorer la fonction maintenance, notamment pour la prévention des pannes. Cette conversion de données en connaissances constitue l objectif des techniques d extraction de connaissances, dont le principe est l identification de nouvelles connaissances, auparavant implicites, dans de gros volumes de données. Cependant, les différents systèmes de maintenance étant de natures différentes, et se basant sur des modèles variés, une éventuelle utilisation parallèle de ces données ne sera pas triviale. Néanmoins, ceci est devenu possible grâce à l apparition des architectures distribuées et coopératives, permettant l intégration et la communication entre ces systèmes. Ces architectures peuvent être implémentées à l aide des plateformes de maintenance, dont l idée majeure est de proposer des services de maintenance via Internet (Muller, et al., 2006). Notre but est de proposer une plateforme d ingénierie de maintenance, assistée par apprentissage artificiel automatique (M3A). La plateforme permet d intégrer divers systèmes de maintenance, déjà en place, afin d utiliser leurs données historiques pour extraire de nouvelles connaissances, pour ensuite les mettre en œuvre pour améliorer la fonction maintenance. Nous nous intéressons plus précisément à la prédiction des pannes. Dans la suite, nous précisons le contexte d utilisation de l apprentissage automatique pour la maintenance, et son apport pour améliorer son fonctionnement. Nous exposons aussi les challenges qu on peut rencontrer durant cette tâche. I.4.a. L apprentissage automatique pour la maintenance Aujourd hui, dans la plupart des industries, des gros volumes de données sont générés continuellement, surtout avec les développements des systèmes de surveillance et d acquisition de données. En effet, durant l exploitation et la maintenance des systèmes de production modernes, ou d autres (avions, trains, ), surtout ceux équipés de capteurs de surveillance, de gros volumes de données complexes sont générés et stockés. Ces données, qui consistent en des données textuelles et paramétriques (symboliques ou numériques), sont collectées de plusieurs endroits, parfois en temps réel, pour être ensuite enregistrées dans différentes bases de données. Elles s agissent par exemple des rapports rédigés par les opérateurs, des textes générés automatiquement (des messages d alertes électroniques générés par des ordinateurs par exemple), des valeurs acquises depuis des capteurs implantés sur les différents systèmes etc. Cependant, une fois ces données sont stockées, elles ne sont plus (ou peux) utilisées. Parfois, elles ne sont même pas bien archivées ou entretenues dans des entrepôts de données par exemple, et ce pour différentes raisons. Ces données, qui sont collectées pour de nombreuses années, et pour chaque système en exploitation, permettent de garder trace de toutes les expériences passées. Elles contiennent en effet, des informations implicites sur les équipements et les pannes et réparations associées, et si ces informations peuvent être rendues explicites, elles peuvent contribuer à améliorer la fonction maintenance (Devaney, et al., 2005). Ce cas de figure constitue le champ d exercice préféré des techniques d extraction de connaissances, dont le principe est l identification de nouvelles connaissances, auparavant implicites, dans de gros volumes de données. Ces techniques combinent des méthodes issues des statistiques, de la reconnaissance des formes, d intelligence artificielle et notamment d apprentissage automatique (Fayyad, et al., 1996). L apport

33 54 Conception d une plateforme d ingénierie de maintenance de ces techniques peut concerner la maintenance à différents niveaux, notamment au niveau de l ingénierie (Déchamp, et al., 2004), ce qui constitue l essence de l idée présentée ici. Cette idée est motivée par le fait que l application de l extraction de connaissances en maintenance aura l aptitude d améliorer sa performance, et donc celle de toute l entreprise. Plus précisément, une optimisation de la gestion des interventions en termes de planning, d ordonnancement et de gestion des ressources peut être obtenue à travers l analyse des pannes répétitives des équipements. I.4.b. Avantages de l approche A des fins d optimisation, une demande toujours croissante est apparue en matière de remplacement des politiques de maintenance corrective par celles préventive, et ce dans un grand nombre d'applications industrielles. Il s agit de la mutation d une situation où on subit les pannes à une situation où on maîtrise les pannes, ce qui nécessite quelques moyens technologiques et la connaissance de techniques d analyse appropriées (Zemouri, 2003). Grâce à la surveillance de l évolution de l équipement à travers des données quantifiables et qualifiables, on prévient un dysfonctionnement avant qu il n arrive et on écarte les fausses alarmes qui peuvent ralentir la production. En effet, pour certains équipements (suivant leur importance et surtout leur état de bon fonctionnement), les arrêts ne sont pas admissibles. Pour ces équipements, la maintenance préventive permet de ne pas subir les arrêts intempestifs dus aux pannes. Mais, les arrêts nécessaires pour effectuer ce type de maintenance influencent le taux de défaillance de l équipement, en fonction de leur périodicité et de leur importance. Ces arrêts doivent, d un côté, être suffisants pour éviter toutes pannes, mais d un autre côté, ne doivent pas être trop fréquents afin de ne pas abaisser la disponibilité de l équipement. Dans ce contexte, la diminution de la fréquence des interventions de maintenance préventive ne doit malgré cela pas modifier les risques pour l entourage de l équipement. Elle ne doit pas non plus augmenter le nombre de pannes et/ou la durée des arrêts lors des pannes et donc ne pas diminuer la disponibilité de l équipement. L impact de l espacement des arrêts pour la maintenance est observable sur l évolution du taux de défaillance des équipements (Marmier, 2007). Aptitude du Système Tâche de production Tâche de maintenance Tâche de production Disponible Indisponible Disponible? t 0 Mise en service t 1 Panne t 2 t 3 t 4 Remise en service Temps Figure I.8 Politique de maintenance corrective

34 55 Conception d une plateforme d ingénierie de maintenance Cette approche permet une stratégie de maintenance préventive de nature anticipative, qui permet à un expert de programmer des actions dans des moments opportuns, au lieu de suivre les stratégies de maintenance adoptées actuellement qui sont réactives, correctives (après défaillance) ou systématiques basées sur le temps (section I.2.b). Elle permet de planifier les activités de maintenance avant l occurrence de la défaillance. Autrement dit, il n y aura intervention que lorsqu il y aura nécessité. Cette notion d anticipation permet d offrir des opportunités d effectuer des tâches de maintenance dans les arrêts de production par exemple. Ainsi, les connaissances extraites, après avoir être validées, peuvent fournir une aide à la décision permettant de réduire les couts engendrés, d améliorer l efficacité des actions, de réduire l indisponibilité des équipements et le nombre des retards, d accroître la sécurité, en plus d avoir une compréhension plus approfondie sur plusieurs phénomènes. I.4.c. Challenges de l approche Notre approche consiste à utiliser un apprentissage automatique cellulo-symbolique, appliqué dans le cadre général d un processus d'extraction de Connaissances à partir de Données de Maintenance (ECDM). Plusieurs algorithmes de fouille de données existent pour extraire de la connaissance à partir des données, mais leur application à des applications réelles est un challenge, car plusieurs sous-problèmes doivent être adressés. Récemment, plusieurs travaux ont abordés cet aspect d extraction de connaissances à partir des données de maintenance (Létourneau, et al., 1997) (Reffat, et al., 2004) (Devaney, et al., 2005), ainsi que pour la prédiction des pannes (Famili, et al., 1999) (Pena, et al., 1999) (Déchamp, et al., 2004) (Létourneau, et al., 2005) (Lee, et al., 2006) (Yang, et al., 2007) (Létourneau, et al., 2008) (Magro, et al., 2008). De notre part, et en s inspirant de ces travaux, nous désirons pousser cette idée, en adaptant les tâches du processus d ECD à cette problématique, et en introduisant particulièrement l approche cellulaire (Atmani, et al., 2007), permettant une gestion optimale des connaissances à travers une modélisation booléenne. Grâce à cette approche, la pris en compte d avantage d informations sera possible, ainsi qu une utilisation multiple et répétitive du processus d ECDM offrant un raisonnement temporel et une exploration plus large de l espace des problèmes. Notre objectif est de générer des modèles, sous forme de règles, qui expliquent les défaillances des composants d un système donné. Ces modèles vont être utilisés ensuite pour analyser les mesures sur l état du système pour générer des alertes pour informer l utilisateur quand il y a des défaillances probables. Ces modèles doivent être capables de détecter ces défaillances dans une période de temps raisonnable avant leurs occurrences. L essence du processus d extraction de règles est de générer un ensemble valide de règles de prédiction de défaillances des composants. A la fin, implémenter ces règles dans un système de surveillance qui va recevoir en entrée des données en presque temps réel, pour alerter en sortie le staff lorsqu il y a probabilité de défaillance. Il est important de noter quand même que cette approche est applicable seulement pour les systèmes pour lesquels suffisamment de données sont disponibles. Le champ d ECD a délivré une variété de techniques pour découvrir des modèles dans les grandes masses de données. Cependant, ces techniques ne sont pas désignées pour prendre en charge les différents formats de données comme ceux de notre cas. Nous étudions les issues spécifiques à considérer lors du processus, et notamment celles dues à l utilisation de diverses sources de données et à la préparation des données.

35 56 Conception d une plateforme d ingénierie de maintenance Premièrement, divers formats et sources de données sont à considérer. Les données disponibles inclussent : différents types de mesures de capteurs, les alertes et les messages d alertes générés, descriptions des problèmes et les actions de maintenance entretenues. En plus, il y a des connaissances préalables qui sont disponibles, tels que les guides des problèmes ou les manuels d utilisation. Deuxièmement, la difficulté vient de la complexité et la qualité des données : le nombre de paramètres est parfois très grand, certains paramètres ont des relations temporelles, il y a des données manquantes ou impropres, des valeurs hors limites ou doivent être normalisées... etc. Pour la plateforme, elle doit intégrer les informations sur l état des systèmes et fournir des possibilités d accès à l information au personnel. Elle peut être utilisée pour améliorer la prise de décision lors du processus de maintenance. La plateforme permettra à l information d atteindre son destinataire indépendamment de sa localisation, et dans les délais souhaitables, car se basant sur les nouvelles technologies du web, et particulièrement les services web. I.5. Conclusion Avec les développements récents dans le domaine des NTIC et du réseau Internet, la fonction maintenance subie actuellement de gros changements, que sa soit au niveau technologique, qu au niveau organisationnelle. La tendance à l heure actuelle est d externaliser, en tout ou en partie, la fonction maintenance, en sous-traitant des ressources externes pour se concentrer sur les activités principales. L externalisation est rendue possible grâce, principalement, à l environnement technologique actuel, qui permet la mise en place de techniques innovantes pour la gestion de la maintenance, tel que la télémaintenance ou l e-maintenance, et en s orientant de plus en plus vers des plateformes d e-maintenance. Dans ce chapitre nous avons donné les définitions des concepts propres au domaine de la maintenance industrielle, tout en mettant en évidence l évolution de la fonction maintenance vers des solutions distantes. Après avoir présenté les définitions de bases liées à la maintenance, les différents types et niveaux de maintenance, ainsi que le processus de maintenance, nous avons présenté les modes traditionnels et récents de gestion de la maintenance dans les entreprises. La fonction maintenance ayant fortement évolué, nous avons présenté ensuite l évolution de la maintenance à travers ses formes émergentes, en commençant par la télémaintenance, passant par l emaintenance, et en terminant par les plateformes d e-maintenance. L objectif de notre travail étant de mettre en place les bases d une plateforme d ingénierie de maintenance, ce chapitre avait comme but de se familiariser avec les notions du domaine, et de positionner notre travail dans l évolution actuelle de la maintenance. Nous allons passés dans les chapitres suivants à la présentation détaillée de l approche proposée. Dans un premier lieu, nous allons introduire dans le prochain chapitre le domaine d apprentissage automatique, car notre plateforme sera assistée par apprentissage automatique artificiel. Puis nous allons détaillés dans le troisième chapitre l intégration de l apprentissage dans le domaine de la maintenance, notamment pour la prévention des pannes, et mettre en évidence l utilisation de l approche cellulaire dans la solution globale. Le chapitre quatre est consacré à la conception de la plateforme et son architecture.

36 57 Conception d une plateforme d ingénierie de maintenance Chapitre II L APPRENTISSAGE AUTOMATIQUE II.1. Introduction II.2. Extraction de Connaissances à partir de Données II.2.a. Le processus d ECD II.2.a.1. La sélection des données II.2.a.2. Le prétraitement des données II.2.a.3. La transformation des données II.2.a.4. La fouille de données II.2.a.5. L évaluation et l interprétation II.2.b. L ECD et l Apprentissage Automatique II.2.b.1. L apprentissage inductif supervisé et non supervisé II.2.b.2. L apprentissage automatique et les systèmes experts II.2.b.3. Les tâches à réaliser II.2.c. Formalisme II.3. Les méthodes à base de graphes d induction II.3.a. Quelques méthodes à base de graphes d induction II.3.b. Principe général II.3.c. La méthode SIPINA II.4. Automate cellulaire pour des systèmes d inférence II.4.a. Un système cellulo-symbolique II.4.b. Le principe général d un automate cellulaire II.4.c. Composants du système CASI II.4.c.1. Moteur d inférence cellulaire (CIE) II.4.c.2. Module de génération et d optimisation (COG) II.4.c.3. Module de validation (CV) II.5. Conclusion... 67

37 58 Conception d une plateforme d ingénierie de maintenance II.1. Introduction Comme introduit dans le premier chapitre, dans le domaine de la production et de la maintenance, de grandes masses de données sont collectées pendant de nombreuses années, et sur chaque système en exploitation, permettant de garder trace de toutes les expériences passées. Ces données contiennent en effet, des informations implicites sur les équipements et les pannes et réparations associées, et si ces informations peuvent être rendues explicites, elles peuvent contribuer à améliorer la fonction maintenance. Notre but étant de proposer une plateforme d ingénierie de maintenance, assistée par apprentissage artificiel automatique, nous désirons utiliser ces données pour générer des modèles expliquant les défaillances de certains composants, à travers l utilisation d un apprentissage automatique cellulo-symbolique, appliqué dans le cadre général d un processus d'extraction de connaissances à partir de données de maintenance. L extraction de connaissances à partir des données (ECD) est un domaine qui a attiré, dés son apparition, l attention de beaucoup de chercheurs dans différentes disciplines. L essence même de l ECD est «la découverte non triviale, à partir de données, d une information implicite, précédemment inconnue et potentiellement intéressante». Par le terme d ECD, on désigne tout le cycle de découverte d information. Il regroupe donc la conception et les accès à de grandes bases de données, ainsi que tous les traitements à effectuer pour extraire de l information de ces données. L un de ces traitements est l étape de fouille de données qui revêt d une importance capitale, car c est durant laquelle que va s effectuer l extraction de connaissance proprement dite, à travers l application d une méthode de fouille de données. D une façon générale, ces méthodes exploitent les recherches dans plusieurs disciplines, tel que les statistiques, l analyse des données, la reconnaissance des formes, l intelligence artificielle et notamment l apprentissage automatique (Dietterich, 1997). Ce dernier, a fourni une grande partie des méthodes d extraction de connaissances, d où l appellation de notre outil M3A (Maintenance assistée par Apprentissage Artificiel Automatique). Ce deuxième chapitre explicite la problématique de l extraction de connaissances et expose sa résolution dans le cadre de l apprentissage automatique. Nous donnons d abord un aperçu de ce domaine émergeant, en précisant la manière dont la fouille de données et l extraction de connaissances à partir des données sont reliés entre eux et à d'autres domaines connexes, tels que l apprentissage automatique, les statistiques et les bases de données. Nous présentons aussi les différentes étapes du processus d ECD, et nous donnons un formalisme du problème d extraction de connaissances. La troisième partie introduit les méthodes symboliques à base de graphes d induction. Nous citons quelques unes de ces méthodes, nous donnons leur principe général et nous présentons la méthode SIPINA utilisée pour démontrer notre approche. Dans la quatrième partie, nous passons à la notion d automate cellulaire, en fournissant son principe, son intégration avec la méthode SIPINA et les avantages de son utilisation.

38 52 Conception d une plateforme d ingénierie de maintenance II.2. Extraction de Connaissances à partir de Données Les développements accrus des technologies numériques ont donné lieu, depuis des années, à des volumes de données extrêmement importants qui peuvent receler des informations utiles pour les différents organismes qui les ont produites. Cet état de fait a donné naissance à un nouveau champ d exploration appelé «Knowledge Discovery in Databases (KDD)» dans la terminologie anglo-saxonne, et désigné en français par l expression : Extraction de Connaissances à partir de Données (ECD). Ce nouveau champ, dont l objectif est la production d outils capables d extraire de l information utile (la connaissance) à partir de gros volumes de données, est devenu l une des préoccupations majeures de la recherche informatique qui est favorisée et entretenue par une combinaison d intérêts financiers, commerciaux, médicaux et scientifiques. Historiquement, la notion de découverte de la connaissance dans les données est plus ancienne, mais elle a été attribuée d une variété de noms, comme celui d exploration des données, constitution des modèles (patterns) à partir des données, découverte d information ou encore fouille de données (data mining en anglais). Ce dernier terme était le plus adopté par les statisticiens et les analystes de données, et s utilisait progressivement dans le domaine des bases de données. Cependant, la première utilisation de l expression «Knowledge Discovery in Databases», fut dans le premier atelier de travail sur le KDD en 1989, pour être popularisée ensuite dans le domaine de l Intelligence Artificielle (IA) et dans d autres domaines (Fayyad, et al., 1996). Quelque soit la dénomination, l essence même de l ECD est la découverte non triviale, à partir de données, d une information implicite, précédemment inconnue et potentiellement intéressante. Une telle information extraite des données sera alors qualifiée d une «connaissance». Ainsi, selon (Fayyad, et al., 1996): L ECD est un processus non-trivial d identification de structures inconnues, valides et potentiellement exploitables dans les bases de données L ECD désigne donc le cycle complet de découverte de la connaissance, qui regroupe le stockage et la préparation des données ciblées, ainsi que tous les traitements à effectuer pour extraire de l information de ces données. L ECD est un processus qui comporte ainsi quatre caractéristiques principales (Frawley, et al., 1992) : La connaissance découverte, afin d être compréhensible et utilisable par tout utilisateur, doit être exprimée dans un langage de «haut niveau». La connaissance découverte, afin que l utilisateur puisse y accorder une grande croyance, doit être relativement certaine (englobant des critères de validité mathématique, statistique, et incluant aussi l intégrité des données). Les résultats produits, pour être qualifiés de connaissances, doivent présenter un intérêt aux utilisateurs. Ainsi, l information découverte doit être nouvelle, utile, non triviale, non redondante et intéressante. Le processus de découverte doit être efficace, et pouvant être implémenté sur un ordinateur. Un élément essentiel du domaine d ECD est l entrepôt de données (data warehouse). Il s agit d un environnement permettant de mémoriser de grands jeux de données et d en extraire l information, et peut être donc le point de départ du processus d ECD.

