Diagnostic et décision
Bibliographie J. N. Chatain, DIagnostic par Système Expert, Traité des Nouvelles Technologies, série Diagnostic et Maintenance, édition Hermes 1993. B. Dubuisson, Diagnostic, intelligence artificielle et reconnaissance des formes, Productique IC2, édition Hermes 2001, P.P Angelov, Evolving Rule-Based Models A tool for Desing of Flexible Adaptive Systems, Studies in Fuzziness and Soft Computing, édition Stringer-Verlag 2002 C. Zajpt, M. Curé et B. Mazzucotelli, Système expert pour l'aide a la décision et a l'enseignement des diagnostics infirmiers, Informatique et santé, Collection dirigée par P. Degoulet et M. Fieschi Paris, Springer-Verlag France, Volume 9, 1997 JM. Mercantini, E. Chouraqui et N. Bélanger, Etude d'un système d'aide au diagnostic des accidents de la circulation routière, dans les actes de Ingénierie de la Connaissances (IC99)
Présentation du domaine Définition Diagnostic Détermination de la (des) cause(s) d un trouble fonctionnel, à partir des symptômes et/ou des observations. Symptôme Phénomène qui révèle un trouble fonctionnel Système Ensemble déterminé d éléments discrets (ou composants) interconnectés ou en interaction Artefact Structure ou phénomène artificielle ou accidentelle rencontré au cours d une observation ou d une expérience portant sur un phénomène naturel
Présentation du domaine Exemple Etat normal Détecter Défaillance Nouveau problème Localiser Résultat des tests rtefact Symptômes Observations Connaissance fonctionnement Diagnostiquer Causes échec Problème toujours présent Dépanner Organe défaillant Réparer Organe réparé
Présentation du domaine Modélisation d un artefact Rôles d'un modèle conceptuel : conceptualiser entités du domaine et interactions intermédiaire entre connaissances et code Un modèle est une abstraction qui permet de réduire la complexité en se focalisant sur certains aspects, en fonction de certains buts
Présentation du domaine Problématique : Approches Modélisation d un artéfact pour le diagnostic ultérieur de ses défaillances. Deux approches en opposition orientée mauvais fonctionnement (MF) une représentation empirique de dysfonctionnement. orientée bon fonctionnement (BF) un modèle de fonctionnement
Diagnostic et Décision Plan Diagnostic et système expert approche orientée bon fonctionnement approche orientée mauvais fonctionnement Diagnostic et application : Ilog Rules optimisation : algorithme RETE langage d'implémentation
Diagnostic et système expert
Approche orientée MF Problématique Méthodes construction de la liste de liens entre symptômes et défaillances. Prévoir ces liens approche sûreté de fonctionnement Analyser le passé : approche numérique. approche symbolique. Symptômes (fournies) Liens (fournis) Défaillances (fournies)
Approche sûreté de fonctionnement Arbres de défaillances Associer à un évènement indésirable une combinaison logique d évènements de niveau inférieur qui conduisent à sa réalisation. Construction d un arbre et / ou dont une défaillance est la racine. Calcul des probabilités d apparition de l évènement indésirable à partir des probabilités des évènements élémentaires pour déterminer les chemins critiques.
Approche numériques Domaines Analyse de données Décider par rapport à un ensemble d apprentissage si les mesures de l état actuel du système révèlent un bon ou un mauvais fonctionnement Reconnaissance de formes Classer un objet dont la forme a varié par rapport à un objet type Diagnostic floue A partir d un vecteur de symptômes B donné, trouver toutes les causes possibles pouvant le générer (vecteur causes A) Modèle causal Trouver l ensemble des pannes qui expliquent l ensemble des observations par le parcours d un graphe causal.
Reconnaissance des formes Principe Savoir reconnaître une forme malgré des modifications par rapport au modèle Reconnaissance des formes statistiques: La forme est représentée par un vecteur dans d R Les différents modèles sont représentées par des classes dans le même espace. http://www.hds.utc.fr/~tdenoeux/ti02/
Reconnaissance des formes statistique http://www.hds.utc.fr/~tdenoeux/ti02/
Approche numérique Discussion Fondement unique Etude de l historique Problèmes Acquisition des données Distinction entre usure normale et défaillance. Evaluation De bons résultats pour le diagnostic fonctionnel mauvais résultats pour le diagnostic structurel
Approche symbolique Principe Système expert à règles d association Encoder les relations de cause à effets par des règles de production. Méthode Inférence avec des coefficients de vraisemblance associées aux conclusions Inférence incertaine avec des coefficients d évocation et de rejet.
