Utilisation des Techniques de l Intelligence Artificielle pour la Surveillance des Systèmes de Production

Transcription

1 Utilisation des Techniques de l Intelligence Artificielle pour la Surveillance des Systèmes de Production Habilitation à Diriger des Recherches Daniel RACOCEANU Maître de Conférences à l Université de Franche-Comté Laboratoire d Automatique de Besançon UMR CNRS 6596 Curriculum Vitae 1/2 Etudes, titres diplômes : Ingénieur de l Ecole Polytechnique de Timisoara, Roumanie DEA en Automatique et Productique, ENIBe janvier Doctorat en Automatique et Informatique, UFC 2 1

2 Curriculum Vitae 2/2 Parcours professionnel : : Enseignant Vacataire, IUT Belfort Montbéliard : ATER, IUT Belfort Montbéliard : Responsable logistique, Gaussin S.A (Héricourt - 70) : Responsable d affaires, General Electric Europe (Belfort - 90) : Maître de conférences, UFR ST, UFC chercheur au LAB UMR CNRS 6596 septembre 2005 : Chercheur CNRS - IPAL FRE CNRS 2339 Singapour délégation CNRS 3 Plan de l exposé Activités d Enseignement Activités de Recherche Contexte national et international Tendances Positionnement des travaux Problématique scientifique Surveillance dynamique intelligente Articulation des travaux codirigés Contributions majeures Approches neuronales temporelles Approches floues Approches neuro-floues Bilan et publications scientifiques Perspectives de recherche Intelligence Ambiante Domaine industriel Domaine médical 4 2

3 Bilan des activités d Enseignement Enseignement Vacataire / ATER MdC Informatique Industrielle création TP Simulation de flux création C/TD/TP GPAO création TP Implantation Industrielle création C/TD Pré-LMD Intelligence Artificielle Création C Productique Création C/TD/TP Vision industrielle Informatique industrielle / Temps Réel Création TP Automatique non linéaire Création C/TD Encadrement projets EEA et Productique LMD Intelligence Artificielle Création C Productique Création C/TD/TP Vision industrielle Informatique industrielle Création TP Encadrement projets en Productique 6 3

4 Nouveaux programmes pédagogiques Conception et proposition (LMD) Intelligence Artificielle Réseaux de Neurones et Systèmes Neuro-Flous Ecole Doctorale SPIM UFR Sciences, UFC Master Mécatronique 2 Recherche UFR Sciences, UFC / ENSMM Maintenance, Sûreté de Fonctionnement, Surveillance Diagnostic Sûreté de Fonctionnement et Maintenance Master Mécatronique 1 UFR Sciences, UFC Licence Professionnelle UFR Sciences, UFC Diagnostic Surveillance Master Mécatronique 2 Recherche UFR Sciences, UFC / ENSMM Fiabilité module E-factory Master Mécatronique 2 Recherche UFR Sciences, UFC / ENSMM Ingénierie des systèmes de production Implantation d atelier Licence IUT Besançon, UFC Simulation de flux Licence Professionnelle UFR Sciences, UFC Informatique Industrielle : Informatique Industrielle et Systèmes temps réel Master Mécatronique 1 + Master Electronique et Optique 1 - UFR Sciences, UFC 7 Heures étudiant / discipline pré-lmd Recentrage +13 % par rapport aux compétences développées en recherche LMD Projets 25% Productique 28% IA 5% Projets 12% Productique 38% IA 3% Autom NL 6% II 18% Vision 20% II 23% Vision 22% 8 4

5 Heures réelles / type de formation pré-lmd D avantage d implication : Master Recherche + 8% IUP (SPAIAA) (SAPIAA) 22% Licences Pro (LP Bois, LP SDPI) 17% Ecole Doctorale 3% Master 1 (MMT, ELO) 22% Master 2 Recherche (MMT) 8% Master 2 Professionnel (MMT, ELO) 28% IUP (IUP GIM, SAPIAA) 31% Licences Pro (LP Bois, LP SDPI) 8% Ecole Doctorale 3% DESS (PA, SMTII) 34% LMD Maitrise (MEEA) 24% 9 Responsabilités Enseignement Pré LMD ( ) Responsabilité Option Automatique Productique, maîtrise EEA, UFR Sciences LMD (2004) Gestion des projets industriels d innovation Master Mécatronique Professionnel Responsabilité GAP du module découverte EEA semestre STARTER ST Commission de recrutement du Master Mécatronique Commission de validation d acquis du Master Mécatronique Erasmus UFC - Université Valahia de Targoviste, Roumanie 2 professeurs UVT et 3 collègues enseignants-chercheurs UFR Projet reconduit pour l année universitaire

