Présentation
En anglaisRÉSUMÉ
Le diagnostic est un problème important sur lequel se sont penchés depuis longtemps de nombreux chercheurs se réclamant de l’intelligence artificielle. Diverses approches ont été imaginées : les unes se basent sur une formalisation logique du raisonnement. Les autres privilégient l’exploitation de l’expérience de terrain des ingénieurs en maintenance.
Avec l’apparition d’une puissance de calcul et de stockage des nouveaux ordinateurs, l’intelligence artificielle connaît actuellement un regain d’intérêt, notamment dans le domaine des techniques d’apprentissage automatique. Ces techniques peuvent également être exploitées pour réaliser des outils performants de diagnostic.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
Diagnosis is an important issue that has been addressed for a long time by many researchers claiming to be using artificial intelligence. Various approaches have been elaborated: some are based on a logical formalization of the reasoning process. The others focus on exploiting the field experience of maintenance engineers.
New computers are now equipped with power processors and with very large memory: this leads to a renewed interest for artificial intelligence, particularly in the field of automatic machine learning techniques. These techniques can also be used to create high-performance diagnostic tools.
Auteur(s)
-
Sylvain PIECHOWIAK : Professeur des universités - LAMIH UMR CNRS 8502, Université polytechnique Hauts-de-France, 59300 Valenciennes, France
INTRODUCTION
Le monde dans lequel nous vivons voit naître des systèmes dont la complexité s’accroît constamment. Avec le développement des nouvelles technologies et de leur utilisation dans les nouveaux produits, les fonctions de conception et de maintenance engendrent des tâches qui requièrent des niveaux de qualification de plus en plus élevés. Cette constatation ne se limite pas au seul domaine technique, mais concerne également d’autres domaines tels que la médecine.
À l’origine, le diagnostic était une notion purement médicale qui désignait l’activité consistant à identifier une maladie par ses symptômes. Bien évidemment, cette activité entre dans un processus plus global dont l’objectif ne s’arrête pas à l’identification des maladies, mais comprend surtout la définition des soins à apporter pour guérir le patient ou pour le soulager. En effet, on ne va pas voir son médecin pour connaître le nom de sa maladie, mais pour être soigné !
Cette vision médicale a ensuite été reprise dans le monde technique et industriel. Cette fois, il ne s’agit plus de rechercher les causes d’une maladie chez un patient, mais les causes d’une défaillance ou d’une panne d’un dispositif physique. D’un point de vue conceptuel, il n’y a pas de différence fondamentale entre le diagnostic médical et le diagnostic technique. Tous les deux consistent à rechercher les causes d’un dysfonctionnement d’un système physique ou vivant en vue de le réparer ou de le soigner.
Dans le domaine technique, la fonction « maintenance » regroupe deux grandes classes d’activités : les activités relatives à la gestion et à l’organisation de la maintenance et les activités relatives à ses aspects techniques. Cette dernière classe est souvent englobée dans la supervision, notamment quand il s’agit de traiter des systèmes complexes tels que des centrales nucléaires ou des dispositifs électroniques de gestion du trafic ferroviaire, par exemple. Elle se décline en trois tâches importantes : la prévention, le diagnostic et le dépannage.
Cet article a pour objectif de présenter le diagnostic sous l’angle de l’intelligence artificielle (IA), domaine à la frontière de disciplines scientifiques variées telles que l’informatique, l’automatique, la psychologie, etc. Il s’articule en trois sections. La première constitue un rappel de diverses définitions. La seconde présente les principales méthodes de diagnostic issues de l’intelligence artificielle ; elle se focalise sur les approches les plus représentatives. Enfin, une synthèse de ces approches est faite dans la troisième section afin de dégager les propriétés de ces approches.