Support logique Logique des propositions «pure» : les faits manipulés sont vrai ou faux langage d ordre 0 Exemple : si Socrate_est_un_homme alors «avec variable» : les faits manipulés sont représentés par un triplet <objet, comparateur, valeur > : langage d ordre 0+ Exemple : si Nature_Socrate = homme alors Logique des prédicats Le fait est représenté par un couple<prédicat, variable> : langage d ordre 1 Exemple : si est-un-homme(socrate) alors
Système à base de règles d ordre 1 Exemple de règle (Rules) : (defrule configuration-moteur default (Voiture moteur =?moteur cylindree >1600)?m:(Moteur valeur =?moteur vitesse < 180) -> (modify?m carburant = essence-normale) )
Le Raisonnement Les règles d inférence Modus Ponens ((p -> q) p) -> q Modus Tollens ((p -> q) non(q)) -> non(p) Principe de résolution [ (p q) ( r non(q)) ] -> (p r)
Gestion de l incertitude Facteur de certitude une valeur comprise entre -1 et 1, représente un degré de confiance dans une hypothèse, Dérivée partielle des probabilités Exemple (Mycin) : Si 1- le site de la culture est le sang Et si 2- l organisme est à Gram négatif Et si 3- l organisme est de forme bâtonnet Et si 4- le patient est un hôte à risque Alors il est probable (0,6) que l organisme soit le pseudomonia aeruginosa
Cycle de base d un moteur d inférence Base de F a i t s 1 Moteur d inférence DETECTION CHOIX DEDUCTION 3 3 2 Base de C on n ai s s a n ce s
Algorithme de chaînage avant Principe : à partir des faits connus rechercher toutes les règles déclenchables. Cycle de l algorithme Analyse des faits dont la valeur de vérité est connue. Si une règle possède ses prémisses vérifiés alors ajouter la conclusion à la base de faits On s'arrête lorsque le but est atteint ou bien s il y a saturation de la base de faits.
Algorithme de chaînage arrière Principe : partir du but et reconstruire l arbre de déduction Algorithme : Pour l hypothèse courante Rechercher les règles qui la déduisent Choisir une règle Si la règle n est pas déclenchable : relancer le chaînage arrière sur chaque fait de la partie condition qui ne sont pas connues Résultat : construction d un arbre et / ou
Construction d un arbre et / ou But initial Nœud ou : ensemble des règles pouvant aboutir au but cherché R i R j P1 P2 P3 Nœud et : ensemble des prémisses nécessaires au déclenchement de la règle P4 P1
Exemple Système : CATS (Computer Aided Troubleshooting System) ou DELTA (Diesel Electric Locomotive TroubleShooting Aid) General Electric 1983. Domaine : dépannage des moteurs de locomotives Des espaces de connaissances : le système mécanique, le système électrique Pour chaque espace : un regroupement par types de pannes ou symptômes Exemple : Erreur de l opérateur, moteur qui ne démarre pas Pour chaque conclusion un coefficient de vraisemblance (-1 et 1)
Approche symbolique Principe graphe de causalité Décrire un graphe de causalité de MF afin de structurer les connaissances. Typologie Typologie de nœud hypothese, state, Actions, Initial-cause et Finding Typologie d arc causal, Ham, defined-as, loop et suggest. Trois niveaux de connaissance information, hypothèses de pannes et solutions Méthode La recherche est effectuée en meilleure d abord
Approche MF Exemple Domaine : aide à la décision pour le diagnostic infirmier. Double Processus diagnostic résolution de problèmes
(defrule deduit33 high (Faits id = signe valeur = 600) => (assert (Faits id = diagnostic valeur = 33))
Approche MF Fondement : Discussion Exploitation de relations de causes à effet entre les pannes et les observations Limites Acquisition des connaissances : Le système est nouveau. Extraction des connaissances (symbolique) Acquisition d historique pour tous les modes de fonctionnement (numérique) Généricité : On ne traite que les défaillances déjà survenues. Difficulté de généralisation
Connaissances mises en œuvre dans une approche bon fonctionnement Modèle (fourni) Différence de structure Artefact Comportement prévu Différence de comportement Comportement observé (fourni)
Localiser Défaillance C1 Artefact Tests C3 Observer Nouveaux Problèmes C2 Comportement observé S1 Modèle de l'artefact Prédire Machine Prédictive Comportement attendu Stratégie Détecter les symptômes Machine Diagnostic Symptômes (S1)
Diagnostiquer Symptômes C1 Topologie C2 Reconnaitre les conflits Connaissances comportementales C2 Machine Diagnostic Conflits (suspects) Stratégie Générer les candidats Machine Diagnostic Diagnostic Candidats (diagnostic possibles) artefact C3 Tests problème possibles toujours présent Vérifier les candidats Résultat test Echec Cause Machine Diagnostic
Exemple de BF Architecture générale d un système expert d aide au diagnostic
Exemple de diagnostic BF Domaine : diagnostic des accidents de la sécurité routière. Particularités: Implique des opérateurs humains (conducteurs) avec chacun un point de vue sur le déroulement Des interprétations différentes des évènements Rapidité d enchaînements des situations Situation de conduite Situation d accident Situation d urgence Situation de choc.
Exemple de diagnostic BF Elément du diagnostic Dossiers d accident (base de données EDA) Conducteurs : entretient semi-directif Véhicules : contrôle technique et analyse des trajectoires. Environnement : infrastructures et conditions naturelles Pré-analyse Causes possibles de certains symptômes (enquêtes) Reconstitution cinématique Expérience de l expert Résultat attendu : processus retraçant l enchaînement des évènements de l accident et les causes qui lui sont associées
Exemple BF Processus de recherche de causes
Exemple BF Processus de recherche de causes Génération des hypothèses : Trouver l ensemble des causes possibles Une hypothèse est une explication pour toutes les observations initiales Discrimination des hypothèses Choisir une hypothèse Collecter des données afin d éliminer des hypothèses Interpréter des données additionnelles