6 Autres activités pour l enseignement Encadrement de projets industriels : Projets industriels d innovation - DESS Productique Appliquée / Master Mécatronique 2 Professionnel (14 projets) Projet de fin d études ENSMM (3 projets) Projets MEEA (7 projets) Tutorat - Systèmes Automatisés de Production pour les Industries Agroalimentaires (Nestlé Dijon) Cours école doctorale Sciences pour l Ingénieur et Microtechniques «Réseaux de neurones et réseaux neuro-flous pour la surveillance», Derniers travaux de recherche 10h C, 10 étudiants / an Formation continue entreprise DCN (Constructions Navales) «Techniques de l IA pour la surveillance industrielle» contrat DCN GT MACOD (modélisation et optimisation de la MAintenance COopérative et Distribuée) / GdR MACS 15 personnes 11 Activités de recherche Contexte national et international 6

7 Contexte international (1999/2000) USA : 1994 MIMOSA (Machinery Information Management Open Systems Alliance) Armée américaine Alliance - systèmes de gestion de maintenance industrielle Standards ouverts d information pour les Opérations et la Maintenance 2000 IMS (Intelligent Maintenance Systems) Centre de coopération autour de la maintenance (égide : Nat. Science Foundation) Axe fondamental : surveillance prédictive et pronostic But : «zéro pannes» Technologies développées : Systèmes «chien de garde» - pronostic Outils d aide à la décision en maintenance - système Japon : 2001 emainte.com (New Maintenance Technologies and Web based Services: Virtual Community for Next Generation Maintenance) REX maintenance = enjeu national (vieillissement de la population) Capitalisation de l expertise en diagnostic et maintenance Sauvegarde du savoir-faire 13 Contexte national Environnement national et international à forte connotation TIC Automne création du pôle STIC du CNRS LAB (2000) création équipe recherche ingénierie de maintenance et e-maintenance 14 7

8 Activités de recherche Tendances technologiques et méthodologiques Migration de l intelligence vers le bas L'intelligence et la valeur migrent vers le bas Supervision Contrôle Capt./Act. de terrain Interface avec le MES et l'erp de l'entreprise Supervision/Surveillance : Communication Contrôle ou régulation Programmes d'application et configuration Interface opérateur local Capteurs & actionneurs Actions réflexes (temps critique & réel) 16 8

9 Evolutions technologiques en automatisation Plateformes d automatismes Communication PC Dispositifs Intelligent intelligents Field Devices API API PC Ethernet PLC API Bus de terrain Pondération croissante des dispositifs intelligents Rapprochement de l informatique et de l automatisation 17 Répartition de l intelligence dans les systèmes Ethernet Station ingénierie HMI Programme exécuté dans un contrôleur central Intelligence centralisée RLI Intelligence répartie E/S décentralisées Ethernet Station ingénier ie HMI Module Technologique MECATRONIQUE RLI Mécanique + électrotechnique/ électronique + automatismes Appareils de terrain intelligents 18 9

10 Evolution des politiques de maintenance Maintenance Améliorative Evènement! Concepts de maintenance Défaillance Maintenance Corrective MAINTENANCE Echéancier Maintenance Préventive Seuils prédéterminés Evolution des paramètres Maintenance Proactive Evolution et analyse des causes E-maintenance Palliative Curative Systématique Conditionnelle Prévisionnelle Proactive Opérations de maintenance Dépannage Réparation Inspection Visite Contrôle Prédiction Analyse de propagation, causalité Services E-maintenance Technologies mobiles Internet haut débit Sciences et Technologies de l Information et de la Communication Mieux maîtriser le budget de la maintenance Importance de la Fonction Maintenance Se recentrer sur son véritable métier Forte tendance à l externalisation de la maintenance e-maintenance Création de SERVICES nouveaux, innovants Industrialisation du protocole TCP/IP Mécatronique Automatisation - IA Instrmentation 20 10