39 53 Conception d une plateforme d ingénierie de maintenance II.2.a. Le processus d ECD Comme évoqué, le terme ECD désigne en réalité un processus complet et interactif de découverte de la connaissance qui englobe plusieurs étapes, allant de la sélection et la préparation des données jusqu à l interprétation des résultats. La figure II.1 présente ce processus décomposé en cinq étapes : sélection, prétraitement, transformation, fouille et interprétation et évaluation (Fayyad, et al., 1996). Les étapes relatives au prétraitement et à la transformation représentent la phase de préparation des données. Dans les paragraphes suivants sont expliquées les différentes étapes, cependant, ils portent seulement sur le cas des données structurées (data mining), et pas sur les cas des données textuelles (text mining) ou d images (image mining) ou d autres. Interprétation / Evaluation Fouille de données Connaissance Sélection Prétraitement Transformation Données prétraitées Données transformées Informations extraites Données Données cibles Figure II.1 Le processus d ECD II.2.a.1. La sélection des données La sélection des données constitue la première étape du processus et permet de ne garder parmi les données disponibles, provenant souvent de plusieurs bases, que celles en accord avec les objectifs imposés et dont l utilisateur a besoin, afin d en extraire les informations cachées. Les données sont structurées en champs typés (dans un domaine de définition), et leur obtention est souvent réalisée à l aide d outils de traitement des requêtes (OLAP, SQL..). Notons seulement que s il est possible d extraire de l information de toutes sources de données, par exemple des bases de données distribuées, l existence d un entrepôt de données diminue considérablement le temps de réalisation d un projet complet d ECD. II.2.a.2. Le prétraitement des données Les deux étapes suivantes entrent dans le cadre de la préparation des données, qui porte sur l accès aux données en vue de construire des tables bidimensionnelles, des corpus de données spécifiques. Avec la phase de sélection, cette phase est critique car elle va conditionner la qualité des résultats obtenus. Elle consomme typiquement de

40 54 Conception d une plateforme d ingénierie de maintenance l ordre de 80% du temps global, car on estime généralement le temps passé à l étape de fouille de données à moins de 20% du temps complet (Francisci, 2004). Pour le prétraitement des données, il représente essentiellement une phase de nettoyage, car les données doivent être les plus adaptées possibles. Lorsque les données proviennent d un entrepôt, le travail est simplifié mais reste néanmoins nécessaire. On peut citer parmi les tâches de nettoyage : Le traitement des doublons et des erreurs de saisie : les doublons vont donner plus d importance aux valeurs répétées, et peuvent donc se révéler gênants, tandis qu une erreur de saisie pourra à l inverse occulter une répétition. Vérification de l intégrité du domaine : par un contrôle sur les domaines des valeurs, on peut retrouver des valeurs aberrantes. Les informations manquantes : dans le cas où des champs ne contiennent aucune donnée, il est parfois intéressant de conserver ces enregistrements, car, d une part, l absence d une information peut être une information (ex : détection de fraudes), et d autre part, les valeurs contenues dans les autres champs risquent aussi d être utiles. Après le nettoyage, on peut avoir besoin d autres bases pour enrichir nos données par l ajout de nouveaux champs, souvent au même nombre d enregistrements. Toutefois, il faut pouvoir relier les données qui parfois sont hétérogènes, ainsi que ré-nettoyer les données en cas de l introduction de nouvelles valeurs manquantes ou aberrantes. II.2.a.3. La transformation des données Pour la transformation des données, elle permet de présenter les données sous la forme attendue par l algorithme d extraction de connaissance. Elle s effectue par le biais du codage et de la normalisation, et les choix sont essentiellement guidés par l algorithme utilisé. On peut avoir recours aux : Regroupements : il est obligatoire d opérer des regroupements pour certains attributs qui prennent un très grand nombre de valeurs discrètes, et ainsi obtenir un nombre de valeurs raisonnable. Changement de type : les types de certains attributs sont modifiés pour faire certaines manipulations (calculs de distance ou de moyenne) Uniformisation d échelle : s il y a des variations d échelle selon les attributs, celles-ci sont autant des perturbations possibles pour certains algorithmes qui sont basés sur des calculs de distances entre enregistrements. II.2.a.4. La fouille de données En dehors de la communauté des chercheurs en ECD, le terme fouille de données (ou data mining) est souvent employé pour désigner tout le processus d'ecd, et non plus l une de ses étapes. Particulièrement, une distinction plus précise s'établit autour du concept d ECD et celui de fouille de données. En effet, l ECD se réfère à l'ensemble du processus de découverte de connaissances, tandis que la fouille de données se réfère à une étape particulière dans ce processus (Frawley, et al., 1992). Cette étape constitue le cœur du processus car c est durant laquelle que va s effectuer l extraction de connaissance proprement dite. Elle fait appel aux méthodes d ECD pour extraire de la connaissance d un ensemble de données, et la présenter sous forme d un modèle.

41 55 Conception d une plateforme d ingénierie de maintenance Cette étape se positionne au centre des recherches en ECD, du fait que les méthodes appliquées constituent un point stratégique dans la démarche d ECD. Ces recherches s appuient grandement sur les travaux réalisés dans d autres domaines, comme les statistiques, l analyse de données, l IA et notamment l apprentissage automatique qui est à l origine de nombreux algorithmes et méthodes utilisés (Dietterich, 1997). Parmi ces méthodes, nous nous intéressons à celles dites d apprentissage inductif supervisé, et plus particulièrement à celles basées sur les graphes d induction, car le modèle obtenu est exprimé sous forme de graphe qui peut être, à son tour, transformé sous forme de règles de production. En plus, nous utilisons la méthode cellulaire pour la génération, la représentation et l optimisation des graphes (Benamina, et al., 2008). II.2.a.5. L évaluation et l interprétation L objectif de la mise en œuvre des techniques de fouille de donnée est d aboutir à des connaissances opérationnelles. Ces connaissances sont exprimées sous forme de modèles plus ou moins complexes : une série de coefficients, des règles logiques du type Si Condition alors Conclusion ou des instances. Pour que ces modèles acquièrent le statut de connaissances, ils doivent être évalués et validés puis interprétés. Il s agit alors de mettre en œuvre une série d opérations qui servent à la validation des modèles, à les rendre intelligibles s ils doivent être utilisés par l humain, ou à les formaliser pour être traités par une machine (ordinateur). Au-delà de la validation statistique, l intelligibilité des modèles est souvent un critère de leur survie. En effet, un modèle compris par l usager sera utilisé et par conséquent critiqué et perfectionné. Les résultats de cette phase de validation permettent, entre autre, à retenir la meilleure méthode de fouille de données. Malheureusement, aucune méthode ne surpasse les autres car elles ont toutes leurs forces et faiblesses spécifiques, et il semble plus avantageux de faire coopérer plusieurs méthodes. A la fin, notons que ce déroulement n est pas toujours linéaire, car on peut constater lors de la validation que les performances obtenues ne sont pas suffisantes ou l information inexploitable, il s agira alors de choisir une autre méthode de fouille, ou de remettre en cause les codages ou de chercher à enrichir d avantage les données. II.2.b. L ECD et l Apprentissage Automatique Le champ d ECD a évolué, et continue d'évoluer, en exploitant les recherches dans des domaines variés, tels que les statistiques, l analyse de données, l IA ou encore les bases de données. L objectif unificateur de ces recherches est l'extraction de connaissances dites de haut niveau à partir de données de base contenues dans de grands ensembles de données. Comme évoqué, l étape de fouille de données du processus d ECD s'appuie grandement sur des techniques connues de ces domaines pour trouver des modèles à partir des données. Le processus d ECD peut être donc considéré comme une activité multidisciplinaire qui englobe des techniques au-delà du champ d'application d une seule discipline particulière. Plus précisément, la problématique de l ECD exploite les principes de l Apprentissage Automatique et de façon privilégiée les méthodes d apprentissage inductif supervisé (Rabaséda, 1996). Etant l un des champs d'étude de l'ia, l'apprentissage automatique (machine learning) fait référence au développement, à l'analyse et à l'implémentation des méthodes qui permettent à une machine (au sens large) d'évoluer par un processus d'apprentissage,

42 56 Conception d une plateforme d ingénierie de maintenance et ainsi de remplir des tâches qu'il est difficile ou impossible de remplir par des moyens algorithmiques plus classiques. Ainsi, et tentant de s'inspirer des êtres vivants pour concevoir des machines capables d'apprendre, il est intimement lié aux sciences cognitives, aux neurosciences, à la biologie et à la psychologie (Mitchell, 1997). L apprentissage automatique est à l origine d un nombre important d algorithmes permettant de découvrir la connaissance. En effet, le processus d apprentissage peut être perçu comme un processus d extraction de connaissances, et les méthodes associées peuvent être désignées comme des méthodes d ECD (Rabaséda, 1996). Même si ces méthodes ou algorithmes varient dans leurs solutions, dans les données traitées et la représentation utilisée, dans leurs stratégies d apprentissage, ils cherchent tous, en apprenant parmi un espace possible de concepts, à trouver une généralisation acceptable du problème. Particulièrement, les méthodes dites d apprentissage inductif supervisé, sont les plus utilisées pour résoudre la problématique d ECD. II.2.b.1. L apprentissage inductif supervisé et non supervisé L apprentissage inductif constitue une grande partie des travaux en apprentissage automatique. D une façon générale, l apprentissage inductif est un processus d acquisition de connaissances par l application d inférences inductives sur des objets (des exemples ou des faits) singuliers, donnés par un expert ou fournis par l environnement, afin de produire des énoncés généraux, des règles (Osorio, 1998). Dans les sciences expérimentales comme la biologie, la médecine, ou la chimie, l apprentissage inductif permet d assister l homme pour détecter des modèles intéressants ou pour révéler les structures stables d ensembles de données. Dans ce processus, on se trouve devant deux situations (Osorio, 1998): Dans la première, chacun des exemples appartient à une classe prédéfinie, et le but est de trouver une description générale et caractéristique décrivant une classe sans avoir à énumérer tous les exemples de cette classe. On cherche à découvrir ce que les exemples ont en commun et donc l induire comme étant la description de la classe. Ceci s effectue par un regroupement des exemples selon les classes prédéfinies. Il s agit donc de l apprentissage supervisé. Si le nombre des classes est de deux, il est dit apprentissage de concept, car les exemples de la première classe seront les exemples positifs et ceux de la deuxième classe les exemples négatifs (contre-exemples). L algorithme d apprentissage doit, dans le cas idéal, trouver un ensemble minimal de descriptions qui discriminent maximalement le concept. Parmi ces algorithmes, il existe comme principales approches, l analyse discriminante, le modèle de Régression, l Espace de Versions, les algorithmes génétiques, les réseaux de neurones, les graphes d induction : CART, C4.5, SIPINA... Dans la deuxième situation, on ne sait pas si ces exemples appartiennent ou non à une même classe (pas de classes prédéfinies), et le but du système d apprentissage est d effectuer les meilleurs regroupements possibles entre les exemples et d en trouver une description explicative. Il s agit alors de l apprentissage non supervisé, appelé aussi apprentissage par observations ou par découverte, qui consiste en l élaboration de nouveaux concepts ou de nouvelles théories caractérisant les exemples donnés.

43 57 Conception d une plateforme d ingénierie de maintenance Outre la découverte de nouvelles connaissances, une application de l apprentissage automatique (et donc de l ECD) peut être la contribution à la réalisation des systèmes experts, qui se sont trouvés face au problème du coût de leur réalisation par des techniques traditionnelles d acquisition des connaissances à partir d experts humains. II.2.b.2. L apprentissage automatique et les systèmes experts Un Système Expert (SE) est un logiciel intelligent qui utilise des connaissances et un procédé d'inférence pour résoudre des problèmes (Osorio, 1998). Il se compose entre autre d une base de connaissances et d un moteur d inférence. L alimentation de la base de connaissances peut être accomplie par explicitation des connaissances par un ingénieur de connaissances, qui va disposer de différents moyens pour la réalisation de cette tâche. Les connaissances sont obtenues à partir d'interviews avec des experts et d'informations disponibles dans des livres, manuels, rapports, etc. Malgré que cette approche est très intéressante, puisqu'on profite des connaissances déjà acquises et bien élaborées, elle présente un certain nombre d'inconvénients : c est un processus extrêmement ennuyeux, les experts humains ne savent pas verbaliser certains types de connaissances et parfois ils ne sont même pas conscients d'avoir utilisé certaines connaissances pour résoudre un problème et par conséquent ne les explicitent pas etc. Ceci est un problème très connu des SE qui est le goulot d'étranglement du processus d'acquisition de connaissances, et par conséquent, on se s est beaucoup investi dans le domaine de l IA à l'étude et l implémentation de systèmes d'acquisition automatique de connaissances. Ces recherches sont du domaine d'apprentissage automatique, qui a fournit une solution au problème des SE, qui consiste à concevoir des programmes informatiques capables d apprendre et de découvrir leurs propres connaissances, et ce, partant de cas pratiques (exemples) (Rabaséda, 1996). Dans ce type de systèmes, l expertise n est plus fournie par l expert humain, mais doit être construite à partir de données dont on dispose sur le domaine en question (Osorio, 1998). Cette utilisation de l apprentissage automatique est aussi une application théorique de l ECD. Quelque soit son utilisation, les problèmes que l on cherche à résoudre par ECD sont multiples. Ce sont les tâches à réaliser et qui seront présentées ci-dessous. II.2.b.3. Les tâches à réaliser En présence des données structurées, différentes problématiques peuvent être mises en évidence, et qui forment des aspects différents d'extraction de connaissances. Ces problématiques, étant du domaine de plusieurs disciplines, peuvent revêtir plusieurs termes qui varient d une discipline à l autre (Francisci, 2004) : La classification : des exemples du domaine sont fournis et étiquetés chacun d une classe prédéfinie, et le système doit découvrir un modèle permettant de déduire la classe (classer) d une nouvelle donnée non étiquetée par une classe particulière. Les termes utilisés pour cette tâche dépendent de la discipline scientifique ou du domaine d application : classification en reconnaissance de formes, discrimination ou prédiction en statistiques, apprentissage de concepts ou apprentissage inductif supervisé en apprentissage automatique.

44 58 Conception d une plateforme d ingénierie de maintenance La segmentation : étant caractérisée comme une activité d apprentissage inductif non supervisé, cette tâche consiste à former des groupes (clusters) homogènes, appelés classes, à l intérieure d une population. Cela signifie que les exemples doivent partager un haut degré de similarité. L estimation : il s agit d un problème ou, au lieu de déterminer une classe, on doit estimer une valeur continue. On parle alors d estimation ou de régression. L estimation peut être utilisée dans un but de classification, et il suffit alors d attribuer une classe particulière pour un intervalle de valeurs estimées. L association : c est le problème de la recherche d associations qui vise à construire un modèle basé sur des règles conditionnelles à partir d une table de données constituée de valeurs d attributs. Une règle conditionnelle est sous la forme : Si conditions Alors résultats, où conditions et résultats sont des conjonctions d expressions simples sur les attributs du jeu de données. Etant donné que plusieurs disciplines se sont intéressées à ces problématiques, et que les recherches en ECD se sont appuyées sur leurs travaux, les méthodes d ECD différent largement dans leurs principes et leurs représentations. Il faut donc les unifiées pour la génération de modèles efficaces et explicatifs. C est le formalisme de la Reconnaissance de Formes qui sera utilisé dans la suite (Zighed, et al., 1992). II.2.c. Formalisme L ensemble d exemples (individus ou objets selon les disciplines) concernés par le problème de classification (la population) sera noté Π = {π 1, π 2,, π n }. A cette population est associé un attribut particulier, noté Y, appelé classe (variable endogène ou concept). A chaque exemple est associée une valeur de Y (sa classe), notée Y(π). C est une fonction qui prend ses valeurs dans l ensemble des étiquettes C, appelé également ensemble des classes : Y : Π C = {y 1,, y j,, y m } π Y(π) Dans notre problème de la maintenance, la population est l ensemble d instances des enregistrements des mesures des capteurs, et la classe pourra être la présence d une panne (noté y 1 ) ou non (noté y 2 ). Le but est de mettre au point un dispositif (modèle) qui permet de classer et de prédire la classe de tous les exemples de la population, et ainsi détecter et prédire la panne à partir de nouvelles mesures en temps réel. La détermination du modèle de classification est liée à l hypothèse selon laquelle les valeurs prises par la variable Y ne relèvent pas du hasard, mais de certaines situations particulières qui peuvent être caractérisées. Pour cela, dans la réalité, on ne dispose pas des exemples en eux même, mais de leur représentation. Cette représentation est matérialisée par des attributs appelés variables exogènes, notés X 1,, X i,, X p qui prennent leurs valeurs respectivement dans R 1,, R i,, R p (i = 1,, p). La modalité d une variable est la valeur X i (π) prise par l exemple π pour l attribut X i. X : Π R = R 1 x x R i x x R p π X(π) = (X 1 (π),, X i (π),, X p (π))

45 59 Conception d une plateforme d ingénierie de maintenance Comme cité plus haut, la population est, dans notre cas, l ensemble d instances des enregistrements des mesures des capteurs, donc chaque attribut représente une mesure différente, ainsi que d autres attributs ajoutés. Par exemple, l attribut X 1 peut être la température, X 2 peut être la pression, X 3 le niveau d huile, X 4 la qualité d huile, X 5 une mesure de vibration etc. Ainsi, la population prise en compte sera représentée par une suite d individus (exemples) avec leurs classes correspondantes dans une table dite table Individus x Variables, comme illustré dans le tableau suivant : Ω X 1 (ω) X 2 (ω) X p (ω) Y(ω) ω 1 X 1 (ω 1 ) X 2 (ω 1 ) X p (ω 1 ) Y(ω 1 ) ω 2 X 1 (ω 2 ) X 2 (ω 2 ) X p (ω 2 ) Y(ω 2 ) ω n X 1 (ω n ) X 2 (ω n ) X p (ω n ) Y(ω n ) Table II.1 La table Individus x Variables Ce tableau montre que ce n est pas toute la population Π qui sera considérée, mais seulement un échantillon prélevé de cette population, noté Ω. Il s agit de l échantillon d apprentissage, pour lequel on connaît pour tout exemple ω sa représentation X(ω) et sa classe Y(ω). L objectif est alors de chercher à élaborer, à partir de cet échantillon, un modèle φ (la fonction de classement) pour lequel on souhaite que φ(x(ω)) = Y(ω) pour une majorité de ω appartenant à Ω. Cette étape est dite étape d apprentissage. Les exemples pour lesquels cette équation est vérifiée sont désignés comme bien classés ou reclassés par la fonction de classement. Ainsi deux taux de classement en apprentissage seront déterminés : le taux de succès qui exprime la proportion d exemples bien reclassés, et son complémentaire le taux d erreur : Population Π Ω Ω' X Espace de représentation R Y Ensemble des classes C ϕ Nouveaux exemples Fonction de classement ϕ Classe Figure II.2 - Schéma général d apprentissage et fonction de classement On emploi ensuite, dans l étape de validation, un échantillon de test Ω prélevé de la population et indépendant de l échantillon d apprentissage, dont les éléments n'ont pas participés à l apprentissage, puis à classer ces exemples à l aide de la fonction φ et enfin à évaluer cette fonction par le taux de succès ou d erreur de classement en validation. Ainsi, après avoir être validé, le modèle φ pourra être utilisé pour prévoir les classes de tous les exemples de la population Π, dans une phase de généralisation.

