APPROCHE INTELLIGENTE À BASE DE RAISONNEMENT À PARTIR DE CAS POUR LE DIAGNOSTIC EN LIGNE DES SYSTÈMES AUTOMATISÉS DE PRODUCTION

Automated Production Systems (APS) represent an important class of industrial systems.They have become complex and susceptible to malfunctions, with significant negativeconsequences on productivity, production quality and security of property andpeople. The main challenge when using such systems is to implement systemic assistanceor diagnosis approaches in order to ensure their operating safety. Within this framework,we focus, in this thesis, on the online diagnosis of the APS equipped with sensors andactuators emitting binary signals. These systems can be considered as ‘Discrete EventSystems’ (DES).The effectiveness of an approach for diagnosing such systems is measured through gooddetection rate, isolation accuracy, false alarms number and the method implementationcomplexity. The objective of this work is, thus, to propose intelligent diagnosis solutionssatisfying the mentioned criteria without complete knowledge about the system’s internalfunctioning. The solutions, whose implementation is not expensive, are able to updatethemselves in real time in order to improve their performance.The introduced approach is based on a reasoning and learning methodology derivedfrom ‘Artificial Intelligence’ (AI) which is the ‘Case Based Reasoning’ (CBR). The originalityof our research work is observed in the following 4 aspects : (1) the developedapproach uses the CBR for the diagnosis of the APS with DES dynamics, (2) it suggestsa case representation format inspired by the ‘Causal Temporal Signatures’ (CTS) whichis able to adapt to the dynamic aspect of the systems to be monitored, (3) it exploitsdata acquired from a digital twin after its emulation in both normal and faulty modesto build an empirical knowledge called ’cases’ and finally (4) it presents a reasoning andlearning phase that allows not only the online diagnosis of the monitored system, but alsothe updating of the case base following the appearance of the new unknown behaviors.Les systèmes automatisés de production (SAP) représentent une classe importante desystèmes industriels qui sont devenus complexes et sensibles aux dysfonctionnements avecdes conséquences importantes sur la productivité, la qualité de production et la sécuritédes biens et des personnes. Un défi majeur est de mettre en oeuvre des approches systématiquesd’aide ou de diagnostic afin de garantir la sûreté de fonctionnement. Cette thèses’intéresse donc au diagnostic en ligne des comportements indésirables des SAP ayant descapteurs et des actionneurs délivrant des signaux binaires et dont la dynamique correspondà celle des systèmes à évènements discrets (SED).L’efficacité d’une approche de diagnostic au service de ce type de systèmes se mesure àtravers le taux de bonne détection de fautes, la précision d’isolation, le nombre de faussesalarmes et la complexité de mise en oeuvre de l’approche. L’objectif de ce travail est doncde concevoir des solutions de diagnostic intelligentes qui satisfont les critères mentionnéssans requérir la connaissance complète du fonctionnement interne du système, capablesde se mettre à jour en temps réel pour améliorer les performances et ayant un faible coûtde mise en oeuvre.L’approche proposée dans cette thèse est basée sur le Raisonnement à Partir de Cas(RàPC) qui est à la fois une méthodologie de raisonnement par analogie et une méthodologied’apprentissage issue du domaine de l’intelligence artificielle. L’originalité des travauxréside en finalité dans les quatre items suivants : (1) l’approche proposée utilise le RàPCpour le diagnostic des SAP ayant une dynamique de type SED, (2) elle propose un formatde représentation de cas inspiré du formalisme Signatures Temporelles Causales quis’adapte à l’aspect dynamique des systèmes à surveiller, (3) elle introduit une phase quicouplent simulation et mise en forme de données pour la transformation des données issuesdu système simulé après son émulation en mode normal et défaillant, et (4) elle présenteune phase de raisonnement et d’apprentissage qui permet non seulement le diagnostic enligne du système surveillé mais aussi la mise à jour de la base de cas suite à l’apparitionde nouveaux comportements inconnus