11 Activités des recherche Positionnement des travaux Surveillance - Supervision Informations Signaux Capteurs Système Actionneurs Supervision Surveillance Conduite Voir Comprendre Agir Décisions Informations Signaux Détection Diagnostic Propositions d actions Décisions Interprétation Génération d alarmes Alarmes Localisation Organe identifié Identification Cause identifiée Aide à la décision 22 11

12 Surveillance - Supervision Dispositif informationnel, passif Surveillance Supervision Dispositif actif Action, Commande, Reconfiguration Détection de défauts (symptôme, alarme) Diagnostic Localisation de la défaillance Identification de la cause 23 Importance de l étude des Dégradations 24 12

13 Surveillance Surveillance dynamique Surveillance Surveillance dynamique Détection de de dégradations défauts (symptôme, (Détection prédictive) alarme) Localisation de la la dégradation défaillance Diagnostic Pronostic (Diagnostic prédictif) Identification de la cause 25 Méthodes de surveillance - Etat de l art Méthodes de surveillance Méthodes avec modèle Méthodes en absence du modèle du procédé Modélisation fonctionnelle et matérielle Industrie AMDEC ADD Modélisation physique Automatique Redondance physique et analytique Estimation paramétrique edondance physique Outils statistiques Traitement du Signal Test de franchissement de seuil Test de la moyenne Test de la variance Méthodes à base de modèles comportementaux (Modélisation/Simulation) Automates d état finis Réseaux de Petri Outils symboliques Méthodes «intelligentes» (modèle symboliques) Méthodes à base de reconnaissance de formes (Apprentissage/Reconnaissance) Systèmes experts Outils statistiques Méthodes à base de modèles explicatifs (Analyse causale des défaillances) Graphes causaux Graphes contextuels Méthodes industrielles courantes Alarmes simples RàPC Réseaux de neurones Réseaux de Petri flous Systèmes neuro-flous Logique floue Alarmes intelligentes Aide au diagnostic 26 13

14 Activités de recherche Problématique scientifique Orientation : Surveillance dynamique intelligente Techniques intelligentes pour la surveillance Surveillance «intelligente» Dynamique (temporelle) Evolutive (apprentissage incrémental) Diagnostic - recherche causalité dégradation / défaillance Diagnostic prédictif 28 14

15 Cadre de recherche Surveillance systèmes complexes sans modélisation physique Outils d aide surveillance / diagnostic Information - formats industriels (AF, ADD, AMDEC, ) Minimum d informations initiales Liaison avec des systèmes industriels (SCADA, GMAO, ) Systèmes de surveillance évolutifs, dynamiques Flexibles Proches du raisonnement humain Reconfigurables Faciles d utilisation Systèmes, Opérateurs, décideurs et experts distants Activités multi-sites - fonctionnement distribué, collaboratif Utilisation des TIC 29 Exigences outil de surveillance Choix de outils de l IA Système de surveillance moderne Facilité de paramétrage Apprentissage, reconfiguration, évolution Réseaux de neurones (RN) Facilité de modélisation Réseaux de Petri (RdP) Prise en compte de l incertain Exprimer les imprécisions et les incertitudes Logique floue (LF) Généricité de l outil Prise en compte des connaissances industrielles - AMDEC, ADD, GMAO Construction du modèle - spécifications UML (Unified Modelling Language) Validation des résultats Confrontation avec le diagnostic des experts tests, benchmarks, prototypage 30 15

16 Surveillance dynamique intelligente Dynamique de l axe de recherche Positionnement des travaux de recherche codirigés SURVEILLANCE par INTELLIGENCE ARTIFICIELLE Détection de défauts /dégradations (symptôme s, alarmes) Surveillance/ Surveillance dynamique Diagnostic/ Pronostic Détection dynamique IA Sujet proposé en 2000 Thèse de R. Zemouri Soutenue en 2003 Localisation défaillance / dégradation Identification de la cause Sujet proposé en 2001 Thèse de E. Minca Soutenue en 2004 Outils intelligents de Diagnostic et Pronostic Sujet proposé en 2002 Thèse de N. Palluat Soutenue en janvier 2006 Sujet proposé en 2003 Thèse de A. Ghernaut Soutenance prévue en