46 60 Conception d une plateforme d ingénierie de maintenance Comme déjà précisé, nous allons utiliser une fouille de données par apprentissage automatique symbolique, alors nous allons passer en revue, dans la section suivante, un type de méthodes symboliques, qui sont celles à base de graphes d induction. II.3. Les méthodes à base de graphes d induction La génération des modèles de prédiction sera réalisée par un système d apprentissage inductif supervisé. Ce système d induction peut s utiliser dans des démarches plus générales d extraction de connaissances ou de prédiction, comme il peut s utiliser pour l alimentation des systèmes experts. Ce dernier point est important, étant donné que l une des principales composantes d un système expert est la base de connaissances, que l on assimile souvent à une base de règles, et traditionnellement, ces bases sont construites par un expert du domaine, qui, à partir de son expérience et ses connaissances propose des règles de production. L introduction de l apprentissage supervisé, et notamment de l induction des règles à partir d exemples, a permis l accélération du processus d acquisition des connaissances, une meilleure fiabilité face aux règles d experts, et surtout une fiabilité qu on peut quantifier. Dans ce contexte, les modèles obtenus dans notre cas peuvent s ajouter aux règles de maintenance définies par le constructeur du système ou par les experts du domaine. Parmi les méthodes d apprentissage supervisé, l induction des règles à partir d exemples tient une place particulière parce qu elle est celle qui réalise le meilleur compromis entre performances en précision et compréhensibilité. Les méthodes à base de graphes d induction sont des méthodes d'apprentissage dites symboliques, très connues dans le domaine de l'i.a, et qui font partie des méthodes d apprentissage inductif supervisé. Elles produisent des fonctions de classement sous forme de graphes, ou dans le cas particulier, sous forme d arbres, compréhensibles par un utilisateur quelconque. Plus précisément, nous avons opté pour l induction par graphe grâce à la méthode SIPINA. Cette méthode présente l avantage d utiliser un système de représentation qui respect parfaitement les critères de précision et de compréhensibilité, car la transformation du graphe en règles pour alimenter les systèmes experts se fait sans pertes ni modifications de leurs propriétés en classement. Dans un premier temps, nous allons discuter sur les principes généraux que partagent les méthodes basées sur les graphes d'induction. II.3.a. Quelques méthodes à base de graphes d induction D abord, il faut tracer une limite entre le terme de graphe d'induction et celui d'arbre de décision. Le graphe construit pour la plupart des méthodes basées sur les graphes d'inductions ne contient que des opérations d'éclatement au niveau des sommets, et de ce fait il est dit arborescent, et il est souvent appelé arbre de décision. Dans d'autres méthodes, comme la méthode SIPINA, on procède à des opérations de fusion de sommets lors de la construction du graphe, pour limiter la taille de ce dernier. Dans ce cas, le graphe est dit non arborescent. Ainsi, on peut dire que le graphe d induction est une généralisation de l'arbre de décision. Le principe de fusion est donc une caractéristique propre aux graphes d'induction qui ne sont pas des arbres de décision, toutefois, il est aussi exploité, mais sous une variante plus restreinte, dans des méthodes comme CART, ASSISTANT 86 ou GID3 (Rabaséda, 1996).

47 61 Conception d une plateforme d ingénierie de maintenance Historiquement, les premiers travaux sur les arbres de décision datent des années soixante, où on trouve le premier programme d'apprentissage par graphe d'induction qui a été réalisé en 1963 par Sonquist et Morgan. Puis on assiste à l'apparition de l'algorithme ID3 en 1979, grâce à Ross Quinlan (Quinlan, 1986), suite aux travaux de Hunt avec le CLS. Ensuite, vers les années soixante-dix et quatre-vingt, plusieurs systèmes basés sur l'algorithme ID3 ont vu le jour, comme ASSISTANT 86, GID3, KATE, O-BTree, C4.5, SAFI etc. Ces méthodes sont alors considérées comme des descendants d'id3, cependant, il existe aussi d'autres méthodes à base de graphe d'induction, qu on peut citer par exemple les méthodes ELISEE, CART et SIPINA. II.3.b. Principe général Dans leur principe général, ces méthodes cherchent à discriminer les exemples selon leur classe en fonction d attributs considérés comme les «meilleurs» au sens d un critère donné. Sur l échantillon d apprentissage, on cherche l attribut qui discrimine le mieux les exemples, puis sont constitués autant de sous-échantillons que l attribut possède de modalités. Ainsi, chaque sous-échantillon contient les exemples ayant la modalité associée de l attribut, et on cherche sur chaque sous-échantillon, de nouveau, le meilleur attribut, dans un processus récursif qui est réitéré jusqu à ce qu un même sous-échantillon contient des exemples possédant tous la même classe. Le classement d'un nouvel exemple se fait en parcourant un chemin partant de la racine à une feuille, et l'exemple appartient donc à la classe qui correspond aux exemples de la feuille : 7 15 X 6 =0 X 6 =1 7 0 X 3 =0 6 X 3 = Figure II.3 Un exemple de graphe d induction Plus précisément, un graphe d induction est un ensemble de sommets reliés par des arcs. Il existe deux types de sommets particuliers : le sommet initial (la racine) qui n a pas de prédécesseur, et le sommet terminal (la feuille) qui n a pas de successeurs. Les feuilles sont étiquetées de la classe qu ont les exemples sur chacune d elles, et leur ensemble constitue une partition de l échantillon d apprentissage. Pour les sommets intermédiaires, chacun est associés à l attribut discriminant utilisé, et chaque chemin correspond à une valeur possible de cet attribut. A partir d un sommet intermédiaire, il y a autant de chemins que l attribut a de valeurs. Les graphes d induction en général

48 62 Conception d une plateforme d ingénierie de maintenance contiennent un sommet initial unique et plusieurs sommets terminaux, et dans le cas où ils ne comportent pas de circuit, ils sont dits arborescents. Comme précisé, à chaque étape est choisi, parmi les attributs, le «meilleur» au sens d un critère donné de sélection. Chaque méthode utilise un critère particulier, et même si les critères semblent nombreux, ils reposent pratiquement tous sur un principe commun qui est de choisir le meilleur attribut qui permet de réduire l incertitude dans laquelle on se trouve lorsque l on veut classer des exemples. Ainsi, le principe de construction d'un graphe d'induction est le suivant (Rabaséda, 1996) : i. Calculer l'incertitude I(S) de la partition S. ii. Pour chaque attribut et sommet candidat à la segmentation, calculer I(S') avec S' la partition issue de S après la segmentation d'un sommet selon l'attribut X. iii. Sélectionner l'attribut qui maximise la réduction d'incertitude, c'est-à-dire l'écart ΔI(S) = I(S) I(S') et effectuer la segmentation selon cet attribut. iv. S S'. v. Si S est une partition homogène 2 alors affecter à chacune des feuilles une classe, sinon aller en (i). Dans ce principe, l'écart ΔI(S) = I(S) I(S'), appelé gain d'incertitude, est le critère de sélection des attributs, et qui représente la réduction d'incertitude. Pour toutes les méthodes, le but est de maximiser ce critère, mais avant cela, il faut d'abord utiliser des critères pour mesurer l'incertitude. Ces critères différent d'une méthode à l'autre, et on peut citer principalement celles provenant de la théorie de l'information, comme la mesure d'entropie (l'entropie quadratique, de Shannon, de Daroczy). II.3.c. La méthode SIPINA Le terme SIPINA signifie "Système Interactif pour les Processus d'interrogation Non Arborescent", et il désigne une méthode non arborescente. La méthode SIPINA était proposée en France en 1985 par Zighed (Zighed, et al., 1992). A l inverse des méthodes arborescentes, qui ne procèdent lors de la construction du graphe que par des opérations d'éclatement des sommets par les attributs, la méthode SIPINA introduit une opération de fusion entre sommets, dans le but de minimiser le nombre de sommets terminaux tout en s'assurant que ces derniers aient des effectifs suffisamment importants. En effet, la méthode SIPINA utilise lors de la construction du graphe d'induction trois opérations: la fusion, la fusion-éclatement et l'éclatement : L'opération de fusion entre des sommets consiste à regrouper les exemples appartenant à ces sommets, en un seul qui va contenir tous les exemples avec le même partage sur les valeurs de la classe (les exemples de chaque valeur de la classe sont regroupés séparément). La méthode procède à cette opération après le calcul du gain d'incertitude proposé par tout regroupement possible entre les sommets, et le choix du regroupement qui le maximise. Par contre, s'il n'y a pas de gain positif par regroupement, la méthode procède à une tentative de fusion- éclatement. 2 Une partition homogène est une partition qui ne rassemble que des sommets homogènes, et un sommet homogène est un sommet qui ne représente que des exemples d'une même classe.

49 63 Conception d une plateforme d ingénierie de maintenance L'opération de fusion-éclatement intervient quand une tentative de fusion échoue, et, comme son nom l'indique, elle est composée d'une opération de fusion et une autre d'éclatement. La méthode procède à cette opération après le choix de l'attribut qui maximise le gain d'incertitude proposé par l'éclatement d'un sommet, mais que le sommet concerné sera, à son tour, obtenu après fusion de deux autres sommets. L'opération d'éclatement consiste à segmenter un sommet selon un attribut, pour générer autant de sommets que cet attribut a de valeurs, et les exemples contenus dans le sommet sont répartis sur les sommets résultants. La méthode procède à cette opération après le calcul du gain d'incertitude proposé par chaque éclatement possible par les attributs, et le choix de l'attribut qui le maximise, par contre s'il n'y a pas de gain positif par éclatement, la méthode se termine et aucune amélioration ne sera possible pour la partition courante. Pour la mesure d'incertitude, la méthode SIPINA utilise généralement l'entropie quadratique. Le gain d'informations ΔI(S) apporté selon l'entropie Quadratique est donné par la formule suivante : Gain( X ) I ( S) I( S) I ( S) Equation II.1 - Le gain d'informations dans SIPINA x I( S) m j1 N. j N. j 1 N m N m I ( S) x k m N Nij Nij i. 1 N N m N m i1 j1 i. i. Equation II.2 - L'entropie de Quadratique pouvant être utilisée dans SIPINA S un sommet, N son effectif (Card(S)=N) et X un attribut quelconque. S i le sous échantillon composé des exemples ayant la valeur x i. I(S) l'incertitude du sommet S. I x (S) l'incertitude du sommet S après segmentation selon les valeurs de X. N i. le nombre d'exemples dans le sous échantillon S i. N ij le nombre d'exemples dans l'échantillon S i appartenant à la classe c j. m le nombre de classes, et les c j sont les classes. N.j l'effectif des classes c j. λ un paramètre positif non nul. Le paramètre λ pénalise les nœuds de faibles effectifs, et il peut être à son tour calculé en fonction d'un autre paramètre τ qui décrit la contrainte d'admissibilité (c'est un entier représentant le nombre minimum d'individus supporté par un sommet). Le calcule de λ est réalisé en maximisant la fonction Z (λ) suivante : m 2m Z( ) *( m 1) ( m ) ( 1 m ) Equation II.3 - Le calcul du paramètre λ Voici l algorithme complet de la méthode SIPINA :

50 64 Conception d une plateforme d ingénierie de maintenance Début Fin 1. Fixation de la mesure d'incertitude (Quadratique ou Shannon) 2. Fixation des paramètres (τ, λ) 3. Génération de la première partition à partir du sommet initial 4. Tentative de fusion (phase 1), si succès (gain > 0) Alors : 1. Générer partition (fusion) 2. Aller à (4) Sinon : 1. Aller à (5) 5. Tentative de fusion éclatement (phase 2), si succès (gain > 0) Alors : 1. Générer partition (fusion - éclatement) 2. Aller à (4) Sinon : 1. Aller à (6) 6. Tentative d'éclatement (phase 3), si succès (gain > 0) Alors : 1. Générer partition (éclatement) 2. Aller à (4) Sinon : 1. Fin de l'algorithme Figure II.4 - L'algorithme SIPINA A la fin de l algorithme, la fonction de classification est exprimée par un graphe qui peut être transformé sous forme de règles de production. Cependant, l utilisation directe des règles extraites n est pas possible, et il semble nécessaire de simplifier le graphe généré, et par conséquent les règles, avant de les utiliser dans un système d aide à la décision de maintenance, grâce à la machine cellulaire. II.4. Automate cellulaire pour des systèmes d inférence Dans cette partie, nous essayons d introduire l architecture générale d une machine cellulaire, qui permet de réduire la taille des graphes d induction, et d optimiser automatiquement la génération des règles symboliques. Ainsi, après acquisition par apprentissage symbolique d un ensemble d exemples, le but de la machine cellulaire est de réduire la complexité de stockage, en plus de diminuer la durée du traitement. II.4.a. Un système cellulo-symbolique Dans la conception d un système d apprentissage automatique, la représentation et le traitement de la connaissance sont les deux questions rebutantes. Ce sont également les considérations fondamentales dans la conception de n importe quel système de classification (section II.2.b.3), parce que la représentation utilisée peut réduire la complexité de stockage et diminue ainsi la complexité du traitement. La méthode cellulaire est une méthode de génération, de représentation et d optimisation des

51 65 Conception d une plateforme d ingénierie de maintenance graphes d induction. En outre, dans le cas d utilisation du système d apprentissage pour alimenter la base de connaissances d un système expert, des règles conjonctives sont produites à partir d une représentation booléenne des graphes d induction. La représentation cellulaire facilite la transformation des règles dans des expressions booléennes équivalentes, ainsi on peut compter sur l algèbre booléenne élémentaire pour vérifier plusieurs simplifications (Benamina, et al., 2008). D une façon générale, nous utilisons un système cellulo-symbolique organisé en cellules, où chaque cellule est reliée à ses voisines seulement. Toutes les cellules obéissent en parallèle à la même règle appelée fonction de transition locale, qui a comme conséquence une transformation globale du système (Atmani, et al., 2007). II.4.b. Le principe général d un automate cellulaire Un automate cellulaire est une grille composée de cellules qui changent d état dans des étapes discrètes, tel qu après chaque étape, l état de chaque cellule est modifié selon les états de ses voisines dans l étape qui précède. Les cellules sont mises à jour d une façon synchrone, et les transitions sont réalisées théoriquement, simultanément. Grâce à des règles simples et des transitions spécifiques, un automate cellulaire peut effectuer, d une manière globale, des opérations complexes. Certains des concepts principaux pour les automates cellulaires sont (Atmani, et al., 2007) : Configuration : c est l état global de l automate cellulaire qui est défini par les états de toutes ses cellules. Voisinage : il est défini par l ensemble des voisines d une cellule dont les états sont pris en compte pour chaque transition. L état suivant de la cellule dépend de l état actuel de ses voisines, et la transition, d une configuration à une autre, est la conséquence des transitions locales de toutes les cellules. Parallélisme : car toutes les cellules constituant l automate sont mises à jour d une manière simultanée et synchrone. Déterminisme : le nouvel état de chaque cellule est déterminé par son état, et l état de son voisinage seulement. Homogénéité : pour déterminer leur prochain état, toutes les cellules utilisent la même règle de transition. Discrétisation : un automate cellulaire évolue discrètement dans le temps. Pour décrire un automate cellulaire, on utilise les quatre composants suivants : - Dimension : même si dans la pratique on n utilise que des automates avec 1 ou 2, voir 3 dimensions, en réalité il n y a aucune limite à la dimension d un automate cellulaire. - Voisinage de la cellule : il définit l ensemble des cellules voisines dont l état sera pris en compte pour déterminer le prochain état de chaque cellule. - Espace d état : l ensemble fini d éléments que peut prendre une cellule. - Fonction de transition : l ensemble des règles qui détermine le nouvel état de chaque cellule selon son état précédant, et ceux des cellules de son voisinage.

