Automating Model Acquisition by Fault Knowledge Re-use: Introducing the Diagnostic Remodeler Algorithm

The paper addresses the problem of automated model acquisition through the re-use of fault knowledge. The Diagnostic Remodeler (DR) algorithm has been implemented for the automated generation of behavioural component models with an explicit representation of function by re-using fault-based knowledge. DR re-uses as its first application the fault knowledge of the Jet Engine Troubleshooting Assistant (JETA). DR extracts a model of the Main Fuel System using real-world engine fault knowledge and two types of background knowledge as input: device dependent and device independent background knowledge. To demonstrate DR's generality, it has also been applied to a coffee maker fault knowledge base to extract the component models of a full coffee device.Cet article examine le probl\ue8me de l'acquisition automatis\ue9e de mod\ue8les au moyen de la r\ue9utilisation des connaissances bas\ue9es sur des fautes. L'algorithme Diagnostic Remodeler (DR) a \ue9t\ue9 impl\ue9ment\ue9 pour assurer la g\ue9n\ue9ration automatis\ue9e de mod\ue8les comportementaux constitutifs, avec repr\ue9sentation explicite des fonctions, en r\ue9utilisant les connaissance bas\ue9es sur des fautes. Comme premi\ue8re application, l'algorithme DR r\ue9utilise les connaissances bas\ue9es sur des fautes du syst\ue8me Jet Engine Troubleshooting Assistant (JETA). L'algorithme DR extrait un mod\ue8le du circuit de carburant en utilisant comme intrants les connaissances sur les fautes de moteurs r\ue9els et deux types de connaissances contextuelles, soit des connaissances d\ue9pendantes du dispositif et ind\ue9pendantes du dispositif. Pour d\ue9montrer la g\ue9n\ue9ralit\ue9 de DR, on l'a \ue9galement appliqu\ue9 \ue0 une base de connaissances sur les fautes d'une cafeti\ue8re pour extraire les mod\ue8les constitutifs d'une cafeti\ue8re compl\ue8te.NRC publication: Ye