17 Fermeture intempestive V2 1 Pompe P0 hors service 3 G4 4 Arrêt total de débit en sortie G1 Pas de débit dans le point 2 Pas de débit dans le point 3 G2 Pas de débit à l entrée de V2 Fermeture intempestive V1 Pas de débit à l entrée de V3 G4 Pompe P0 hors service 3 G3 Fermeture intempestive V3 3 Fermeture intempestive V1 4 Lien entre les travaux de thèse codirigés Temporel Réseaux de Neurones Recherche cause THESE R. Zemouri Surveillance dynamique RRFR THESE N. Palluat Diagnostic NF Temporel Recherche cause THESE E. Minca Recherche cause Surveillance dynamique RdPFlou Incertitudes, imprecisions THESE A. Ghernaut Diagnostic + Qualité Propagation de défauts / dégradations Arbres de défaillance Réseaux de Petri Logique floue 33 Articulation des différents travaux encadrés et co-encadrés Projets, Collaborations Industrielles, Rayonnement Silicon Recognition DEA M. Monnin Etat de l art surveillance diagnostic par IA M2R M. Brust Algorithmes de surveillance dynamique M2R Mlle. Wei ADD flou ZISC Thèse d état DZ THESE A. Ghernaut Brevet THESE R. Zemouri THESE N. Palluat RdPF recherche de cause RRFR pour la surveillance dynamique NF pour l aide au diagnostic Cotutelle RO PFE ENSMM MM. Fenolar, Del Vecchio Etat de l art surveillance par IA DEA Mlle. Ouldyahia M. Djaffar Etat de l art neuro-flou DEA Mlle. Addouche RdP synchronisation internes pour la e-maintenance THESE E. Minca RdPF propagation des défauts DEA Mlle. Pross Propagation des incertitudes dans un ADD 34 17

18 Surveillance dynamique Contributions majeures Approche neuro-temporelle Codirection des travaux de Thèse de R. ZEMOURI et N. PALLUAT 18

19 Choix du réseau de neurones à base de fonctions radiales Aide à la décision Paramètre x1 Situations non reconnues rejet en distance rejet d ambiguïté Mode nominal Mode dégradé Mode de défaillance rejet en distance - apprentissage incrémental Situations formellement identifiées Paramètre x2 37 Capacités de généralisation Généralisation LOCALE Généralisation GLOBALE Réseau à base de fonctions radiales Vecteur non classé Je ne sais pas! Perceptron Multi-couches Vecteur associé à la Classe A Je sais tout!?? X2 X2 Classe A Vecteur associé à la Classe B Vecteur non classé Classe A Classe B Classe B X1 X1 vecteurs d apprentissage vecteurs nouveaux 38 19

20 Réseaux de neurones temporels : typologies Exploitation des réseaux statiques pour des traitements dynamiques par utilisation de fenêtre temporelle (a) ou par utilisation de connexions récurrentes (b). Sortie à l instant k Variables d état à l instant k Réseau de neurones statique Réseau de neurones statique τ τ Retards unitaires Fenêtre temporelle Entrée externe à l instant k-1 Variables d état à l instant k-1 a) fenêtre temporelle b) connexions récurrentes 39 Classification des réseaux de neurones temporels Représentation externe du temps Fenêtre temporelle Réseaux de neurones temporels Apprentissage complexe Représentation interne du temps Critère principal : intégration notion temporelle Critère secondaire : architecture Représentation explicite du temps Temps au niveau des neurones Temps au niveau de la connexion Représentation implicite du temps (réseaux récurrents) Récurrence sur une couche Récurrence sur plusieurs couches 40 20

21 Avantage des réseaux récurrents Résultats comparatifs entre les performances des architectures temporelles Reconnaissance de séquences Prédiction temporelle Représentation Spatiale (externe) Le temps au niveau de connexions -Réseaux à retards- Représentation Dynamique (interne) Le temps est explicite Le temps au niveau du neurone Modèle Modèle fonction du biologique temps Le temps est implicite -Réseaux récurrents- oui oui oui oui oui oui oui oui oui oui Reproduction de séquences non non non non oui 41 Historique des réseaux de neurones temporels Premier réseau récurrent Matrice des connexions 42 21

22 Historique des réseaux de neurones temporels Premier réseau utilisant une représentation externe du temps 43 Historique des réseaux de neurones temporels R²BF RRFR DGNN u 1 s FH i 1 i θ feedback x 1 x 2 w 11 w 22 u j s FH ij s FH ip s FH l 1 s FH lj? l l c, σ a FH i? o FH i a FH l s FO i s FO l a? FO o FO o θ y u p s FH lp o FH l 44 22