52 66 Conception d une plateforme d ingénierie de maintenance II.4.c. Composants du système CASI L architecture générale de l automate cellulaire pour les systèmes d inférences à base de règles CASI (Cellular Automaton for Symbolic Induction) est décrite dans la figure suivante (Atmani, et al., 2007) : SIPINA Apprentissage automatique symbolique COG Cellular Optimisation and generation CIE Cellular Inference Engine CV Cellular Validation Knowledge base Facts and Rules Figure II.5 - Diagramme général du système cellulaire CASI II.4.c.1. Moteur d inférence cellulaire (CIE) Le premier module à présenter est le module CIE (Cellular Inference Engine) dont le rôle est de simuler le fonctionnement du cycle de base du moteur d inférence du système expert en utilisant deux couches finies d automates finis, une pour la base des faits appelée CELFACT, et une autre pour la base des règles appelée CELRULE. A l instant t+1, chaque cellule dépend uniquement de l état des ses voisines et du sien à l instant t. Le contenu d une cellule dans chaque couche, détermine si et comment elle participe à chaque étape d inférence. A chaque étape, la cellule peut être active (1) ou passive (0), ce qui veut dire qu elle participe ou non à l inférence. Le principe de fonctionnement est simple : - Toute cellule i de la couche des faits CELFACT est considérée comme fait établi si sa valeur est 1, sinon, elle est considérée comme fait à établir. - Toute cellule j de la couche des règles CELRULE est considérée comme une règle candidate à l inférence si sa valeur est 1, sinon, elle est considérée comme une règle qui ne doit pas participer à l inférence. Pour établir un fait F en chaînage avant, le cycle de base du moteur d inférence fonctionne traditionnellement en recherchant en premier lieu des règles applicables (évaluation et sélection), puis à choisir une parmi ces règles, par exemple R (filtrage), et enfin à appliquer et ajouter la partie conclusion de R à la base des faits (exécution). Ce cycle est répété jusqu à ce que le fait F soit ajouté à la base des faits, ou s arrête lorsqu aucune règle n est applicable. En plus, et pour simuler le fonctionnement d un moteur d inférence, la dynamique de l automate utilise deux fonctions de transitions.

53 67 Conception d une plateforme d ingénierie de maintenance II.4.c.2. Module de génération et d optimisation (COG) Les deux couches précédemment citées (CELFACT, CELRULE) doivent être générées lors de la construction du graphe d induction. A cet effet, le module COG assiste la méthode SIPINA en utilisant trois procédures appelées F cell, FS cell et S cell, et agit pour passer de la partition S t à S t+1 comme suit : Répéter Si la Fusion est possible Alors appeler F cell Sinon Si la Fusion-Eclatement est possible Alors appeler FS cell Sinon Si l Eclatement est possible Alors appeler S cell Sinon Fin; Pour produire automatiquement des règles conjonctives, le module COG coopère avec le moteur d inférence cellulaire (CIE) qui utilise les mêmes fonctions de transition avec quelques permutations. Ainsi, en partant du nœud terminal vers la racine S 0, et en utilisant le moteur d inférence cellulaire CIE en chaînage arrière, avec le mode asynchrone en profondeur, la génération des règles sera réalisée. II.4.c.3. Module de validation (CV) A l achèvement de ce processus, le module CV est prêt à lancer la phase de validation. En employant le même principe de base du moteur d inférence cellulaire CIE, et les mêmes fonctions de transition, l automate cellulaire avance d une configuration vers une autre, afin de produire l ensemble des fausses prévisions. II.5. Conclusion Dans ce chapitre, nous avons introduit le domaine d extraction de connaissance à partir de données, ainsi que l apprentissage automatique. Nous avons essayé d expliciter la problématique d ECD, et d envisager sa résolution dans le cadre de l apprentissage automatique. Dans notre travail, nous nous sommes intéressés aux méthodes à base de graphe d induction, nous les avons ainsi introduites, et surtout la méthode SIPINA. La notion d automate cellulaire été aussi introduite brièvement. Notre approche est une approche d apprentissage automatique cellulo-symbolique, appliquée dans le cadre général d un processus d'extraction de Connaissances à partir de Données de Maintenance (ECDM). Nous essayons d adapter les tâches du processus d extraction de connaissances à cette problématique, et surtout d introduire l approche cellulaire. Cette solution sera implémentée dans une plateforme d ingénierie de maintenance fonctionnant sur le web, qui sera assistée par un module d apprentissage artificiel automatique cellulaire (M3A), assurant l extraction des connaissances à partir des données. Nous revenons dans le prochain chapitre en détails sur cette approche, en parcourant le processus d ECDM étape par étape, et en précisant les problèmes rencontrés lors de ses étapes, et les solutions proposées.

54 68 Conception d une plateforme d ingénierie de maintenance Chapitre III L APPROCHE D ECDM III.1. Introduction III.2. Description de l approche III.2.a. La sélection des données III.2.b. Le prétraitement des données III.2.c. La transformation des données III.2.d. La fouille de données III.2.e. L évaluation et l interprétation III.3. La fouille de données cellulaire III.3.a. La notion d automate cellulaire III.3.b. Un échantillon de l ensemble de données III.3.c. Initialisation, optimisation et génération III.3.c.1. Initialisation III.3.c.2. Optimisation III.3.c.3. Génération III.3.d. Inférence III.3.e. Validation III.4. La prédiction des défaillances III.5. Conclusion... 89

55 69 Conception d une plateforme d ingénierie de maintenance I.6. Introduction Les systèmes modernes équipés de capteurs et de terminaux d acquisition de données, tels que les équipements industriels actuels, les avions ou encore les trains, génèrent de gros volumes de données durant leur fonctionnement et leur maintenance. Une bonne utilisation de ces données pour prédire les défaillances dans ces systèmes peut conduire à des gains importants. Pour ce fait, on peut faire usage des techniques issues du domaine d Extraction de Connaissances à partir de Données (ECD), qui permettent la découverte de la connaissance dans de grandes masses de données. Cependant, ces techniques ne sont pas adaptées à prendre en compte directement de telles données, et nécessitent donc de considérer différents aspects liés à la sélection et la préparation des données, ainsi qu à l élaboration des modèles, leur évaluation, et leur validation. Récemment, des travaux ont abordés cet aspect d extraction de connaissances à partir des données de maintenance (Letourneau, et al., 1997) (Reffat, et al., 2004) (Devaney, et al., 2005), ainsi que pour la prédiction des pannes (Pe-a, et al., 1999) (Déchamp, et al., 2004) (Létourneau, et al., 2005) (Yang, et al., 2005) (Lee, et al., 2006) (Magro, et al., 2008). En s inspirant de ces travaux, nous désirons continuer dans cette idée, en adaptant les tâches du processus d ECD à cette problématique, et en introduisant particulièrement l approche cellulaire (Atmani, et al., 2007) (Benamina, et al., 2008), permettant une gestion optimale des connaissances à travers une modélisation booléenne. Grâce à cette approche, la pris en compte d avantage d informations sera possible, ainsi qu une utilisation multiple et répétitive du processus d ECD offrant un raisonnement temporel et une exploration plus large de l espace des problèmes. Notre travail consiste à proposer une approche d extraction de connaissances à partir des données de maintenance, intégrant le principe de la machine cellulaire. Cette approche est basée sur les données collectées durant le processus de maintenance, et permet de générer des modèles de prédiction de défaillances qui seront en mesure de prédire les défaillances dans un délai raisonnable avant qu elles surviennent, afin de permettre d entreprendre les actions nécessaires dans des conditions favorables. Ces modèles, sous forme de règles, vont analyser les données des capteurs et vont générer des alertes pour informer le staff de maintenance d une probable défaillance. Ainsi, le staff pourra par exemple programmer une ou plusieurs interventions de maintenance préventive (réparation, entretient, remplacement de composants) dans le prochain arrêt de production, ou avancer une intervention programmée plus tard, comme il pourra prendre en considération la disponibilité des différentes ressources nécessaires. Ce chapitre est consacré à la présentation de l approche d extraction de connaissances à partir des données de maintenance. Plusieurs aspects qui sont en relation avec la préparation des données et l élaboration des modèles sont étudiés. Ces aspects sont introduits dans la deuxième section. La fouille de données par automate cellulaire, étant la contribution fondamentale de l approche, sera détaillée dans la troisième section. On expliquera aussi comment cette notion cellulaire permet d améliorer les performances d un système expert. La quatrième section montre comment la détection des défaillances à partir des données en entrée sera réalisée par le système cellulaire.

56 72 Conception d une plateforme d ingénierie de maintenance I.7. Description de l approche Comme évoqué, cette approche est basée sur les données générées durant le processus de maintenance. Parmi ces données, nous nous intéressons à deux types de données : les données de maintenance, et les éventuelles données de surveillance acquises le plus souvent des capteurs. Donc, l existence de ces deux types de données à n importe quel domaine de maintenance, fait que cette approche soit applicable. Cependant, il est important de signaler que le succès de l approche dépend de la qualité des données disponibles, car on ne peut s adresser qu à des problèmes pour lesquels, parmi les données qui seront analysées, est observé un nombre suffisant de défaillances. Par exemple, prenons le moteur à turbine à gaz qui a servi pour l expérimentation de l approche, et qui sera présenté plus en détail dans le prochain chapitre. Ce moteur est un cas typique de cette situation car il comporte plusieurs composants (ventilateur, compresseurs ) et est muni de plusieurs capteurs relevant régulièrement diverse mesures (pressions, températures, vitesses de rotation ) à différents emplacements. L objectif de l approche est de générer un ensemble de modèles permettant de prédire les défaillances des composants du système entier. Ces modèles doivent reconnaître avec fiabilité des motifs particuliers des données qui indiquent un fonctionnement anormal de chaque composant. En plus, ils doivent être capables de détecter ce disfonctionnement dans une période de temps raisonnable avant l occurrence de la défaillance, afin de permettre d effectuer les actions requises dans des conditions plus favorable. En fait, quand le modèle détecte des motifs dans les données en entrée qui caractérisent une dégradation du fonctionnement, il génère une alerte indiquant que le composant en cause va probablement subir une défaillance dans une période spécifiée. Pour atteindre cet objectif, il faut s adresser à un certain nombre d aspects qui sont en relation avec la préparation des données et l application des techniques de fouille de données. Les paragraphes qui suivent s adressent à ces aspects dans les étapes d ECD. Rapports / Prétraitement & Transformation Données de maintenance Acquisition & Sélection ECD Fouille de Données Bases de données Evaluation & Interprétation Enregistrement Fonctionnement normal Mesures de surveillance Détection Défaillance + Figure III.1 Illustration de l approche d ECDM proposée

57 73 Conception d une plateforme d ingénierie de maintenance I.7.a. La sélection des données Tout d'abord, les données ciblées sont celles décrivant l historique de fonctionnement du système, où on s intéresse particulièrement à deux types de données. Le premier type concerne les données décrivant les pannes et les interventions de maintenance effectuées sur le système. Ces données sont mentionnées dans des rapports générés automatiquement ou manuellement par un opérateur. Le deuxième type regroupe les données de surveillance, qui gardent les enregistrements des capteurs installés sur le système. Le but est de combiner ces deux types de données pour construire une table Individus x Variables nécessaires pour le fonctionnement de la plupart des techniques de fouille de données. Pour ce fait, il faut décider, pour un composant donné, quels ensembles de données utiliser pour élaborer les modèles, et une fois ces ensembles choisis, il faut ensuite sélectionner un sous-ensemble à inclure dans l analyse. Il s agit des données générées autours de chaque occurrence d une panne ou intervention. Les rapports mentionnant les pannes et les interventions sur un composant donné sont retirés des bases de données et contiennent plusieurs types d informations. Comme exemple d information, il y a la date de l action effectuée, l identifiant du composant, les numéros identifiant les parties retirées ou installées, et une explication textuelle du problème et du travail achevé. On peut penser qu une simple requête retournant tous les rapports pour lesquels l identifiant convoité est égale à celui du composant ciblé sera suffisante pour retourner toutes les informations désirées, mais ceci n est pas possible à cause des erreurs qui sont souvent présentes dans les rapports. Pour le choix des ensembles de données de surveillance à utiliser durant l analyse, on compte sur les descriptions de ces ensembles et les conseils des experts du domaine. Une fois l identifiant du composant pour chaque panne, ainsi que sa date, sont connus à partir des rapports de maintenance, on pout récupérer les instances pertinentes à partir des données de surveillance. On considère comme pertinentes les instances obtenues autours des occurrences des pannes. En particulier, pour chaque occurrence d une panne, on récupère les données obtenues entre m unités avant la panne et n unités après. L unité de mesure peut être le temps (heures, jours, ), les cycles ou les heures de fonctionnement. Les nombres m et n dépendent de l ensemble de données et du composant. On peut prendre m de telle sorte d avoir au moins 200 instances disponibles pour l apprentissage, tandis que pour n, on prend simplement n = m*0.15. I.7.b. Le prétraitement des données Aux données de surveillance obtenues, on ajoute deux nouveaux attributs: la période entre l instant où la donnée est enregistrée et l instant de l occurrence effective de la défaillance, et une étiquette, qu on appelle Problème-ID, associant chaque observation à un cas particulier de panne, s il y en a plusieurs types de pannes. Ensuite, vient une étape additionnelle, appelée étiquetage, qui est requise avant de lancer une analyse par apprentissage supervisé. En effet, et comme évoqué dans le chapitre précédent, les approches d apprentissage automatique sont classées en deux catégories : supervisée et non supervisée. Les deux approches diffèrent dans les données qu elles nécessitent comme entrée et les types de tâches qu elles peuvent s adresser. Pour une approche non-supervisée, il s agit de prendre en entrée un ensemble d exemples sans avoir des indications sur leur appartenance et essaye de regrouper les instances similaires.

58 74 Conception d une plateforme d ingénierie de maintenance Par contre, une approche supervisée nécessite que chaque instance soit définie par son appartenance à une des classes, et en prenant ces données en entrée, l algorithme supervisé va essayer d élaborer des modèles afin de prédire l appartenance de chaque instance à une classe particulière en utilisant les autres attributs. En plus, la prédiction d une panne peut être vue comme une tâche de classification avec deux valeurs pour la classe : il y a une anomalie de fonctionnement et il n y a pas. Le modèle élaboré doit classer chaque nouvelle mesure reçue dans l une de ces deux classes. Cependant, les données reçues du système ne peuvent pas être utilisées directement par une approche supervisée car elles ne contiennent par l attribut classe. La solution consiste à avoir une étape de prétraitement qui calcule automatiquement la valeur de la classe des tous les exemples qui vont être utilisés, en assignant chaque exemple à une des classes prédéfinies. Dans les applications traditionnelles d apprentissage, les exemples sont classés par un expert du domaine, cependant, dans notre situation le volume de données est plus large qu un expert humain peut étiqueter chaque exemple manuellement, ce qui impose une procédure automatique ou semi-automatique. Dans notre cas, l attribut classe peut prendre deux différentes valeurs (1 indiquant la présence d une anomalie, et 0 le contraire). On mettra la classe à 1 pour toutes les instances obtenues entre l instant de la panne et les k (k<m) unités précédentes (ces k unités définissent une fenêtre que nous ciblons pour la prédiction des pannes), et on la met à 0 pour toutes les instances obtenues en dehors de cette période. Le choix de k est fonction de plusieurs facteurs : le composant et la période ciblée pour la prédiction où des composants différents peuvent avoir des périodes différentes ; la proportion des exemples positifs et négatifs car sans une proportion significatives des exemples positifs, plusieurs approches de fouille de données vont avoir des difficultés à construire le modèle ; la complexité des motifs à modéliser car certains composant commencent à donner des indications de dégradations un temps avant la panne. Etiquette Instances étiquetées par 1 Instant de la panne 1 Instances étiquetées par Unités Figure III.2 Etiquetage des instances

59 75 Conception d une plateforme d ingénierie de maintenance I.7.c. La transformation des données Les ensembles de données obtenus jusqu à présent peuvent être utilisés pour élaborer les modèles désirés. Plusieurs techniques sont disponibles pour réaliser cette tâche à l image des réseaux de neurones ou les arbres de décision. Selon la technique utilisée, différentes tâches de prétraitement additionnelles seront requises : sélection d un sous ensemble approprié d attributs, création de nouveaux attributs à partir des initiaux, normalisation des valeurs d attributs, ou encore la discrétisation des attributs continus. Cette dernière opération est souvent nécessaire, du fait que l une des exigences de plusieurs méthodes d apprentissage est que tous les attributs soient discrets, alors qu en réalité, les données de surveillance sont issues le plus souvent des capteurs et consistent généralement en des attributs continus ce qui implique leur discrétisation. I.7.d. La fouille de données Cette étape est appelée étape de modélisation, et son objectif est de construire un ou plusieurs modèles pour prédire les défaillances, en faisant appelle aux techniques de fouille de données et en intégrant la notion d automate cellulaire pour la gestion des connaissances. La prochaine section sera consacrée intégralement à cette étape. I.7.e. L évaluation et l interprétation L évaluation propre des résultats est un facteur clé dans l application réelle de cette approche. L évaluation doit fournir une estimation juste des performances du modèle quand il sera appliqué sur de nouvelles données, et elle doit prendre en compte les exigences spécifiques du domaine. Comme cité dans le chapitre précédent, il existe un nombre de méthodes pour estimer les performances d un modèle comme la validation croisée ou le bootstrapping. Toutefois, ces approches ne sont pas adéquates pour notre application car elles s appuient sur le partitionnement aléatoire, à un point donné, pour choisir les instances. Le partitionnement aléatoire suppose implicitement que les instances sont indépendantes, ce qui n est simplement pas viable dans notre cas. Une solution simple consiste à partitionner les données de telle sorte que les instances d apprentissage viennent d un sous-ensemble d occurrences des pannes et celles de test viennent d un autre sous ensemble. Ce partitionnement est effectué en utilisant l attribut Problème-ID ajouté précédemment. Une estimation plus robuste peut être obtenue alors en adaptant la validation croisée telle qu elle prend en compte les contraintes de partitionnement précédentes. Le processus est le suivant : partitionner les données en des lots (un pour chaque cas de panne) en utilisant l attribut Problème- ID, puis garder un lot pour la validation et utiliser les autres pour l apprentissage et répéter cette étape jusque chaque lot soit utilisé pour le test une fois, en enfin obtenir l évaluation finale (moyenne) à partir des résultats obtenus des différentes exécutions. Pour la mesure de performance, nous n utilisons pas le taux d erreur comme dans les autres applications d apprentissage, mais une autre mesure. En effet, ce taux d erreur représente le rapport entre le nombre d instances mal classées et le nombre total d instances, et le but est de minimiser ce taux. Cependant, dans notre cas, nous nous ne volons pas minimiser le nombre d erreurs mais le coût des ces erreurs car certaines erreurs sont plus couteuses que les autres. Pour ce fait, on va utiliser une mesure qui récompense les prédictions de défaillances selon la fonction de la figure suivante :

