Retour au site du LAAS-CNRS

Abstract

Consistency-based diagnosis is a powerful model-based approach to the automated diagnosis of malfunctioning systems rooted in the Artificial Intelligence field. In this paper, we adapt consistency-based diagnosis expressing the model of the system in the language of constraint networks. In the obtained framework, called constraint-based diagnosis, we define diagnosis problems in static and dynamic cases. Thanks to an And/Or search space approach, we show how exploiting the problem structure permits to efficiently compute a compact representation of all diagnoses in both static and dynamic cases.

Abstract

On-line diagnosis must accommodate the existing sensoring capabilities of a system, which often results in limited diagnosability. However, although faults may not be always discriminable, there are generally operating modes of the system in which they are. Active diagnosis relies on applying specific inputs to the system so as to exhibit additional symptoms that help refining the diagnosis. The idea of this paper is to use the diagnosability properties to drive the system towards modes with increased diagnosability with respect of safety considerations. A new finite state machine called the active diagnoser is defined by abstracting continuous dynamics and taking into account controllability and safety constraints. The active diagnosis problem is then formulated as a conditional planning problem. Hence, the active diagnoser is transformed in an AND-OR graph and active diagnosis plans are computed by an appropriate graph exploration algorithm.

Résumé

Les architectures informatiques nécessitent aujourd'hui des capacités "d'autoguérison", c'est-à-dire de diagnostic de l'occurrence de fautes et de réparation de leurs effets, de manière autonome, pour continuer à assurer leurs fonctionnalités. Cela est particulièrement vrai dans le domaine des Services Web, auxquels nous appliquons actuellement ces travaux. Les concepteurs de tels systèmes ont besoin d'outils permettant de vérifier avant leur mise en oeuvre opérationnelle qu'ils sont bien "autoguérissants". Pour cela, une première étape consiste à définir formellement ce qu'autoguérison signifie. La diagnosticabilité est la capacité d'un système à déterminer l'état fautif dans lequel il se trouve à partir des observations dont il dispose. La réparabilité est la capacité d'un système à disposer de plans de réparation adaptés aux fautes. Nous proposons une nouvelle définition de diagnosticabilité, qui ne s'appuie plus sur une partition des fautes comme le fait la définition classique, mais sur un ensemble couvrant de macrofautes et permet d'associer à un système son niveau de diagnosticabilité. Nous proposons ensuite une première définition formelle de la réparabilité. Ces deux définitions sont celles qui conviennent pour caractériser la capacité d'autoguérison d'un système. Nous proposons ainsi une définition d'autoguérison en combinant pour la première fois explicitement la diagnosticabilité et la réparabilité. Un théorème peut alors être démontré dont découle assez directement un algorithme de vérification de l'autoguérison. Nous terminons en montrant comment ce travail peut servir à élaborer des stratégies et aider les concepteurs à analyser leur système et le rendre autoguérissant.

Mots-Clés / Keywords

Résumé

En général, les méthodes de diagnostic utilisent un seul type de connaissances, par exemple un modèle analytique ou qualitatif, une base d'observations numériques, une base de cas préalablement résolus, etc. Si ces méthodes produisent de bons résultats sur des systèmes assez simples, elles deviennent très difficiles à implémenter sur des systèmes complexes comme des véhicules. En effet, il devient alors impossible ou trop coûteux d'acquérir la connaissance nécessaire à leur mise en oeuvre. L'approche suivie par le laboratoire commun Autodiag est d'utiliser différentes formes de connaissances hétérogènes dans une méthode de diagnostic intégrée. Pour cela, nous proposons d'utiliser différentes méthodes de diagnostic, comme le diagnostic à base de modèles, le diagnostic par reconnaissance de formes ou la recherche sémantique d'informations, dans un cadre commun appelé MODE. En définissant un langage commun, MODE permet à toutes ces méthodes de collaborer et de séquencer l'application de chacune en fonction des données disponibles et des contraintes de l'utilisateur. Cette approche est illustrée sur des données réelles issues du domaine de l'automobile.

Mots-Clés / Keywords