23 Réseau de Neurones Récurrent à Base de Fonctions Radiales f(x) b b+ b Entrée I 1 I 2 w 2 w 1 Neurones linéaires de sortie w 3 ξ ( t) i Neurones Localement Récurrents ai ( t ) yi ( t ) f (.) w ii τ 1 ( ) y ( t) = f a ( t) i i a ( t) = ξ ( t) + w y ( t 1) i i ii i bx 1 exp f ( x) = bx 1 + exp x I 3 Mémoire dynamique Mémoire statique Couche de décision Neurones Gaussiens 1 φ ( x) = exp( ( x µ )( x µ ) t ) 2σ j 2 j j j Centres des fonctions radiales = prototypes 2 Ecart-type σ j 45 Utilisation du réseau récurrent Exemple simple Signal d entrée S(t) Fausse Alarme Panne subite Bon Fonctionnement Dégradation S1 T0 T1 T2 T3 T4 t S(t) Y(t) OK NOK Décision y(t) Bon Fonctionnement Fausse Alarme Panne subite Dégradation NOK OK NOK OK T0 T1 T2 T3 T4 t 46 23

24 Apprentissage Apprentissage mémoire dynamique : 1. Normalisation de la base d apprentissage. Mémoire dynamique : 2. Détermination de la mémoire dynamique 3. Détermination de la sensibilité 4. Base d apprentissage dynamique - base d apprentissage statique Apprentissage mémoire statique & couche décision : 1. Création de points initiaux algorithme Fuzzy Min-Max 2. Détermination des paramètres algorithme DDA modifié Mémoire statique : 47 Evaluation des performances Evaluation des performances du réseau Reconnaissance des séquences temporelles Prédiction de séquences temporelles Reproduction des séquences temporelles Reconnaissance de séquences d Evènements Discrets Reconnaissance de séquences de Dégradations Reconnaissance de Fausses alarmes w ii Mode 1 ξ ( t ) 20 ξ ( t) Neurone bouclé y( t) Mode 2 Neurone de sortie bruits Frottem ents Entrée du neurone bouclé 1 exp( b( wii y( t 1) + ξ ( t))) y( t) = 1 + exp( b( wii y( t 1) + ξ ( t))) Sortie du neurone bouclé 48 24

25 Exploitation industrielle du réseau dynamique Programmation en langage bas-niveau Entrée w11 RRFR w22 Expert distant w33 Mémoire dynamique Mémoire statique Couche de décision TCP / IP Apprentissage distant FC N 1 FC N 2 FC N 3 Données capteurs DB N 1 DB N 2 DB N 3 Fonction de lecture Programme d apprentissage Fonction d écriture JAVA Automate Programmable Industriel Coupleur web 49 Exploitation industrielle du réseau de neurones Prototype - dépôt de brevet Interface JAVA expert/utilisateur Paramètres du réseau Paramètres d apprentissage Paramètres de la couche d entrée Choix du mode d apprentissage Affichage des valeurs à apprendre Affichage du mode à apprendre Réseau de neurones RRFR/RRBF 50 25

26 Interface distante (web) Niveau utilisateur Niveau administrateur Niveau expert 51 Exploitation industrielle Performances du prototype Temps de cycle de l application Nent Nrbf Tc (ms) Nent Nrbf Tc (ms) , , , ,056 CPU (414-2) Variateur (Micromaster 4) , , , , , , , , , ,408 Coupleur Web (CP 443-1) Moteur à courant continu , , , , , , , ,41 Temps de réponse = 20 ms , , , , , , , , , ,

27 T1 Signal de présence palette D2 T2 Dfstop3 Dfstop1 T3 Urgence 2! Dflect0 Dfindexm Dfpoussr T4 Dfstop2 Dflect1 Dfpoussa T5 T6 T7 T9 T10 T8 posseur bloqué en bas <a> stoppeur S1 bloqué en bas <b> le poste étudié est bien le destinatair e de la palette <e> stoppeur S1 bloqué en bas <b> palette bloquée au pousseur <h> <f> detecteur D1 en panne <c> <g> détecteur D1 en panne <c> poste saturé <d> Approche floue Codirection des travaux de Thèse de E. MINCA Principe de base Chiens de garde Propagation des dégradations RdPFS ADD Symptome P1 P2 P3 P4 Fuzzyfication P5 P8 P6 P7 P9 1 µi FN F P10 P11 P12 P13 0 tmin t0 tmax T t P14 P15 Surveillance dynamique Incertitude Prédiction 54 27