MOTS-CLÉS
intelligence artificielle diagnostic raisonnement automatique systèmes à base de connaissance
KEYWORDS
artificial intelligence | diagnosis | automatic reasoning | knowledge-based systems
VERSIONS
- Version archivée 1 de déc. 2003 par Sylvain PIECHOWIAK
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Innovation > Industrie du futur > Industrie du futur : outils numériques > Intelligence artificielle et diagnostic > Discussion
Accueil > Ressources documentaires > Génie industriel > Maintenance > Mise en œuvre de la maintenance > Intelligence artificielle et diagnostic > Discussion
Accueil > Ressources documentaires > Automatique - Robotique > Automatique et ingénierie système > Observation, identification et diagnostic > Intelligence artificielle et diagnostic > Discussion
Accueil > Ressources documentaires > Génie industriel > Industrie du futur > Industrie du futur : outils numériques > Intelligence artificielle et diagnostic > Discussion
Cet article fait partie de l’offre
Technologies logicielles Architectures des systèmes
(239 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
3. Discussion
Dans cet article, différentes techniques de recherche des diagnostics par des approches issues de l’intelligence artificielle ont été présentées. Bien évidemment, la liste des techniques présentées ici n’est pas exhaustive.
Dans le tableau 5 sont rappelées ces techniques avec la description des connaissances exploitées, les avantages et les inconvénients. Il est à noter qu’aucune approche n’est parfaite. Par exemple, les approches à base de modèles permettent de réaliser des diagnostics à partir de la description du fonctionnement correct d’un dispositif. Cette description est, en théorie, disponible auprès des concepteurs de ce dispositif. L’avantage incontestable de cette approche est donc de pouvoir s’appliquer sans attendre l’apparition de pannes nécessaire à la constitution d’une expertise en diagnostic. Cependant, cette approche repose sur l’exactitude du modèle exploité. Si celui-ci comporte des erreurs, les diagnostics obtenus peuvent être erronés. D’autres approches telles que les réseaux de neurones ou le raisonnement à partir de cas sont moins sensibles à l’exactitude du modèle. En revanche, leur efficacité repose sur la qualité des exemples utilisés lors de la phase d’apprentissage. Si des classes d’exemples sont oubliées, des diagnostics ne pourront pas être calculés en phase normale d’utilisation.
L’hypothèse du monde clos est généralement prise dans les systèmes de diagnostic en intelligence artificielle. Cette hypothèse stipule que le modèle utilisé est suffisamment puissant pour prouver tout ce qui est démontrable. Concrètement, cela revient à supposer que le modèle exploité contient toute l’information nécessaire pour réaliser le raisonnement qui l’utilise. Cependant, dans la réalité, cette hypothèse ne peut pas toujours être suivie. En effet, même si le modèle est une représentation fidèle d’un dispositif, celui-ci est plongé dans un environnement qui influence son comportement. Le modèle du dispositif seul ne suffit plus pour déterminer les causes d’un dysfonctionnement : celui-ci peut avoir une cause externe.
Certains circuits électroniques voient leur fonctionnement perturbé sous l’influence de la température ou de l’humidité du milieu ambiant. Pourtant, ni la température ni l’humidité ambiante...
Cet article fait partie de l’offre
Technologies logicielles Architectures des systèmes
(239 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Discussion
BIBLIOGRAPHIE
-
(1) - DUBUISSON (B.) - Diagnostic, intelligence artificielle et reconnaissance de formes. - Hermès (2001).
-
(2) - BECKER (A.), NAÏM (P.) - Les réseaux bayésiens – Modèles graphiques de connaissance. - Eyrolles (1999).
-
(3) - PEARL (J.) - Probabilistic reasoning in intelligent systems. - Morgan-Kaufman (1988).
-
(4) - DOYLE (J.) - A truth maintenance system. - Artificial intelligence, n° 12, p. 231-272 (1979).
-
(5) - DE KLEER (J.) - An assumption-based TMS. - Artificial intelligence, n° 28, p. 127-162 (1986).
-
(6) - TRAVÉ-MASSUYÈS (L.), DAGUE (P.), GUERRIN (F.) - Le raisonnement qualitatif pour les sciences de l’ingénieur. - Diagnostic...
Cet article fait partie de l’offre
Technologies logicielles Architectures des systèmes
(239 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive