SUJET DE THESE : Diagnostic prédictif pour les scénarios de tests

SUJET DE THESE : Diagnostic prédictif pour les
scénarios de tests sur bancs d’intégration de systèmes avioniques
embarqués
1. CONTEXTE INDUSTRIEL
Dans le cadre de sa politique produits logiciels bancs de tests d’intégration, Eurocopter
souhaite mettre en œuvre de nouvelles fonctionnalités permettant de répondre aux exigences
croissantes imposées par l’évolution des systèmes avioniques embarqués sur hélicoptère.
L’évolution technologique des équipements embarqués se double d’une évolution de la
population des testeurs sur bancs, dont le degré d’expertise des systèmes avioniques tend à
décroître au profit de connaissances plus généralistes. A ces contraintes s’ajoute la grande
variété des cas de tests qui impose une importante phase de montée en compétence. Ce
double constat est à l’origine de l’émergence d’un besoin en assistance au diagnostic destinée
au testeur sur banc. Lorsqu’un scénario de test ne fournit pas les résultats attendus, l’origine
des problèmes peut avoir une grande variabilité. Eurocopter ne disposant pas à ce jour de base
de connaissances relative au diagnostic des scénarios de tests en erreur, la tâche diagnostique
repose donc entièrement sur l’expérience du testeur. Les conséquences immédiates de cet état
de fait sont :
•
•
Une trop forte sollicitation du service support aux utilisateurs
Une perte de temps dans la tâche de qualification des systèmes avioniques lorsque des
scénarios de tests sont déroulés jusqu’à leur terme alors que certains symptômes
auraient dû déclencher un arrêt et une reconfiguration du scénario
2. DESCRIPTION DES TRAVAUX A REALISER
Le travail à réaliser concerne l’étude et réalisation d’un outil informatique d’assistance au
diagnostic qui sera intégré au logiciel de tests actuellement utilisé par EUROCOPTER. Cet outil
sera composé de deux fonctions principales et d’une base de connaissances à construire :
•
Fonction d’assistance au diagnostic a posteriori : Lorsque le scénario de test est
terminé ou interrompu, le module d’assistance doit pouvoir communiquer des
informations suffisamment précises afin de guider le testeur dans sa tâche
diagnostique. Ses informations pourront être basées sur des corrélations statistiques
avec des cas similaires survenus antérieurement. Cette assistance devra permettre une
augmentation de l’autonomie du testeur dans les tâches de diagnostic des erreurs au
cours du déroulement de scénarios et une augmentation de la montée en compétences
des utilisateurs sur leur mission. Un autre gain attendu réside dans la diminution des
appels au support technique « logiciels bancs ».
1
•
Fonction d’assistance au diagnostic prédictif : Le module d’assistance doit pouvoir
identifier en ligne (quelques fois le temps réel) des collections de symptômes
permettant de diagnostiquer par avance l’occurrence d’une erreur dans le scénario de
test. Le diagnostic prédictif en ligne doit permettre à l’utilisateur de stopper le
déroulement de son scénario de test et de le reconfigurer. La couche « diagnostique
apprenante » devra être en mesure de manipuler des grandes quantités de données et
pouvoir travailler à proximité du temps réel sans perturber le déroulement du test en
cours. Des gains de productivité sont attendus relativement aux durées de campagnes
de qualification des systèmes avioniques embarqués sur hélicoptère. Cette
fonctionnalité doit être de type apprenante. Les résultats des tests passés doivent
pouvoir être capitalisés et faire continûment émerger de nouveaux sens cachés de la
connaissance de type « symptômes faibles » (difficilement appréhendables en première
analyse du point de vue du testeur).
•
Base de connaissances : En vue de la réalisation des fonctions ci-dessus, une base
de connaissances, permettant de faire automatiquement le lien entre un système
composé d’équipements avioniques et les données de sortie de ce système à l’issue de
la campagne de tests, sera constituée. Pour ce faire, on utilisera les approches
stochastiques de modélisation de séquences d’événements issus des systèmes
dynamiques. Ces approches permettent la recherche de corrélation entre événements
pour la tâche du diagnostic. Les événements considérés sont générés par un système
à base de connaissance permettant la capitalisation de la connaissance des experts de
tests avioniques.
Une fois que la base de connaissance est constituée, nous étudierons le développement de
nouvelles stratégies d’apprentissage en nous inspirant des concepts des réseaux de neurones
et SVM (Support Vector Machine). Ceci afin de mettre en œuvre un modèle évolutif – apprenant
capable d’intégrer de nouvelles connaissances.
4. INFORMATIONS UTILES
Lieu de réalisation du doctorat : Société Eurocopter – Marignane (13)
Date prévisionnelle de démarrage : Décembre 2008
Laboratoire scientifique : LSIS Marseille – (Possibilité de codirection avec un autre laboratoire
à étudier)
3. CERTAINES PUBLICATIONS DU LSIS SUR LA THEMATIQUE
[1] É. Masse, C. Curt, M. Le Goc, R. Tourment, “Modélisation du comportement d’un barrage en
remblai par approche multi modèles”, in: Actes des 26ième Rencontres Universitaires de Génie
Civil (AUGC’08), Nancy, France, 4-6 juin 2008.
[2] M. Le Goc, N. Benayadi, “Discovering Expert’s Knowledge From Sequences of Discrete
Event Class Occurrences”, in: Proceedings of the 10th International Conference on Enterprise
Information Systems (ICEIS’08), Barcelona, Spain, June 12-16 2008.
[3] É. Masse, C. Curt, M. Le Goc, “Using artificial intelligence method to forecast the behaviour
of embankment dam”, in: Proceedings of the 12th International Conference of IACMAG, the
International Association for Computer Methods and Advances in Geomechanics,, Goa, India,
1-6th October 2008
[4] A. Boubezoul, S. Paris, M. Ouladsine, “Application of the cross entropy method to the GLVQ
algorithm”,
2
Journal on Pattern Recognition
[
[5] M. Ouladsine, G. Bloch, X. Dovifaaz, “Neural Modelling and Control of a Diesel Engine with
Pollution Constraints”, in: Journal of Intelligent and Robotic Systems; Theory and Application,
vol. 41, n° 2-3, pp. 157-171
[6] A. Boubezoul, S. Paris, M. Ouladsine, “Improving the GRLVQ Algorithm by the Cross
Entropy Method”, in: Artificial Neural Networks - ICANN 2007, Joaquim Marques de Sá and Luís
A. Alexandre and W\lodzis\law Duch and Danilo Mandi, LNCS, vol. 4668, pp. 199-208,
Springer, Heidelberg, 2007
[7] M. Seck, N. Giambiasi, C. Frydman, L. Baâti, “DEVS For Human Behavior Modelling in
CGFs”, in: Journal of Defense Modeling and Simulation, janvier 2010
[8] C. Zanni, M. Le Goc, C. Frydman, “A Conceptual Framework for the Analysis, Classification
and Choice of Knowledge-Based Diagnosis Systems”, in: KES - International Journal of
Knowlegde-Based & Intelligent Engineering Systems, vol. 10, n° 2, pp. 113-138, 2006
[9] C. Frydman, N. Giambiasi, M. Seck, “DEVS for Modelling Realistic Human Behavior”, in:
Spring Simulation Multiconference 2006 (SPRINGSIM 2006) Military Modeling and Simulation,
Huntsville, AL , USA, April 2-6 2006.
3