28 Système de surveillance dynamique distante 55 Propagation des dégradations 56 28

29 Approche neuro-floue temporelle Codirection des travaux de Thèse de N. PALLUAT Le diagnostic Diagnostic Etymologie : Diagnostic = Dia : par + Gnosis : connaissance Définition (Peng, 1990) : Diagnostic remonter aux causes, en utilisant un savoir sur le système considéré. Raisonnement abductif Raisonnement inductif Règle Cas particulier 1 Cas particulier i Cas particulier n Raisonnement déductif Conclusion Proposition Prémisse Proposition 1 Prémisse Proposition i Prémisse Proposition n Raisonnement abductif A B A possible B 58 29

30 Le neuro-flou Expressions linguistiques Données linguistiques Logique floue Données numériques Neuro-flou Réseaux de Neurones Apprentissage Parallélisme dans les traitements 59 Génération du système neuro-flou ADD AMDEC 60 30

31 Spécification de l outil Capteurs Détection Dynamique Réseau de neurones dynamique SYSTEME DE SURVEILLANCE DYNAMIQUE Degré de crédibilité des modes opératoires Diagnostic Système Neuro-Flou Localisation, Origine (Crédibilité, Gravité ) Initialisation GMAO - Historique + Synthèse AMDEC Initialisation ADD - Arbre de Défaillances + AMDEC Apprentissage En-ligne GMAO Cas d utilisation : 1. Configuration 2. Initialisation 3. Émission d une alarme 4. Aide au diagnostic 5. Mise à jour du modèle 6. Mise à jour de la configuration Entrée qualitatives / quantitatives externes 61 Prototype développé PDA Ordinateur industriel PXI Convertisseurs Ethernet-WiFi 62 31

32 Interface d aide au diagnostic Degré de crédibilité Gravité Causes possible suggérées 63 Surveillance dynamique intelligente Bilan et publications scientifiques 32

33 Avancées travaux LAB Avancées Scientifiques : Nouvelle structure neuronale dynamique récurrente Algorithmes d apprentissage des séquences dynamiques Reconnaissance des fausses alarmes Détection des dégradations Utilisation de la logique floue pour la surveillance prédictive et le pronostic Algorithme neuro-flou temporel de recherche de cause - approche abductive Avancées Technologiques : Utilisation de l information au format industriel Approche de surveillance temps réel avec apprentissage distant Solution de développement du RRFR en langage automate Solution technologique de détection dynamique basée sur la logique floue Solution technologique utilisant l approche neuro-floue 65 Publications Scientifiques (période postdoctorale) 7 Revues internationales avec comité de lecture 3 Conférences sur invitation personnelle 15 Conférences Internationales avec comité de lecture et actes 11 Communications à des congres nationaux ou à audience francophone 1 Dépôt de brevet en collaboration avec la société Avensy Ingenierie 3 Rapports de recherche projet européen (PROTEUS) 5 Groupes de travail et colloques nationaux (GdR MACS) 3 Rapports de contrats de recherche (DCN, ANVAR) 4 Communications diverses (EDP) 66 33

34 Bilan des activités au LAB Encadrement 3 thèses soutenues en 3 ans Evaluation favorable PEDR Devenir des thésards encadrés : R. Zemouri MdC CNAM Paris E. Minca MdC UVT Targoviste, Roumanie N. Palluat post-doc - Univ. Fed. Santa Catarina, Florianópolis, Brésil Devenir des stagiaires DEA et M2R encadrés : 3 docteurs (1MdC, 1 post-doc, 1 ATER), 7 doctorants, 3 ingénieurs Collaborations industrielles, recherche, formation continue Projets PROTEUS, Nemosys-DCN, ANVAR, Sympatic Formation continue DCN Implication GRP - GdR MACS / GT MACOD Journées industrielles e-maintenance - IP Relations internationales Co-encadrement de 2 thèses cotutelle Roumanie (1 soutenue, 1 en cours) Co-encadrement 1 thèse d état Algérie Gestion projet ERASMUS 67 Perspectives de recherche 34