60 76 Conception d une plateforme d ingénierie de maintenance Récompenses Instant de la panne Unités -1.5 Figure III.3 Une fonction des récompenses des prédictions positives La meilleure récompense est obtenue lorsque le modèle détecte l anomalie une bonne période avant la défaillance. En dehors de cette période, la prédiction de la défaillance peut se voir attribuée une valeur négative. Ceci reflète l utilité de l alerte générée, car prédire une défaillance trop tôt mène à une utilisation non optimale du composant ou du système, tandis que prédire une défaillance trop tard n aura aucune utilité. I.8. La fouille de données cellulaire Nous nous replaçons maintenant dans l étape de fouille de données de notre approche, où les données obtenues jusqu'à présent sont sous la forme d une table Individus x Variable, et où chaque exemple appartient à une classe particulière. L objectif de cette étape est de construire un modèle qui explique l attribut classe par les autres attributs. Pour ce fait, nous nous intéressons à l apprentissage inductif, et plus particulièrement à l apprentissage empirique qui vise à produire des règles générales à partir d une série d observations. Ce processus d induction peut s insérer dans des démarches plus générales d extraction de connaissances, où on distingue deux champs d application : l extraction de connaissances à partir de données, l alimentation des systèmes experts. Cette induction des règles à partir d exemples réalise le meilleur compromis entre performances et compréhensibilité, en plus qu il s agit certainement de la forme de connaissance la plus utilisée dans les systèmes experts. Par exemple, une règle en logique propositionnelle d ordre O + est de la forme : Si Prémisse Alors Conclusion Où Prémisse est une conjonction de proposition du type attribut-valeur : X j = valeur et Conclusion : Y = c k

61 77 Conception d une plateforme d ingénierie de maintenance De nombreuses méthodes produisent des classifieurs en utilisant explicitement cette forme d induction, parmi lesquelles on a opté pour l induction par graphe qui présente l avantage d utiliser une représentation qui respecte les critères de précision et de compréhensibilité. En effet la transformation du graphe en règles pour alimenter les systèmes experts se fait sans pertes ni modifications de leurs propriétés en classement. Toutefois, la représentation et le traitement de la connaissance sont les deux questions rebutantes dans la conception de n importe quel système d apprentissage automatique. Ils sont peut-être aussi la considération fondamentale dans la conception de n importe quel système de classification, parce que la représentation utilisée peut réduire la complexité du stockage et diminue ainsi la complexité du traitement. Donc, c est à ce niveau là que se situe notre contribution fondamentale, qui consiste à utiliser la méthode cellulaire pour la génération, la représentation et l optimisation des graphes d induction. Ainsi, pour alimenter la base de connaissances d un système expert cellulaire, on produira des règles conjonctives à partir d une représentation booléenne des graphes d induction. La représentation cellulaire, d un graphe d induction, facilite la transformation des règles dans des expressions booléennes équivalentes, ce qui permettra d utiliser l algèbre booléenne pour vérifier plusieurs simplifications. I.8.a. La notion d automate cellulaire La notion d automate cellulaire a été introduite brièvement dans le chapitre précédent. Dans cette partie, nous revenons plus en détail sur cette notion et son fonctionnement. En effet, un automate cellulaire est une grille composée de cellules qui changent d état dans des étapes discrètes, tel qu après chaque étape, l état de chaque cellule est modifié selon les états de ses voisines dans l étape qui précède. Les cellules sont mises à jour d une façon synchrone, et les transitions sont réalisées théoriquement, simultanément. Grâce à des règles simples et des transitions spécifiques, un automate cellulaire peut effectuer, d une manière globale, des opérations complexes. L architecture générale de l automate cellulaire pour les systèmes d inférence à base de règles CASI (Cellular Automaton for Symbolic Induction) est décrite dans la figure suivante (Atmani, et al., 2007) : SIPINA Apprentissage automatique symbolique COG Cellular Optimisation and Generation CIE Cellular Inference Engine CV Cellular Validation Knowledge base Facts and Rules Figure III.4 Diagramme général du système cellulaire CASI avec SIPINA

62 78 Conception d une plateforme d ingénierie de maintenance Tandis que le processus général d apprentissage est organisé normalement en trois étapes, qui sont l élaboration, la validation et la généralisation du modèle, celui que le système cellulaire CASI applique à une population Ω, est organisé en quatre étapes : 1. Initialisation du graphe d induction par automate cellulaire (coopération entre les modules COG et CIE); 2. Optimisation du graphe d induction cellulaire (coopération entre les modules COG et CIE); 3. Génération des règles de production (coopération entre les modules COG et CIE); 4. Validation des règles cellulaires (coopération entre les modules CV et CIE); I.8.b. Un échantillon de l ensemble de données Pour expliquer la démarche d élaboration du modèle par automate cellulaire, on a choisi un échantillon de l ensemble de données qui a servi pour l expérimentation. Il s agit de données concernant les moteurs à turbine à gaz, qui seront introduits dans le dernier chapitre. Parmi les données de surveillance disponibles dans l ensemble de données, on a choisis un sous ensemble d entre elles, composé de 9 paramètres (attributs). Étant donné que tous les attributs sont continus, ils ont subi une opération de discrétisation. Les intervalles obtenus sont représentés par des valeurs entières (0, 1, 2 ). Par souci de simplification, on va omettre l attribut Problème-ID qui n a pas d importance dans cet exemple. L attribut T i représente la période entre l instant où la donnée fut été enregistrée et l instant de l occurrence effective de la panne, comme expliqué précédemment. Enfin, on a ajouté un attribut pour la classe, et on a étiqueté les cinq derniers exemples de la valeur 1 (présence d une anomalie), et le reste de la valeur 0 (état normal). L échantillon est représenté dans les tableaux suivants : Ω a T24 T30 T50 P30 Nf Nc Ps30 htbleed T2 ω ω ω ω ω ω ω ω ω ω ω ω ω ω ω Tableau III.1 Un échantillon de l ensemble de données

63 79 Conception d une plateforme d ingénierie de maintenance Ω a T24 T30 T50 P30 Nf Nc Ps30 htbleed T2 T i Classe ω ω ω ω ω ω ω ω ω ω ω ω ω ω ω Tableau III.2 L échantillon après prétraitement Par exemple, en appliquant la méthode SIPINA sur cet échantillon, sans utiliser l approche cellulaire, on obtiendra le graphe suivant : S T24=0 T24=1 T24=2 8 S 1 S 2 S 3 0 P30=0 P30= S S S Nf=0 Nf=1 8 S 7 S 8 S S T2=0 T2=1 9 S 11 S Figure III.5 Un graphe d induction obtenu par la méthode SIPINA

64 80 Conception d une plateforme d ingénierie de maintenance On remarque que le graphe obtenu contient trois feuilles (S 9, S 11 et S 12 ), donc on peut déduire trois règles de prédiction de la forme (Si Prémisse Alors Conclusion) : R 1 : Si ((T24=1) OU (T24=2)) ET (Nf=1) Alors Etat Anormal R 2 : Si (((T24=1) OU (T24=2)) ET (Nf=0) ET (T2=0)) OU ((T24=0) ET ((P30=0) OU (P30=1)) ET (T2=0)) Alors Etat Normal R 3 : Si (((T24=1) OU (T24=2)) ET (Nf=0) ET (T2=1)) OU ((T24=0) ET ((P30=0) OU (P30=1)) ET (T2=1)) Alors Etat Normal On va voir dans ce qui suit comment la représentation de ces connaissances ainsi que la durée du calcul peuvent être réduites grâce à l approche cellulaire. I.8.c. Initialisation, optimisation et génération Le but de cette première étape est la génération des couches CELFACT et CELRULE du système CASI, leur initialisation, et ensuite essayer d optimiser le graphe s il y aura possibilité pour faire. Rappelons que pour simuler le fonctionnement du cycle de base du moteur d inférence d un système expert, on utilise deux couches finies d automates finis, une pour la base des faits (CELFACT), et une autre pour la base des règles (CELRULE). A l instant t+1, chaque cellule dépend uniquement de l état des ses voisines et du sien à l instant t. Le contenu d une cellule dans chaque couche, détermine si et comment elle participe à chaque étape d inférence. A chaque étape, la cellule peut être active ou passive (participe ou non à l inférence). Couche des faits Couche des règles Couche des faits Voisinage en entrée Voisinage en sortie R E R S CELFACT CELRULE Figure III.6 Automate cellulaire pour des systèmes d inférence Pour chaque cellule de la couche CELFACT, les états se composent de trois parties : EF, IF et SF, qui sont l entrée, l état interne et la sortie de la cellule. L état interne, IF d une cellule de CELFACT indique le rôle du fait, tel que dans le cas d un graphe d induction, IF=0 correspond à un fait de type sommet, et IF=1 correspond à un fait de type attribut=valeur (X i =valeur). De même, pour chaque cellule de la couche CELRULE les états se composent de trois parties : ER, IR et SR, qui sont l entrée, l état interne et la sortie de la cellule. Dans ce cas, l état interne IR peut être utilisé comme coefficient de probabilité (il ne sera pas utilisé ici).

65 81 Conception d une plateforme d ingénierie de maintenance Si on considère maintenant seulement une partie du graphe de la figure III.5 (les deux premiers éclatements en bleu). On peut avoir de cette partie cinq règles comme celles introduites au début de la section, qui forment une base de connaissances. On aperçoit sur les tableaux suivants comment cette base de connaissance extraite à partir de ce sous-graphe peut être représentée par les couches CELFACT et CELRULE. Notons qu initialement, toutes les entrées des cellules dans la couche CELFACT sont passives (EF=0), à l exception de ceux qui représentent la base des faits initiale (EF(1)=1) : R 1 : Si (S 0 ) Alors (T24=0, S 1 ) R 2 : Si (S 0 ) Alors (T24=1, S 2 ) R 3 : Si (S 0 ) Alors (T24=2, S 3 ) R 4 : Si (S 1 ) Alors (P30=0, S 4 ) R 5 : Si (S 1 ) Alors (P30=1, S 5 ) Fact i EF IF SF Rule j ER IR SR Fact 1 S Rule 1 R Fact 2 T24= Rule 2 R Fact 3 S Rule 3 R Fact 4 T24= Rule 4 R Fact 5 S Rule 5 R Fact 6 T24= Fact 7 S Fact 8 P30= Fact 9 S Fact 10 P30= Fact 11 S CELFACT CELRULE Tableau III.3 Configuration initiale de l automate cellulaire R E R 1 R 2 R 3 R 4 R 5 R S R 1 R 2 R 3 R 4 R 5 S S 0 T24=0 T24=0 1 S S 1 1 T24=1 T24=1 1 S 2 S 2 1 T24=2 T24=2 1 S 3 S 3 1 P30=0 P30=0 1 S 4 S 4 1 P30=1 P30=1 1 S 5 S 5 1 Tableau III.4 Les matrices d incidence d entrée/sortie Supposons qu on a l cellules dans la couche CELFACT, et r cellules dans la couche CELRULE, alors EF, IF et SF seront considérés en tant que vecteurs de dimension l (EF, IF, SF {0, 1} l ). De même, ER, IR et SR seront considérés en tant que vecteurs de dimension r (ER, IR, SR {0, 1} r ).

66 82 Conception d une plateforme d ingénierie de maintenance Concernant les matrices d incidence R E et R S, elles représentent la relation entrée/sortie des faits et sont utilisées en inférence en chaînage avant. Pour lancer une inférence en chaînage arrière, on peut également utiliser R S comme relation d entrée et R E comme relation de sortie. la relation d entrée, notée i R E j, est formulée comme suit : i [1, l], j [1, r], si (le Fait i à la Prémisse de la règle j) alors R E (i, j) 1. la relation de sortie, notée i R S j, est formulée comme suit : i [1, l], j [1, r], si (le Fait i à la Conclusion de la règle j) alors R S (i, j) 1. I.8.c.1. Initialisation C est le module COG qui est responsable de la génération des couches CELFACT et CELRULE en utilisant trois procédures (F cell, FS cell et S cell ) qui assistent la méthode SIPINA lors de la génération du graphe. A chaque opération de l algorithme SIPINA intervient une méthode dans l ordre suivant : F cell pour la fusion, FS cell pour la fusionéclatement, et S cell pour l éclatement. On commence par la procédure S cell qui trouve l indice de la ligne de S i (le sommet qui est éclaté) dans la couche CELFACT, qui sera noté i racine, et effectue les opérations suivantes pour chaque sommet S j résultant : 1. J i racine ; 2. initialiser la matrice d incidence d entrée : R E [i racine, j] 1 ; 3. créer deux cellules dans CELFACT d indices J+1 et J+2 ; 4. créer une cellule dans CELRULE d indice j ; 5. initialiser la matrice d incidence de sortie : R S [J+1, j] 1 et R S [J+2, j] 1; 6. J J + 2 ; 7. aller à 2 (pour la prochaine modalité de X i qui a servi pour l éclatement); Maintenant, s il y a fusion de deux sommets, la procédure F cell trouve dans la couche CELFACT les indices des deux sommets S 1 et S 2, notés i 1 et i 2, et effectue les opérations suivantes pour créer une nouvelle règle j dans la couche CELRULE : 1. initialiser la matrice d incidence d entrée : R E [i 1, j] 1 et R E [i 2, j] 1 ; 2. créer une cellule dans CELFACT d indice i fusion ; 3. créer une cellule dans CELRULE d indice j ; 4. initialiser la matrice d incidence de sortie : R S [i fusion, j] 1 ; Enfin, s il y a une opération de fusion-éclatement de deux sommets, la procédure FS cell utilise les procédures F cell et S cell, et complète l initialisation des couches CELFACT et CELRULE pour la génération de la partition suivante. I.8.c.2. Optimisation Après avoir générer les couches CELFACT et CELRULE, le module COG procède à l optimisation du graphe s il y a possibilité de le faire. L optimisation du graphe consiste à éliminer les éclatements-fusions inutiles dans le graphe. Par exemple, dans le graphe en bleu de la figure III.5, le sommet S 1 s éclate en deux sommets S 4 et S 5, qui seront ensuite fusionnées dans le même sommet S 7. Ces cas sont visibles aussi sur les matrices d incidence R E et R S.

67 83 Conception d une plateforme d ingénierie de maintenance S T24=0 T24=1 T24=2 8 S 1 S 2 S 3 0 P30=0 P30= S S S Figure III.7 Eclatement-Fusion inutile R E R 1 R 2 R 3 R 4 R 5 R 6 R S R 1 R 2 R 3 R 4 R 5 R 6 S S 0 S S 1 1 S 2 S 2 1 S 3 S 3 1 S 4 1 S 4 1 S 5 1 S 5 1 S 6 S 6 1 Tableau III.5 Matrices d incidence d entrée/sortie avant l optimisation Le processus d optimisation est basé sur l algèbre de Boole, et utilise seulement la matrice R E pour détecter des opérations d éclatement-fusions inutiles, ce qui revient à sélectionner et à éliminer les variables non pertinentes (des variables qui n ont aucune influence sur la classe). Ainsi, en explorant la matrice R E, le module COG cherche des colonnes qui correspondent à des fusions de sommets, puis pour chaque règle de fusion, il examine si les nœuds participants étaient produits par le même nœud. I.8.c.3. Génération A la fin, après l optimisation du graphe, on va reproduire automatiquement des règles conjonctives plus simples que celles obtenues directement du graphe généré par SIPINA. Pour ce fait, le module COG coopère avec le moteur d inférence cellulaire (CIE) qui utilise les mêmes fonctions de transition avec la permutation de R E et de R S (voir les paragraphes suivants). Ainsi, en partant du nœud terminal vers la racine S 0, et en utilisant le moteur d inférence cellulaire CIE en chaînage arrière, avec le mode asynchrone en profondeur, la génération des règles peut être ainsi effectuée. En appliquant ce principe sur notre graphe de la figure III.5 on obtient des règles plus simples que celles obtenues plus haut (on remarque l absence de l attribut P30) :

68 84 Conception d une plateforme d ingénierie de maintenance R 1 : Si ((T24=1) OU (T24=2)) ET (Nf=1) Alors Etat Anormal R 2 : Si (((T24=1) OU (T24=2)) ET (Nf=0) ET (T2=0)) OU ((T24=0) ET (T2=0)) Alors Etat Normal R 3 : Si (((T24=1) OU (T24=2)) ET (Nf=0) ET (T2=1)) OU ((T24=0) ET (T2=1)) Alors Etat Normal Et voici la représentation de cette base de connaissances avec la machine cellulaire : Fact i EF IF SF Rule j ER IR SR Fact 1 T24= Rule 1 R Fact 2 T24= Rule 2 R Fact 3 T24= Rule 3 R Fact 4 Nf= Rule 4 R Fact 5 Nf= Rule 5 R Fact 6 T2= Rule 6 R Fact 7 T2= Rule 7 R Fact 8 Classe S Rule 8 R Fact 9 Classe S Fact 10 Classe S CELFACT CELRULE Tableau III.6 Les couches CELFACT et CELRULE R E R 1 R 2 R 3 R 4 R 5 R 6 R 7 R 8 T24=0 1 1 T24= T24= Nf= Nf=1 1 1 T2= T2= Classe S 9 Classe S 11 Classe S 12 R S R 1 R 2 R 3 R 4 R 5 R 6 R 7 R 8 T24=0 T24=1 T24=2 Nf=0 Nf=1 T2=0 T2=1 Classe S Classe S Classe S Tableau III.7 Les matrices d incidence d entrée/sortie

69 85 Conception d une plateforme d ingénierie de maintenance I.8.d. Inférence Après l initialisation des couches CELFACT et CELRULE, le module CIE simule le fonctionnement du cycle de base d un moteur d inférence. Habituellement, ce dernier fonctionne traditionnellement comme suit pour établir un fait F en chaînage avant : 1. Recherche des règles applicables (évaluation et sélection); 2. Choisir une parmi ces règles, par exemple R (filtrage); 3. Appliquer et ajouter la partie conclusion de R à la base des faits (exécution). Ce cycle est répété jusqu à ce que le fait F soit ajouté à la base des faits, ou s arrête lorsqu aucune règle n est applicable. Pour simuler ce fonctionnement, le moteur d inférence CIE utilise deux fonctions de transitions δ fact et δ rule. La première (δ fact ) correspond à la phase d évaluation, de sélection et de filtrage, tandis que la deuxième (δ rule ) correspond à la phase d exécution. δ fact : (EF, IF, SF, ER, IR, SR) δ fact (EF, IF, EF, ER + (R T E EF), IR, SR) δ rule : (EF, IF, SF, ER, IR, SR) δ rule (EF + (R S ER), IF, SF, ER, IR, ER) Avec la matrice R T E qui désigne la transposé de R E. Si on revient au sous-graphe en bleu du graphe de la figure III.5 et on essaye, par exemple, d établir le fait S 4 en chaînage avant en utilisant le principe cellulaire, les tableaux suivants présentent l état global des deux couches, CELFACT et CELRULE, après l application de la première loi de transition δ fact, qui correspond à l évaluation, la sélection et le filtrage en mode synchrone: Fact i EF IF SF Rule j ER IR SR Fact 1 S Rule 1 R Fact 2 T24= Rule 2 R Fact 3 S Rule 3 R Fact 4 T24= Rule 4 R Fact 5 S Rule 5 R Fact 6 T24= Fact 7 S Fact 8 P30= Fact 9 S Fact 10 P30= Fact 11 S CELFACT CELRULE Tableau III.8 Configuration obtenue avec δ fact En continuant avec l application de la seconde loi de transition, δ rule, on obtient la configuration illustrée par les tableaux suivants :

70 86 Conception d une plateforme d ingénierie de maintenance Fact i EF IF SF Rule j ER IR SR Fact 1 S Rule 1 R Fact 2 T24= Rule 2 R Fact 3 S Rule 3 R Fact 4 T24= Rule 4 R Fact 5 S Rule 5 R Fact 6 T24= Fact 7 S Fact 8 P30= Fact 9 S Fact 10 P30= Fact 11 S CELFACT CELRULE Tableau III.9 Configuration obtenue avec δ fact et δ rule Si on continue jusqu'à le fait S 4 soit établi, on obtiendra la configuration représentée dans le tableau suivant. Notons enfin que pour que la machine cellulaire puisse effectuer des inférences en chaînage arrière, il suffit de permuter, dans les lois de transition δ fact et δ rule, entre les matrices R E et R S. Fact i EF IF SF Rule j ER IR SR Fact 1 S Rule 1 R Fact 2 T24= Rule 2 R Fact 3 S Rule 3 R Fact 4 T24= Rule 4 R Fact 5 S Rule 5 R Fact 6 T24= Fact 7 S Fact 8 P30= Fact 9 S Fact 10 P30= Fact 11 S CELFACT CELRULE Tableau III.10 Configuration finale I.8.e. Validation Lors de la phase de validation et en employant le même principe de base d un moteur d inférence et avec les mêmes fonctions de transition δ fact et δ rule, l automate cellulaire avance d une configuration vers une autre, pour produire finalement l ensemble des individus non classés. Si on prend par exemple un individu, avec les valeurs d attributs : T24 = 1, Nf = 1, T2 = 0, et appartenant à la classe 1 (pas d anomalie), on peut résumer sa validation dans les tableaux suivants (on considérant la représentation du graphe complet de la figure III.5) :

71 87 Conception d une plateforme d ingénierie de maintenance Fact i EF IF SF Rule j ER IR SR Fact 1 T24= Rule 1 R Fact 2 T24= Rule 2 R Fact 3 T24= Rule 3 R Fact 4 Nf= Rule 4 R Fact 5 Nf= Rule 5 R Fact 6 T2= Rule 6 R Fact 7 T2= Rule 7 R Fact 8 Classe S Rule 8 R Fact 9 Classe S Fact 10 Classe S CELFACT CELRULE Tableau III.11 Base de connaissances du graphe de la figure III.5 Fact i EF IF SF Rule j ER IR SR Fact 1 T24= Rule 1 R Fact 2 T24= Rule 2 R Fact 3 T24= Rule 3 R Fact 4 Nf= Rule 4 R Fact 5 Nf= Rule 5 R Fact 6 T2= Rule 6 R Fact 7 T2= Rule 7 R Fact 8 Classe S Rule 8 R Fact 9 Classe S Fact 10 Classe S CELFACT CELRULE Tableau III.12 Validation d un individu par automate cellulaire I.9. La prédiction des défaillances Après avoir décrit dans la section précédente le principe de la machine cellulaire, nous expliquons maintenant comment sera réalisée la prédiction des défaillances par ce principe. En effet, le modèle élaboré lors de l étape de fouille de données est représenté par des matrices contenant des valeurs binaires, et va suivre la dynamique expliquée dans la section concernant le moteur CIE pour décider de la classe de chaque exemple représentant les mesures prises sur l état du système. À l arrivée d un nouvel exemple, ce dernier sera représenté par un vecteur de valeurs binaires. Prenons par exemple, une instance contenant les mesures prises pour chaque variable de T24 jusqu à Nf. Ces mesures étant de nature continue, alors que les attributs équivalents sont de nature discrète (après discrétisation), on doit déterminer pour chaque valeur son appartenance à l une des modalités de l attribut correspondant. Si la mesure prise est v, alors il faut déterminer l intervalle des valeurs de X i contenant la valeur v, est ensuite mettre à 1 la case contenant X i = j, tel que j est l indice de cet intervalle. Pour illustrer ce principe, considérons l exemple suivant :

72 88 Conception d une plateforme d ingénierie de maintenance La variable T24 est de nature continue, et ses valeurs varient entre , , , etc. Après discrétisation, ses valeurs seront regroupées dans les trois intervalles suivants : <641.00, > et <643.00, > Donc, si la mesure prise est alors cette nouvelle instance va être représentée par un vecteur qui aura la valeur 0 pour les deux faits T24 = 0 et T24 = 1, et aura la valeur 1 pour le fait T24 = 2 et ainsi de suite pour les autres variables. Fait T24=0 0 T24=1 0 T24=2 1 Nf=0 1 Nf=1 0 T2=0 1 T2=1 0 Classe-S 9 0 Classe-S 11 0 Classe-S 12 0 Tableau III.13 Représentation d une nouvelle instance Les matrices de l automate cellulaire seront remplies comme suit : EF IF SF ER IR SR T24= T24= T24= Nf= Nf= T2= T2= Classe S Classe S Classe S CELFACT CELRULE Tableau III.14 Initialisation de l automate cellulaire pour le nouvel individu En utilisant les deux fonctions de transitions δ fact et δ rule, il faut lancer un chainage avant pour essayer d établir l une des classes, C-S 9, C-S 11 ou C-S 12. Une fois la classe déterminée, c'est-à-dire 0 ou1, on saura quel est l état du composant. Si la valeur est 0, alors le composant est en état normal, tandis que si la valeur est 1 alors le composant subira probablement une défaillance dans une période de k unités (heures, cycles, ), avec k la valeur choisie lors de l étape de préparation des données pour étiqueter les exemples appartenant à la fenêtre ciblée pour la prédiction de la défaillance.

73 89 Conception d une plateforme d ingénierie de maintenance EF IF SF ER IR SR T24= T24= T24= Nf= Nf= T2= T2= Classe S Classe S Classe S CELFACT CELRULE Tableau III.15 La fin du chainage avant après l établissement d une classe I.10. Conclusion Dans ce chapitre, nous avons exposé l approche d extraction de connaissances à partir des données de maintenance. Dans un premier temps nous avons mis en évidence quelques aspects rencontrés durant la préparation des données et l application des techniques de fouille de données. Puis nous nous somme consacrés à la fouille de données par automate cellulaire, où on a présenté le système CASI (Induction Symbolique par Automate Cellulaire). On a vu que ce système peut automatiquement acquérir, représenter et traiter la connaissance extraite à partir d exemples sous forme booléenne, tout en réduisant la quantité de stockage et le temps d exécution. Grace à son principe de représentation de la connaissance, le système CASI a prouvé qu il possède des propriétés intéressantes et de nombreux avantages par rapport aux autres systèmes d apprentissage automatique. D une part, les expérimentations ont montré que l induction par graphe, illustrée par la méthode de SIPINA, constitue un outil très satisfaisant pour l extraction de connaissances, en proposant une fonction de classification efficace et explicative. D autre part, l optimisation du graphe et la génération automatique des règles, par automate, ont permis d accentuer la possibilité d alimenter la base de connaissances d un système expert cellulaire, et ont soulevé le problème de la formalisation et de la simplification des règles. Nous passons au chapitre suivant à l implémentation de cette approche d ECDM dans une plateforme d ingénierie de maintenance. Le chapitre sera consacré à la description de la plateforme, son architecture et ses composants.

74 90 Conception d une plateforme d ingénierie de maintenance Chapitre IV LA PLATEFORME M3A IV.1. Introduction IV.2. Objectifs de la plateforme... 6 IV.2.a. Différents objectifs... 6 IV.2.b. Avantages de la plateforme... 7 IV.2.c. Les tâches à réaliser... 7 IV.3. Architecture de la plateforme... 8 IV.3.a. Composants de la plateforme... 8 IV.3.b. Le modèle de données IV.3.c. Implémentation de la plateforme IV.4. Cas d application IV.4.a. Les moteurs d avions à turbine à gaz IV.4.b. La préparation des données IV.4.c. Résultats de la fouille de données IV.5. Conclusion... 20

75 91 Conception d une plateforme d ingénierie de maintenance IV.1. Introduction Les systèmes informatiques en maintenance représentent les différentes applications de la maintenance ou de la fiabilité. Ce qui caractérise ces systèmes est le fait qu ils interviennent dans les différentes étapes du processus de maintenance, et permettent la gestion et le traitement des informations relatives à ce processus. Cependant, ces systèmes sont de natures variées (temps réel, transactionnels, interactives etc.) et sont souvent basés sur des modèles différents, car leurs objectifs sont différents, et parce qu ils sont construits indépendamment les uns des autres. Ceci les rend parfois redondants, parfois incohérents, mais toujours hétérogènes. Cette hétérogénéité est présente aussi bien au niveau de l architecture qu au niveau des données manipulées, ce qui constitue un obstacle pour une éventuelle utilisation parallèle de ces données. Pour pallier à ce problème, des architectures distribuées et coopératives sont apparues, rendant possible la communication entre les systèmes de maintenance à base de réseaux. L objectif de ces architectures étant d être génériques et d intégrer tous ces systèmes autour d un modèle unique et cohérent de communication (Bangemann, et al., 2006). Ceci s est rendu possible grâce aux grands progrès dans la technologie de l information et de la communication, et à l émergence de la technologie web. En effet, l implémentation de ces architectures en maintenance peut se réaliser grâce à des plateformes de maintenance, dont l idée majeure est de proposer des services de maintenance via le réseau, et notamment via Internet (Rosovska, 2006). Notre plateforme d ingénierie de maintenance M3A s inscrit dans cette orientation. C est une plateforme permettant l intégration de plusieurs systèmes de maintenance à travers le réseau Internet, dans le but d exploiter leurs données dans des démarches d extraction de connaissances, comme expliqué dans le chapitre précédent. Ainsi, le développement de la plateforme permettra d améliorer considérablement l efficacité des activités de maintenance, en apportant de nombreuses solutions aux problèmes liés au maintien des équipements, grâce à son aspect d apprentissage à partir des expertises antérieures, et celui d accès distant à l information désirée. Ce chapitre est consacré à la description de la plateforme et son implémentation. Il commence dans la première section par tracer les objectifs que la plateforme doit satisfaire. Après, on expose les avantages que la plateforme peut apporter, en termes de disponibilité et de sécurité des systèmes, et on dénombre aussi plusieurs tâches que la plateforme doit réaliser pour satisfaire ses objectifs. Dans la deuxième section est présentée l architecture générale de la plateforme et son principe de fonctionnement. Les différents composants formant la plateforme sont mis en évidence, ainsi que leur fonctionnement. Enfin, dans la troisième section est présenté un cas d application concernant les moteurs d avions à turbine à gaz, où on mettra en évidence l apport de l approche d ECDM implémentée dans la plateforme, et les résultats obtenus.

76 6 Conception d une plateforme d ingénierie de maintenance IV.2. Objectifs de la plateforme Actuellement, plusieurs tâches de maintenance peuvent être améliorées grâce à une plateforme de maintenance, puisque elle va fournir des informations qui vont aider à prendre des décisions, car, enfin, la maintenance est une succession de décisions. Pour une entreprise de maintenance, elle peut aussi aider dans les futures interventions sur des machines similaires. Ainsi, et avec des données abondantes et fiables, il devient possible d effectuer une maintenance prévisionnelle. Pour ce fait, la plateforme doit être capable du suivi de plusieurs systèmes, et elle doit être en mesure de recevoir de grandes masses de données. Il faut donc identifier en premier lieu les équipements à maintenir et s assurer ensuite que des données pertinentes sont bien disponibles. IV.2.a. Différents objectifs La plateforme prend en considération les informations provenant presque en temps réel de plusieurs capteurs et d autres sources d informations, et essaye de détecter des anomalies possibles dans le comportement normal attendu du system. Cette détection anticipée des anomalies offre la possibilité de planifier des actions de maintenance efficaces. Pour une telle maintenance prévisionnelle, il faut que les systèmes utilisent un nombre de capteurs capables de fournir de l information afin d effectuer le meilleur contrôle et une meilleure utilisation de ces capteurs. L information collectée pour le contrôle peut être aussi utilisée pour surveiller l état des différents composants et d appliquer un plan de maintenance prévisionnelle. Ceci dit, pas d investissements dans les capteurs pour mettre en place cette stratégie car toutes les nouvelles machines inclussent un ensemble de capteurs fournis par les constructeurs pour divers aspects du contrôle de leurs éléments. L information de ces capteurs peut ainsi être utilisée comme principale source d informations pour un plan de maintenance prévisionnelle. La plateforme M3A est assistée par apprentissage artificiel automatique. Sa stratégie de maintenance prévisionnelle peut être appliquée sur n importe quel system sous contrainte qu il ait un historique de fonctionnement. Son but principal est de trouver le temps le plus approprié pour effectuer les actions de maintenance nécessaires, par rapport à l état du système et à un diagnostic anticipé. Il sera possible d adapter un plan de maintenance en tenant compte des besoins réels et de l état du système. Ce plan sera effectué en temps réel et est différent des plans de maintenance traditionnel basés sur des intervalles de temps fixés en suivants les critères du constructeur qui ne prennent pas en compte les conditions réels du system. Pour remplir ces conditions, la plateforme doit satisfaire plusieurs objectifs : Elle doit encapsuler différentes sources d informations tout en cachant leur distribution de l utilisateur. Elle doit fournir une représentation unique des données indépendamment de leurs sources. Elle doit permettre l intégration d outils déjà utilisés. Elle doit être basée sur les technologies web. L accès à la plateforme doit être possible grâce à un navigateur web. Elle doit utiliser les technologies basées sur des standards ou quasi standards qui sont largement utilisés ainsi que les composants open sources.

77 7 Conception d une plateforme d ingénierie de maintenance Elle doit être ouverte aux améliorations techniques en ce qui concerne les outils à intégrer ou les technologies à appliquer (adaptabilité, extensibilité). Elle doit prendre en compte les aspects de sécurité. IV.2.b. Avantages de la plateforme On peut citer comme avantages de la plateforme : Les intervalles de maintenance sont plus adaptés aux besoins réels du system que lors de l utilisation d une stratégie de maintenance avec des intervalles fixes car l état du système est pris en compte. Les interventions sont optimisées au niveau du temps et du coût. Une efficacité des coûts et d avantage de disponibilité, fiabilité et sécurité. Une efficacité des actions de maintenance qui peut être évaluée. Un cycle de vie optimal pour les systèmes par l application de cette stratégie de maintenance qui prétend à retarder ou à réduire les dégradations. Possibilité de construire des historiques et des statistiques détaillés concernant tous les événements et permettre ainsi l utilisation des outils issus de l IA tels que les systèmes d aide à la décision, fouille de données. Possibilité d évaluer en continue l état du système à travers un ensemble de mesures observées durant leur évolution. Pouvoir présenter et synthétiser les données et ainsi fournir directement de l information aux différents acteurs. IV.2.c. Les tâches à réaliser Les principales tâches effectuées par la plateforme sont : La collection en continue des données nécessaires au suivi de l état du système provenant de différentes sources. La structuration de ces données pour l analyse ou la visualisation. Le traitement en continue de ces données afin de détecter quelques anomalies qui sont présentes ou peuvent devenir présentes. La création d un portail web pour visualiser les données, créer des rapports et d agir sur les problèmes quand ils arrivent ou les alertes générées. Les utilisateurs du portail doivent disposer d un support consistant et efficace pour l accès aux données. La notification du personnel sur les événements (état du système, décisions, etc.) et l échange des informations avec d autres machines. En plus, la collection dans un même répertoire centrale distant des données relatives aux défaillances provenant de machines similaires fonctionnant dans des environnements différents et sous des conditions différentes pour aider au diagnostic des défaillances et à l amélioration de la conception des machines elles mêmes. Il va fournir une grande base de données qui peur être utilisée par les modules d apprentissage, comparer les données provenant de machines similaires, associer les défaillances au climat et aux conditions de fonctionnement etc.

78 8 Conception d une plateforme d ingénierie de maintenance IV.3. Architecture de la plateforme L organisation générale de la plateforme est illustrée par la figure suivante : Portail web Expert Ajustements, choix Internet Données collectées M 3 A Décisions: Etat anormal Operateur Entreprise Historiques BDD Systèmes de maintenance Les mesures des capteurs Equipment Figure IV.1 Organisation générale de la plateforme M3A Dans cette organisation, la plateforme M3A est hébergée sur un serveur distant dédié essentiellement au traitement des données. Elle est connectée à divers systèmes et applications de maintenance qui manipulent les données nécessaires au déroulement de l approche d ECDM et pour lesquels elle fournie les interfaces nécessaires pour l intégration. Ces systèmes consistent en des systèmes d acquisition de données, de gestion informatisée de la maintenance, d aide à la décision, de gestion de la documentation, de bases de données variées etc. Les données de surveillance sont récupérées par les différents systèmes via, par exemple, le réseau local industriel de l entreprise. Ces données sont ensuite acheminées vers le serveur distant grâce au système intermédiaire puis via le réseau Internet grâce au protocole TCP/IP et au format de fichier XML. La plateforme traite le fichier de données XML et renvoie alors la réponse vers le portail web qui va la présentée grâce à une interface web. Ce portail permet aussi à un expert d apporter des réglages sur la plateforme elle-même. IV.3.a. Composants de la plateforme La plateforme est composée de plusieurs modules assurant l intégration de systèmes de différentes natures comme déjà cité. Elle permet ainsi un échange d informations entre des sites distants car les systèmes peuvent être implantés à plusieurs sites. Elle assure aussi la prise en charge d une variété de formats de données. Pour ce fait, la plateforme est construite d un ensemble de composants qui sont mises en œuvre.

