Research themes
- Assistance for the supervision of physicals systems : We
assume that fault or correct models of the monitored system
are available (model-based, discrete information). As real time
monitoring is expected, models are exploited off-line for
chronicle acquisition or building of a diagnostic automaton
called diagnoser. Only the compiled information (chronicles or
diagnoser) is used on-line. We focus on dynamic systems.
Therefore, modelling has to take into account a temporal
dimension (temporal communicating finite state machine,
temporal causal graphs). Main topics are abductive reasoning,
chronicles learning, diagnoser building.
- Learning models from sequences :
From a set of observations on the state or the behaviour of a system
(mainly discrete sequences of events or actions), the aim is to infer
structures able to explain them. We are investigating symbolic
machine learning techniques such as ILP (Inductive Logic Programming).
-
Diagnoser algorithm design and implementation :
Relying on model inversion and compilation, these techniques aim at computing
compact models which link directly observations to faults. More
precisely, we focus on a decentralized and generic approach and on the
use of model checking techniques.
-
Diagnosis and decision interaction in an uncertain context :
For more details see the annual project activity report.
|
Axes de recherche
- Aide à la surveillance de systèmes physiques :
Nous supposons disponibles des modèles de fonctionnement ou
de dysfonctionnement des systèmes surveillés (approche
model-based, informations discrètes). La surveillance devant
être réalisée en temps réel, les modèles sont exploités hors ligne
(par exemple pour l'acquisition de scénarios ou pour la
construction d'automates diagnostiqueurs). En ligne, il suffit
d'utiliser la connaissance compilée (scénarios ou
diagnostiqueur). Nous nous focalisons sur les systèmes
dynamiques et donc des modélisations tenant compte de la
dimension temporelle: automates communicants temporels,
graphes causaux temporels. Thèmes principaux abordés :
raisonnement abductif, apprentissage de scénarios et
construction de diagnostiqueurs.
- Acquisition automatique de modèles :
À partir d'un ensemble d'observations sur l'état ou le comportement
d'un système (des séquences discrètes comme des événements ou des
actions), il s'agit d'inférer des structures capables de les
expliquer. Nous étudions des techniques d'apprentissage symbolique à
partir d'exemples telles que la PLI (Programmation Logique Inductive).
- Développement d'algorithmes efficaces utilisant la technique de diagnostiqueur :
Basées sur l'inversion et la compilation du modèle ces techniques
produisent un modèle compact liant directement observations et
pannes. Nous étudions en particulier l'approche décentralisée et
générique, ainsi que l'utilisation des techniques de model-checking.
- Interaction entre diagnostic et décision dans un univers incertain :
Pour plus de détails voir le rapport d'activité du projet.
|