35 Evolution de la notion d Intelligence Intelligence ambiante (Anglais : Ambiant intelligence ou Oubiquitous intelligence) Ubiquitous = omniprésent et polyvalent Nouveau mode de convergence des technologies mêlant objets intelligents, réseaux de communication interfaces multimodales pour fournir de nouveaux services Basée sur trois technologies récentes : Ubiquitous Computing intégrer des microprocesseurs dans les objets de la vie quotidienne Ubiquitous Communication permettre à ces objets de communiquer entre eux et avec l'utilisateur Intelligent User Interfaces permettre aux usagers de contrôler et interagir avec ces objets de manière naturelle 69 Intelligence Ambiante Services nouveaux, disponibles : à n importe quel endroit, à n importe quel moment, accessible à tout client Concepts mis en œuvre : Systèmes embarqués (mobilité) Réseaux (communication) Intelligence contextuelle (flexibilité, adaptabilité) Comportement : pertinent pour son utilisateur sensible au contexte non-intrusif : "Calm Technology" remède à la surcharge d'information 70 35

36 Intelligence Ambiante - Orientations USA domaine militaire EUROPE - grand public priorité Applications : entreprise communication, transports, relations avec l administration, santé, sécurité civile, maison connectée 71 Intelligence Ambiante en Entreprise Logistique modules GPS (suivi de flottes de véhicules) puces RFID (suivi des palettes) reliés à des réseaux de communication Problématiques ouvertes : Standardisation des briques de l'intelligence ambiante Modèle technico-économique Prise en compte des nouveaux services «invisibles», non-intrusifs 72 36

37 Projets et Symposiums liés à cette thématique INRIA Rocquencourt Projet SMIS (Systèmes d'informations sécurisés et mobiles) Emergence de l informatique ubiquitaire et de l intelligence ambiante Philips Projet Ambience Consortium AIR&D (avec Thomson et INRIA) Exploite ces nouveaux modes d'interaction avec les machines applications multimédias dans la maison Action commune - projet européen " Ozone " EUSAI European symposium on Ambiant Intelligence - Eindhoven (2003) Intelligence Algorithmes d apprentissage rapides Personnalisation et adaptabilité Intelligence autonome 73 Perspectives concrètes envisagés Techniques dynamiques intelligentes Domaine Industriel Domaine Médical 74 37

38 Perspectives de recherche - domaine industriel Techniques dynamiques intelligentes Retour d expérience contextuel Pronostic industriel Fusion de capteurs Réseaux de capteurs intelligents Aide à la décision collaborative U-services (monitoring, maintenance) Apprentissage incrémental Indexation contextuelle des nouveaux cas Restitution contextuelle de la connaissance Services nouveaux, distribués, omniprésents Agents intelligents et d'usage intuitif, «cachés» dans les équipements industriels Fonctions immédiatement apparentes, intuitives, et surtout sans besoin de connaissances préalables Techniques d apprentissages «naturelles», beaucoup plus rapides 75 Perspectives de recherche - domaine médical Techniques dynamiques intelligentes Systèmes à intelligence «naturelle» pour la recherche d images médicales pour le diagnostic Contenu de l image médicale Adaptation au contexte de l image (modalité, anatomie, pathologie) Adaptation au contexte de la requête Utilisation d une connaissance très pointue, associée au domaine médical Fusion image + texte Possibilité d utiliser le GRID Computing aspect «Ubiquitous» 76 38

39 Recherche d Images Médicales Basée sur le Contenu Recherche d information Systèmes de base de données et de connaissances CBIR Content-Based Image Retrieval Traitement de l image Reconnaissance de formes 77 Mots clés Medical Education Computer Aided Detection/Diagnosis CBIR (similarity based access) PACS (archiving) DICOM (communication) Medical Research 78 39

40 Principe de la démarche proposée Requête «Query processing» ( Recherche) tendances «Mining Extraction» Connaissance (UMLS) Sémantique (Ontologie) Structure (Objets) Paramètres (Segmentation) Extraction/Interprétation Sémantique Extraction/Interprétation Structurelle Extraction des paramètres de base INDEXATION Catégorie (modalité, anatomie, pathologie) Texte Image Médicale 1 Image Médicale Signal 79 Verrous, Outils Aspect sémantique utilisation de l ontologie médicale pour l indexation et la recherche de similarité UMLS «Web-service» mis à jour par des professionnels de la médecine Aspect dynamique UMLS Unified Medical Language System Outils Système neuro-flou à liens actifs contextuels 80 40

41 En vous remerciant pour votre attention! 41