79 9 Conception d une plateforme d ingénierie de maintenance Au centre de plateforme est implémenté le noyau, qui est l élément sur lequel se base le principe de fonctionnement de la plateforme. Il assure les fonctions élémentaires de gestion des différents composants de la plateforme, et il se charge de la gestion des flux de données et des mécanismes d ordonnancement des opérations. Il assure aussi le bon fonctionnement du système de sécurité, à travers un mécanisme de registration et d authentification des utilisateurs, et une gestion des droits d accès. Le noyau comprend également le module M3A, qui est le module principal de la plateforme. Il contient toutes les fonctions nécessaires au déroulement du processus d apprentissage. De la préparation des données à l exploitation des connaissances extraites, une multitude de méthodes sont implémentées dans ce module, y compris des méthodes de transformation de données, plusieurs algorithmes de discrétisation, plusieurs méthodes de fouille de données, des outils de visualisation etc. Outil 3 Outil 2 Outil 1 Choix Modèle 1 Modèle 2 Modèle n Ordonnancement Elaboration du modèle Données Modèles DB DB Alertes Figure IV.2 Le module M3A Plusieurs modèles sont élaborés pour plusieurs systèmes correspondants. Les modèles sont obtenus par apprentissage artificiel automatique, et leur objectif est de détecter des anomalies possibles dans l état des composants. On peut insérer un module d ordonnancement qui a comme but de planifier avec optimalité les actions de maintenance, en prenant en compte la dégradation mesurée. Chaque nouvel ensemble de mesures réelles prises par le système d acquisition de données pour un composant donné est passé au modèle de prédiction correspondant. L acteur de maintenance pourra accéder à la plateforme à travers un portail web, qui joue le rôle de l interface utilisateur. Ce dernier assure un accès universel aux services de la plateforme : tout d abord une interface d authentification, puis un accès au module M3A, ou aux autres systèmes, avec une éventuelle visualisation des résultats sous forme de graphiques.

80 10 Conception d une plateforme d ingénierie de maintenance IV.3.b. Le modèle de données Comme nous avons introduit précédemment, les systèmes en maintenance s appuient sur des modèles variés et leurs objectifs sont différents, ce qui fait qu ils soient parfois redondants mais souvent interopérables à cause de leurs représentations hétérogènes des données. Ceci nous oblige à utiliser un modèle unique et cohérent pour structurer toutes ces données. Le modèle qu on a adopté a été présenté dans (Tararykine, 2005). C est un modèle générique du système d information de la maintenance qui essaye de représenter de façon la plus précise toutes les formes et types de maintenance. Le modèle s inspire de l architecture OSA/CBM 3 (Open System Architecture for Condition Based Maintenance), mais qui propose un modèle statique générique qui s adapte à toutes les organisations ou types possibles de la fonction maintenance dans une entreprise, y compris les stratégies de maintenance dans leur ensemble. Le modèle est exprimé en langage UML. Dans sa partie statique, il commence par la définition des acteurs du système d information de la fonction maintenance. Certains d entre eux sont représentés par des classes et d autres par des paquetages. Puis, il définit chaque équipement comme un ensemble de plusieurs composants qui peuvent eux-mêmes se constituer de plusieurs éléments. Le terme composant signifie soit un actionneur, soit un module de contrôle, soit un capteur. Il existe une forte liaison entre ces composants car le module de contrôle (automate programmable industriel ou contrôleur) permet de manipuler des actionneurs (vérins pneumatiques ou stoppeurs électromagnétiques) et que ces manipulations sont contrôlées par des capteurs. Ces derniers assurent la duplication de l information de la grandeur physique qui est non électrique et qui leur est propre, sur une grandeur électrique : courant, tension, charge ou impédance, qui peut à son tour, être facilement interprétée par le module contrôle. Toute information générée par les différents types de capteurs est représentée par la classe Signal. On distingue plusieurs types de signaux suivant la nature du capteur qui la génère : tout ou rien (TOR), sortie analogique (Mesure) ou flux audio/vidéo (Flux). Equipement Composant Contrôle Actionneur Capteur Figure IV.3 Représentation d un équipement dans le modèle 3 Adresse :

81 11 Conception d une plateforme d ingénierie de maintenance Etats Etat Etat Normal Etat Dégradé Panne Arrêt Programmé -date_début : Date -dat_fin : Date Maintenance Maintenance Corrective Maintenance Conditionnelle Maintenance Systématique Figure IV.4 Représentation des états Signaux Signal +Récupérer () : +Traiter () : TOR Vidéo Mesure Figure IV.5 Représentation des signaux Le modèle définit aussi les modules composant la fonction surveillance. Tout d abord, il y a le module d acquisition qui consiste en un ensemble de composants matériels et logiciels qui sont utilisés pour récupérer l information des capteurs distants en temps réel, puis la traiter et la présenter sous forme d un historique. Il y a ensuite le module de détection qui reçoit les données à partir du module précédent, et va comparer ses données avec des seuils fixes prédéfinis, et il va générer des avertissements en cas où un composant se trouve en état anormal. C est dans ce cas qu intervient le module de diagnostic qui déterminer l origine et la cause de cet état de fonctionnement. Aussi, les informations concernant les éventuels dysfonctionnements peuvent être utilisées par un module ordonnancement pour ordonnancer les activités de maintenance. Enfin, les différentes ressources sont aussi définies où les ressources humaines se divisent en les classes : opérateur, technicien, méthode maintenance, magasinier et expert.

82 12 Conception d une plateforme d ingénierie de maintenance La figure suivante présente le modèle statique générique complet, avec les différentes relations entre les classes et les paquetages : Figure IV.6 Modèle de données

83 13 Conception d une plateforme d ingénierie de maintenance IV.3.c. Implémentation de la plateforme Pour la réalisation de la plateforme, on a opté pour la technologie Java, qui présente l avantage d être une technologie open source avec la disponibilité d outils libres qui fournissent les fonctionnalités nécessaires pour tous les types de développement. En plus, il y une grande communauté de développeurs qui constitue un support d aide pour les différents problèmes. Concernant l environnement de développement, on a choisis l environnement NetBeans 4 dans sa version Cet outil libre contient un support pour le développement des applications web et d entreprise, surtout avec sa version qui est l une des dernières versions qui permettent un développement de type WYSIWYG (What You See Is What You Get) pour les applications Web en JSF. En effet, JSF (Java Server Faces) propose un framework qui facilite et standardise le développement d applications web avec Java. Le grand intérêt de cette technologie est qu elle puisse être mise en œuvre par les différents outils (NetBeans dans notre cas) pour permettre un développement de type RAD (Rapid Application Development), et ainsi être facile à réaliser, comme dans les applications desktop. En plus, JSF est une technologie utilisée côté serveur qui sépare clairement la partie interface de la partie métier d une application web, car elle repose sur le modèle MVC (Modèle, Vue, Contrôleur). Plus précisément, JSF dispose d une architecture de type MVC2, où une unique Servlet fait office du contrôleur et se charge ainsi d assurer le workflow des traitements en fonction des requêtes reçues grâce à un fichier de paramétrage. Pour les vues, les JSF ont la particularité d être crées majoritairement à partir de page JSP, mais elles sont réellement représentées par un arbre d objets gérés côté serveur. Client Serveur web et d applications Base de données Navigateur Contrôleur (Servlet) Traitements applicatifs Vue (JSP) Traitements applicatifs Vue (JSP) Modèle (JavaBeans) BD Figure IV.7 Le modèle MVC2 4 Adresse :

84 14 Conception d une plateforme d ingénierie de maintenance Deux applications web ont été construites pour former la plateforme. La première, M3ACore, englobe le noyau de la plateforme (voir IV.3.a). Elle assure la collection et la structuration des données dans une base de données globale avec l SGBD MySQL, à travers plusieurs interfaces, comme l accès aux fichiers, l accès à travers le réseau par le protocole TCP/IP, et l accès aux bases de données par JDBC. Les données sont structurées ensuite dans la base de données globale selon le modèle général introduit à la section précédente. Dans cette application est implémenté le service web générique, M3ALearningWS, qui est l élément essentiel du corps de la plateforme. Il réalise les tâches de prétraitement comme la transformation ou la discrétisation, et la tâche d apprentissage, en faisant appel aux fonctionnalités du logiciel populaire WEKA 5. Les données sont rassemblées dans une seule structure Différents moyen pour accéder aux données Figure IV.8 Plusieurs sources de données WEKA (Waikato Environment for Knowledge Analysis) est une plateforme de fouille de données open source écrite en Java, qui regroupe une grande suite de méthodes d apprentissage. Elle supporte plusieurs tâches d ECD, notamment le prétraitement, la classification supervisée et non supervisée. En utilisant toutes ces méthodes, le service M3A en hérite les fonctionnalités correspondantes. En plus, le service implémente la méthode SIPINA 6, ainsi que la machine cellulaire. Les résultats obtenus par le service (les règles) peuvent être manipulés et sauvegardés par l application M3ACore. Pour la tâche de prédiction des défaillances, c est aussi cette application qui va recevoir à chaque mesure les données sous forme de fichier XML, en extraire les valeurs, pour ensuite réaliser la prédiction par le modèle précédemment élaboré. 5 Adresse : 6 La méthode été ajoutée à la plateforme WEKA dans un travail d ingéniorat

85 15 Conception d une plateforme d ingénierie de maintenance Plusieurs algorithmes d apprentissage Figure IV.9 Plusieurs algorithmes d apprentissage La deuxième application, M3APortal, constitue, comme son nom l indique, le portail web qui sert comme interface utilisateur de la plateforme. Elle permet l accès aux fonctionnalités des l autre application, M3ACore, à travers une interface développée grâce à technologie JSF de Java. Au premier contact, c est l interface d authentification qui sera présentée, puis en cas de succès, l utilisateur sera guidé en plusieurs pages web pour réaliser le processus d ECDM. Le résultat de la prédiction sera régulièrement présenté sur une page spéciale de l interface. IV.4. Cas d application Dans cette section, nous décrivons l application de l approche proposée sur une base de données relative aux moteurs d avion à turbine à gaz. Les mêmes étapes décrites précédemment sont appliquées, avec quelques ajustements dus à la nature de la base. Nous présentons d abord le cas d application, puis nous nous focalisons sur la fouille des données par apprentissage cellulo-symbolique, en présentant les résultats obtenus. IV.4.a. Les moteurs d avions à turbine à gaz Comme déjà mentionné, pour que l approche proposée dans ce travail soit applicable sur un système donné, ce dernier doit avoir générer un ensemble suffisant de données pertinentes qui décrivent son historique de fonctionnement, surtout avant de subir une défaillance. Les moteurs d avions sont des exemples courants de ce type de systèmes. En effet, les données utilisées pour l expérimentation de l approche sont générées par la simulation du fonctionnement de plusieurs moteurs, en provoquant plusieurs cas de défaillances, et en collectant les données représentants l état de chaque système avant

86 16 Conception d une plateforme d ingénierie de maintenance de tomber en panne. Cette base de données a été utilisée comme base du challenge lors de la compétition sur les données du pronostic et de la gestion d état au PHM Les ensembles de données composant la base sont représentatives du fonctionnement réel de ce type de moteurs (Saxena, et al., 2008), et sont utilisés par les chercheurs en pronostic (voir le chapitre I) afin de comparer leurs approches. Durant la simulation, diverses conditions de fonctionnement ont été réalisées, avec la variation de l altitude par rapport au niveau de la mer, de la température, et de l énergie fournie, ainsi que la modélisation de l état initial du moteur (usure initiale, bruit). La figure ci-dessous présente le diagramme simplifié d un des moteurs avec ses composants essentiels : Figure IV.10 Diagramme simplifié du moteur simulé Le système utilisé pour la simulation accepte plusieurs entrées permettant de simuler les effets des défaillances et des dégradations à n importe quel des cinq composants rotatifs du moteur : Ventilateur (Fan), LPC (Low Pressure Compressor), HPC (High Pressure Compressor), HPT (High Pressure Turbine), LPC (Low Pressure Turbine). Parmi ces composants, c est le HPC qui est ciblé pour subir une dégradation puis une défaillance. Les sorties du système incluent plusieurs réponses des capteurs, dont 21 ont été retenues dans la base de données. Le tableau suivant récapitule ces variables : Description Unité Symbole HPC efficiency modifier HPC flow modifier HPC pressure-ratio modifier HPC_eff_mod HPC_flow_mod HPC_PR_mod Total temperature at fan inlet R T2 Total temperature at LPC outlet R T24 Total temperature at HPC outlet R T30 7 La base de données est téléchargeable à l adresse :

87 17 Conception d une plateforme d ingénierie de maintenance Total temperature at LPT outlet R T50 Pressure at fan inlet psia P2 Total pressure in bypass-duct psia P15 Total pressure at HPC outlet psia P30 Physical fan speed rpm Nf Physical core speed rpm Nc Engine pressure ratio (P50/P2) epr Static pressure at HPC outlet psia Ps30 Ratio of fuel flow to Ps30 pps/psi phi Corrected fan speed rpm NRf Corrected core speed rpm NRc Bypass Ratio BPR Burner fuel-air ratio farb Bleed Enthalpy htbleed Demanded fan speed rpm Nf_dmd Demanded corrected fan speed rpm PCNfR_dmd HPT coolant bleed lbm/s W31 LPT coolant bleed lbm/s W32 Tableau IV.1 Variable présentes dans l ensemble de données Le scénario développé pour les données vise un nombre de moteurs d avions durant leurs historiques de fonctionnement. Une unité de moteur particulière peut être employée sous différentes conditions d un vol à un autre. Dépendant de plusieurs facteurs, le taux et quantité d accumulation d un endommagement sera différents pour chaque moteur. On assume que la quantité d accumulation d un endommagement durant un vol particulier ne sera pas directement quantifiable uniquement en se basant sur la durée du vol et ses conditions, et donc on doit se tourner vers les informations extraites des données des capteurs collectées durant chaque vol. Ce scénario modélise la dégradation des performances du moteur due à l usure et à la déchirure basée sur les lois d utilisation des moteurs et pas due nécessairement à un défaut. IV.4.b. La préparation des données La base de données contient quatre ensembles de données avec différentes conditions de vol, et divers composants ayant subi une défaillance. Parmi ces ensembles, nous avons choisi le premier qui contient des données sur 100 unités fonctionnant au niveau de mer avec des défaillances concernant uniquement le module HPC. Cet ensemble consiste à multiples séries temporelles multi variées issues de moteurs différents (une flotte de moteurs de même type). Chaque moteur commence avec différents degrés d usure initiale et de variation de fabrication, et est considéré en fonctionnement normal au début chaque série, puis développe un défaut à un point donné durant la série. Le défaut croit en ampleur jusqu à la défaillance du système. En plus des 24 variables citées au dessus, l ensemble contient le numéro de l unité, et le temps (en cycles) de la prise de chaque mesure. A ces variables, on a ajouté une colonne représentant la différence entre le temps de la prise de chaque mesure et celui de la dernière en chaque série (il y 100 série, une pour chaque unité). Ensuite, on procédé à l étiquetage des données. Pour ce fait, on s est référé à la visualisation des paramètres pour choisir les exemples positifs et négatifs (voir les figures suivantes).

88 18 Conception d une plateforme d ingénierie de maintenance Figure IV.11 Evolution du paramètre T30 pour la 69 ème série Figure IV.12 Evolution du paramètre Ps30 pour la 69 ème série 2388,3 2388, ,2 2388, ,1 2388, , Figure IV.13 Evolution du paramètre phi pour la 69 ème série

89 19 Conception d une plateforme d ingénierie de maintenance Après la visualisation de l évolution des différents paramètres pour plusieurs séries, et après plusieurs essais, on a choisi la valeur 90 pour la variable k (nombre d exemples positifs). Donc, on a décidé d étiqueter les 90 derniers exemples précédant la fin de chaque série de la valeur 1 (état anormal), et le reste de la valeur 0. Par exemple, la 69 ème série (la plus longue) correspondant à la 69 ème unité contient 362 mesures, dont la dernière (la 362 ème ) indique que le système est tombé en panne. Avec la règle adoptée, tous les exemples dont le temps en cycles est ente 1 et 272 sont étiquetés de 0, et ceux dont le temps en cycles est entre 273 et 362 sont étiquetés de 0. Après l étape d étiquetage des données, on a supprimé les cinq premières variables de l ensemble. La première représente seulement un numéro incrémental de l unité en cours, tandis que la deuxième représente le numéro de cycle, qui a été remplacé par la période citée au dessus. Les trois variables qui suivent représentent les entrées utilisées pour la simulation. En plus, et du fait que tous les attributs étaient des variables continues, on a procédé à la discrétisation des ces variables. L algorithme utilisé est celui de la discrétisation supervisée disponible dans le logiciel WEKA. IV.4.c. Résultats de la fouille de données Avant de lancer la phase de fouille de données, on a partitionné l ensemble de données pour former les deux échantillons : d apprentissage et de test. Pour ce fait, on a choisi un partitionnement de 70 séries pour l apprentissage contre 30 séries pour le test. Les séries de test sont choisis du début de l ensemble, du milieu et de la fin. Pour la détection des dégradations, nous avons utilisé plusieurs méthodes à base d arbres de décision. Les premiers résultats montrent que c est la méthode J48 (C4.5) qui donne le meilleur taux de succès, par rapport aux autres méthodes. Ayant voulu comparer cette méthode avec la méthode SIPINA avec automate cellulaire, le résultat obtenu présente presque le même taux de succès en classification, mais avec un modèle beaucoup plus simple : Méthode Erreur Succès Taille Règles J % 95.18% SIPINA + AC 6.48% 93.51% Tableau IV.2 Comparaison des résultats A travers la comparaison de ces résultats, il est clair que la méthode SIPINA associée à l automate cellulaire présente le meilleur compromis entre efficacité (taux de succès), avec de bons taux de classement, et simplicité de modèle, avec un faible nombre de règles. A ce dernier point (faible nombre de règles), il faut ajouter aussi la simplification offerte par l utilisation de la représentation booléenne de l automate cellulaire. Notons que le taux d erreur signifie qu une dégradation peut être détectée un peu plus tôt ou un peu plus tard par rapport à sa survenue effective. Voici un sous-ensemble des règles obtenues et qui forment le modèle de prédiction :

90 20 Conception d une plateforme d ingénierie de maintenance IF ( T50 = '( ]' and Nc = '( ]' and Ps30 = '( ]' ) ===> health = good IF ( T50 = '( ]' and Nc = '( ]' and Ps30 = '( ]' ) ===> health = failure IF ( T50 = '( ]' and Nc = '( ]' and Ps30 = '( ]' ) ===> health = failure IF ( T50 = '( ]' and Nc = '( inf)' and Ps30 = '( ]' ) ===> health = failure IF ( Nc = '( inf)' and Ps30 = '( ]' ) ===> health = failure IF ( Ps30 = '( ]' ) ===> health = failure IF ( T50 = '( ]' and Ps30 = '( ]' ) ===> health = failure IF ( Ps30 = '( ]' ) ===> health = good IF ( T50 = '(-inf ]' and Ps30 = '( ]' ) ===> health = good IF ( T50 = '( ]' and Nc = '( ]' and Ps30 = '( ]' ) ===> health = good Figure IV.14 Sous-ensemble des règles du modèle IV.5. Conclusion Nous avons présenté dans ce chapitre notre plateforme d ingénierie de maintenance. C est une plateforme permettant l intégration de plusieurs systèmes de maintenance à travers le réseau Internet, dans le but d exploiter leurs données dans des démarches d extraction de connaissances. Le développement de cette plateforme permettra d améliorer considérablement l efficacité des activités de maintenance, en apportant de nombreuses solutions aux problèmes liés au maintien des équipements, grâce à son aspect d apprentissage à partir des expertises antérieures. A travers ce chapitre, nous avons exposé les avantages de mettre en place une telle plateforme pour la fonction maintenance, et pour l entreprise. Un autre aspect important de cette plateforme est l utilisation des nouvelles technologies du web, notamment les services web, ainsi que l utilisation de plusieurs standards. Grâce à ces derniers, la plateforme sera ouverte à l extension et à l amélioration.

91 21 Conception d une plateforme d ingénierie de maintenance Conclusion et perspectives La maintenance est devenue de nos jours une fonction essentielle de l entreprise car elle participe à sa performance globale. Aujourd hui, et grâce aux technologies de l information et de la communication et à la technologie Web, cette fonction peut être effectuée automatiquement et à distance. Dans ce contexte, nous avons proposé la conception et la mise en œuvre de la première version d une plateforme d ingénierie de maintenance assistée par apprentissage artificiel automatique que nous avons baptisé M3A. La plateforme M3A utilise les données de maintenance pour fournir une aide à la décision, notamment pour la maintenance préventive, en appliquant les techniques d apprentissage automatique sur les données de maintenance. Dans le premier chapitre, nous avons introduit les notions de base du domaine de la maintenance, en donnant des définitions acquises, le plus souvent, des organismes de normalisation. On a exposé aussi l évolution de la maintenance sur plusieurs axes (organisationnel, technologique etc.) pour pouvoir se positionner dans les nouvelles tendances dans le domaine. Puis, on a fini par expliquer notre problématique de recherche, en spécifiant notamment les différents challenges à faire face. Notre plateforme étant basée sur l apprentissage automatique, nous avons passé en revue, dans le deuxième chapitre, ce domaine émergent, en introduisant tout d abord le concept d extraction de connaissances à partir des données (ECD), puis en précisant sa relation avec l apprentissage automatique. On a survolé ensuite les méthodes à base de graphe d induction qui sont en relation avec notre contribution, notamment la méthode SIPINA qui sera particulièrement associée à la machine cellulaire. Cette dernière était l objet de la dernière section du chapitre. Dans le troisième chapitre, on a détaillé notre approche d apprentissage automatique cellulo-symbolique, appliquée dans le cadre général d un processus d'extraction de Connaissances à partir de Données de Maintenance (ECDM). Cette approche permet d utiliser les données historiques acquises durant la maintenance et l exploitation des systèmes complexes pour extraire de nouvelles connaissances. On a montré que plusieurs algorithmes de fouille de données existent mais leur application sur des applications réelles est un challenge car plusieurs sous-problèmes doivent être adressés. Puis, on a expliqué l approche d extraction de connaissances à partir des données de maintenance, en adaptant les tâches du processus d extraction de connaissances à cette problématique, et surtout en introduisant l approche cellulaire, permettant une gestion optimale des connaissances à travers une modélisation booléenne. Grâce à cette approche, la pris en compte d avantage d informations sera possible, ainsi qu une utilisation multiple et répétitive du processus d ECDM offrant un raisonnement temporel et une exploration plus large de l espace des problèmes.

92 22 Conception d une plateforme d ingénierie de maintenance Le quatrième chapitre était consacré à l architecture de la plateforme, et son principe de fonctionnement, ainsi qu à l exposition de ses différents composants. Pour la suite de ce travail, nous désirons approfondir notre étude sur le phénomène de dégradation dans les composants des systèmes complexes, en choisissant les meilleures techniques d apprentissage automatique pour cette fin. Nous désirons aussi étendre notre plateforme, en incorporant d autres modules afin d ajouter plus d automatisation aux tâches de maintenance.

93 23 Conception d une plateforme d ingénierie de maintenance Bibliographie Abdelouhab, F et Atmani, B Intégration automatique des données semistructurées dans un entrepôt cellulaire. Troisième atelier sur les systèmes décisionnels p Mohammadia Maroc : s.n., AFNOR Terminologie de la maintenance. Norme européenne NF EN Atmani, B et Beldjilali, B Knowledge Discovery in Database: Induction Graph and Cellular Automaton. Computing and Informatics Journal, vol. 26, n 2, 2007, p Bangemann, Thomas, et al PROTEUS Creating distributed maintenance systems through an integration platform. Computers in Industry 57 (2006) Benamina, m et Atmani, B WCSS: un système cellulaire d'extraction et de gestion des connaissances. Troisième atelier sur les systèmes décisionnels p Mohammadia Maroc : s.n., Campos, Jaime Development in the application of ICT in condition monitoring and maintenance. Computers in Industry 60 (2009) Déchamp, L, et al On the Use of Artificial Intelligence for Prognosis and Diagnosis in the PROTEUS E-maintenance platform. PROTEUS ITEA European Project Deloux, Estelle Politiques de maintenance conditionnelle pour un système à dégradation continue soumis à un environnement stréssant. Thèse de Doctorat. Nantes : Université de Nantes, Devaney, Mark, et al Preventing failures by mining maintenance logs with case-based reasoning. In 59th Meeting of the Society for Machinery Failure Prevention Technology (MFPT-59) Dietterich, Thomas G Machine Learning Research : Four Current Directions. s.l. : AI Magazine. 18(4), , Famili, A et Letourneau, S Monitoring of Aircraft Operation using Statistics and Machine Learning. IEEE Conference ICTAI-99. Chicago : s.n., Vol. pp NRC Fayyad, Usama, Haussler, David et Stolorz, Paul KDD for Scientific Data Analysis : Issues and Examples. Second international Conference on Kowledge Discovery and Data Maining. AAAI Press : s.n., Fayyad, Usama; Haussler, David; Stolorz, Paul Mining Scientific Data. COMMUNICATIONS OF THE ACM1, Vol. 39, No Fayyad, usama, Piatetski-Shapiro, Gregory et Smyth, Padharaic Knowledge Discovery and Data Mining : Towards a Unifiyng Framework. Second international Conference on Kowledge Discovery and Data Maining. Portland : AAAI Press, 1996.

94 24 Conception d une plateforme d ingénierie de maintenance Fayyad, Usama, Piatetsky-Shapiro, Gregory et Smith, Padhraic The KDD Process for Extracting Useful Knowledge from Volumes of Data. COMMUNICATIONS OF THE ACM,Vol. 39, No Fayyad, Usama, Piatetsky-Shapiro, Gregory et Smyth, Padhraic From Data Mining to Knowledge Discovery in Databases. AAAI 97. s.l. : American Association for Artificial Intelligence, Francisci, Dominique Techniques d'optimisation pour la fouille de données. Thése de Doctorat. s.l. : université de Nice-Sofia Antiolis, Frawley, William J, Piatetsky-Shapiro, Gregory et Matheus, Christopher J Knowledge Discovery in Databases : An Overview. AI Magazine Volume 13 Number 3 (1992) Garcia, E, et al A new industrial cooperative tele-maintenance platform. s.l. : Comput Ind Eng, Vol. 4, 46. Garcia, Mari Cruz, Sanz-Bobi, Miguel A et del Pico, Javier SIMAP: Intelligent System for Predictive Maintenance Application to the health condition monitoring of a windturbine gearbox. Computers in Industry 57 (2006) Han, tian et Yang, Bo-Suk Development of an e-maintenance system integrating advanced techniques. Computers in Industry 57 (2006) Iung, Benoit et Marquez, Adolfo Crespo Special issue on e-maintenance. Computers in Industry 57 (2006) Iung, Benoit NTIC et nouvelles avancées en maintenance : E-maintenance. Forum : Systèmes et logiciels pour les NTIC dans le transport (Maintenance et Transport) Kaabi-Harrath, Jihène Contribution à l'ordonnacement des activités de maintenance dans les systèmes de production. Thèse de Doctorat. Besançon : Université de Franche Comté, Kaffel, Hédi La maintenance distribuée : concept, évaluation et mise en oeuvre. Thèse de Doctorat. Québec : Université de Laval, Octobre Kodratoff, Y Technical and scientific issues of KDD. Algorithm Learning Theory, LNAI, Kohavi, Ron, Sommerfield, Dan et Dougherty, James Data Mining using MLC++ A Machine Learning Library in C++. International Journal on Artificial Intelligence Tools Vol. 6, No. 4 (1997) Lee, Jay, et al Intelligent prognostics tools and e-maintenance. Computers in Industry 57 (2006) Létourneau, S, et al A Domain Independent Data Mining Methodology for Prognostics. Essential Technologies for Successful Prognostics, 59th Meeting of the Machinery Failure Prevention Technology Society. Virginia : s.n., Létourneau, S, Famili, A et Matwin, S Discovering Useful Knowledge from Aircraft Operation/Maintenance Data. Workshop on Machine Learning in the Real World, at the 14th International Conference on Machine Learning. London : s.n., Vol. pp NRC Létourneau, S, Famili, F et Matwin, S Data Mining for Prediction of Aircraft Component Replacement. IEEE Intelligent Systems Jr., Special Issue on Data Mining Vol. pp NRC Létourneau, S, Yang, C et Liu, Z Improving Preciseness of Time to Failure Predictions: Application to APU starter. the 1st International Conference on Prognostics and Health Management (PHM 2008). Denver : s.n., NRC

95 25 Conception d une plateforme d ingénierie de maintenance Létourneau, Sylvain Data mining for maintenance of complex systems. AAAI- 98 Proceedings Levrat, E, Salzemann, B et Clanché, F TELMA Plate-forme d intégration de télémaintenance pour l enseignement et la recherche. CETSIS'2005. Nancy : s.n., Magro, Micaela Caserza et Pinceti, Paolo A confirmation technique for predictive maintenance using the Rough Set Theory. Computers & Industrial Engineering Mannila, Heikki Data mining : machine learning, stistics and data bases Marmier, François Contribution à l ordonnancement des activités de maintenance sous contrainte de compétence : une approche dynamique, proactive et multi-critère. Thèse de Doctorat. Besançon : Université de Franche Comté, Meo, F, et al Predictive Maintenance and Diagnostics of Machine Tools. Report and software suite for the first research prototype. Deliverable of the INT-MANUS project MIMOSA. MIMOSA - Machinery Information Management Open Standards Alliance. [En ligne] Mitchell, Tom M Does Machine Learning Really Work? AI Magazine Volume 18 Number 3 (1997). s.l. : AAAI Press, Monchy, François Maintenance - méthodes and organization. Paris : Dunod, Muller, Alexandre, Marquez, Adolfo Crespo et Iung, Benoît On the concept of e-maintenance: Review and current research. Reliability Engineering and System Safety 93 (2008) Osorio, Fernando Santos INSS : Un système hybride neuro-symbolique pour l'apprentisage automatique constructif. Thèse de Doctorat. Grenoble : L Institut National Polytechnique de Grenoble - I.N.P.G, Pena, J-M, Létourneau, S et Famili, A Application of Rough Sets Algorithms to Prediction of Aircraft Component Failure. Proceedings of the Third International Symposium on Intelligent Data Analysis. Amsterdam : s.n., NRC Piatetsky-Shapiro, Gregory, et al KDD-93: Progress and Challenges in Knowledge Discovery in Databases. AI Magazine Volume 15 Number 3 (1994) PREDICT. PREDICT - Solutions de maintenance prévisionnelle, Développement, Ingénierie, Accompagnement. [En ligne] Quinlan, J R Induction of Decision Trees. Machine Learning 1: Boston : Kluwer Academic Publishers, Rabaséda, S Racoceanu, Daniel Contribution à la surveillance des Systèmes de Production en utilisant les Techniques de l Intelligence Artificielle. Habilitation à diriger des recherches. Besançon : Université de Franche Comté, Rasovska, Ivana Contribution à une méthodologie de capitalisation des connaissances basée sur le raisonnement à partir de cas : Application au diagnostic dans une plateforme d e-maintenance. Thèse de Doctorat. Besançon : Université de Franche Comté, Reffat, Rabee M, Gero, John S et Peng, Wei Improving the management ob building life cycle : a data mining approach. CRC Research Conference. Brisbane : s.n., 2004.

96 26 Conception d une plateforme d ingénierie de maintenance Saitta, Lorenza et Neri, felippo Learning in the "Real World". Machine Learning,, 1-37 (1997). s.l. : Kluwer Academic Publishers, Manufactured in The Nederlands, Seguy, Anne Décision collaborative dans les systèmes distribués : Application à la e-maintenance. Thèse de Doctorat. Toulouse : Université de Toulouse, Silver, Edward A et Fiechter, Claude Nicolas A simple case of preventive maintenance decision making with limited historical data. International Journal of Production Economics, 27 ( 1992) s.l. : Elsevier, Tararykine, Viatcheslav Modélisation des Flux d Information dans un Système de E-maintenance. Thèse de Doctorat. Besançon : Université de Franche Comté, Wylie, R, et al IDS: Improving Aircraft Fleet Maintenance. 14th National Conference on Artificial Intelligence and Innovative Applications of AI (IAAI-97), Providence, RI NRC Yang, C et Letourneau, S A Practical Data-Driven Framework for Parallel Data Mining. 9th World Multi-Conference on Systemics Cybernetics and Informatics (WMSCI 2005). Orlando : s.n., NRC Yang, C et Létourneau, S Model Evaluation for Prognostics: Estimating Cost Saving for the End Users International Conference on Machine Learning and Applications (ICMLA 07). Cincinnati : s.n., NRC Yu, Ren, Iung, Benoit et Panetto, Hervé A multi-agents based E- maintenance system with case-based reasoning decision support. Engineering Applications of Artificial Intelligence 16 (2003) Zemouri, Mohamed Ryad Contribution à la surveillance des systèmes de production à l aide des réseaux de neurones dynamiques : Application à la e- maintenance. Thèse de Doctorat. Besançon : Université de Franche Comté, Zighed, D, Auray, J et Duru, G SIPINA : Méthode et logiciel. s.l. : Lacassagne, 1992.

97 RESUME Depuis son essor, la fonction maintenance n a cessée d évoluer. Elle est passée d un simple service d entretient lié à la production, à une activité à part entière, pour devenir l une des fonctions essentielles de l entreprise moderne qui participe à sa performance globale. L idée présentée dans ce travail ici est motivée par le fait que l application de l extraction de connaissances en maintenance aura l aptitude d améliorer sa performance, et donc celle de toute l entreprise. Plus précisément, une optimisation de la gestion des interventions en termes de planning, d ordonnancement et de gestion de ressources peut être obtenue à travers l analyse des pannes répétitives des équipements. Cette approche permet une stratégie de maintenance préventive de nature anticipative, qui permet à un expert de programmer des actions dans des moments opportuns, au lieu de suivre les stratégies de maintenance adoptées actuellement qui sont réactives, correctives (réparation ou remplacement après défaillance) ou systématiques basées sur le temps. Cette notion d anticipation permet d offrir des opportunités d effectuer des tâches de maintenance dans les arrêts de production par exemple. Ainsi, les connaissances extraites, après avoir être validées, peuvent fournir une aide à la décision permettant de réduire les couts engendrés, d améliorer l efficacité des actions à entreprendre, de réduire l indisponibilité des équipements et le nombre des retards, d accroître la sécurité en plus d avoir une compréhension plus approfondie sur plusieurs phénomènes. Nous présentons dans ce travail une plateforme d ingénierie de maintenance assistée par apprentissage artificiel automatique. Dans la plateforme sera implémentée une approche d apprentissage automatique cellulo-symbolique, appliquée dans le cadre général d un processus d'extraction de Connaissances à partir de Données de Maintenance (ECDM). Cette approche permet d utiliser les données historiques acquises durant la maintenance et l exploitation des outils de production pour extraire de nouvelles connaissances. Plusieurs algorithmes de fouille de données existent mais leur application sur des applications réelles est un challenge car plusieurs sous-problèmes doivent être adressés. Récemment, des travaux ont abordés cet aspect d extraction de connaissances à partir des données de maintenance, ainsi que pour la prédiction des pannes. De notre part, nous désirons pousser cette idée, en adaptant les tâches du processus d extraction de connaissances à cette problématique, et surtout en introduisant l approche cellulaire, permettant une gestion optimale des connaissances à travers une modélisation booléenne. Grâce à cette approche, la pris en compte d avantage de données sera possible, ainsi qu une utilisation multiple et répétitive du processus d ECDM offrant un raisonnement temporel et une exploration plus large de l espace des problèmes. MOTS CLES Aide à la décision, Automate cellulaire, Incertitude, Intelligence artificielle, Ordonnancement, Planification, Raisonnement temporel.