=Paper=
{{Paper
|id=Vol-547/paper-22
|storemode=property
|title=Approche hybride pour le diagnostic industriel basée sur le RàPC et le Datamining: Utilisation de la plateforme JCOLIBRI 2.1
|pdfUrl=https://ceur-ws.org/Vol-547/136.pdf
|volume=Vol-547
|dblpUrl=https://dblp.org/rec/conf/ciia/MekroudM09
}}
==Approche hybride pour le diagnostic industriel basée sur le RàPC et le Datamining: Utilisation de la plateforme JCOLIBRI 2.1==
https://ceur-ws.org/Vol-547/136.pdf
Approche hybride pour le diagnostic industriel basée
sur le RàPC et le Datamining : Utilisation de la
plateforme JCOLIBRI 2.1
Noureddine Mekroud1, Abdelouahab Moussaoui2
Département de l’informatique, Faculté des Sciences de l’Ingénieur, Université Ferhat
Abbas, Sétif
{Mekroud_n, Moussaoui_abdel}@yahoo.fr
Résumé. Le Raisonnement à Partir de Cas (RàPC) est un réflexe puissant et très
naturel, qui vise la réutilisation des expériences passées dans la résolution des
nouveaux problèmes ; ceci est confirmé par des expériences en psychologie et
en sciences cognitives. Le RàPC, comme méthodologie d’ingénierie des
connaissances, peut être renforcé dans les différentes étapes de son processus
par la richesse des techniques du Datamining. Dans cet article, on propose une
solution hybride, RàPC et Datamining, appliquée au domaine du diagnostic
industriel. Le processus proposé commence par une fragmentation de la base
des cas en deux espaces : Symptomes-Pannes & Symptomes-Solutions ; suivie
d’un clustering des deux espaces, et d’un mappage entre leurs clusters ; on
appliquera enfin un cycle RàPC pour chaque espace. La plateforme JCOLIBRI
2.1 sera utilisée pour l’implémentation de notre démarche. Les avantages de
cette approche seront présentés, ainsi que des réflexes et perspectives diverses.
Mots Clés: ingénierie des connaissances, raisonnement à partir de cas,
Datamining, diagnostic industriel, JCOLIBRI.
1 Introduction
L’application du Retour d’Expérience est fréquente dans la vie quotidienne de
chacun, puisqu’il est bien évident et légitime que les problèmes similaires auront des
solutions similaires, et qu’on se retrouve souvent face à un problème que l’on a déjà
rencontré.
De nos jours, le savoir faire est le patrimoine principal des individus et
établissements ; la valorisation des entreprises repose de plus en plus sur des facteurs
immatériels. Selon une étude sur des centaines de sociétés industrielles américaines,
l’estimation de la valeur de leur patrimoine de connaissances (Knowledge Capital)
correspond à 217% de leur capital financier net [9]. La préservation et la
capitalisation du savoir, du savoir faire et des meilleures pratiques existantes dans une
entreprise, nécessite la mise en place d’un système permettant de fournir à une
personne, pas nécessairement hautement qualifiée, l’information utile au moment où
elle en a besoin, de façon exploitable pour superviser les décisions à prendre.
Les connaissances d’une entreprise, considérées comme un patrimoine fragile,
circulent et s’enrichissent et sont exploitées plus ou moins avec fiabilité, mais peuvent
également disparaître par un départ en retraite, une mutation ou un licenciement d’un
expert. Cette richesse d’expertise, qui doit être capturée, capitalisée, protégée et
distribuée, forme la partie principale d’une mémoire d’entreprise, qui rapproche le
niveau de connaissances individuel au niveau d’expérience collective de l’organisme.
Le RàPC, comme une méthodologie de capitalisation des connaissances, propose
des solutions aux problèmes actuels à résoudre, en utilisant les connaissances acquises
des expériences passées, et en enrichissant en continu la base de connaissances. Cette
méthodologie, qui forme un point de rencontre entre l’intelligence artificielle et les
sciences cognitives ; repose sur des notions beaucoup plus théoriques que techniques,
ce qui lui donne l’aspect d’une méthodologie et pas une technologie. Le Datamining,
utilisé dans la découverte et la modélisation des informations utiles, cachées dans une
masse de données grande et complexe, offre des solutions techniques incontournables
dans la découverte et la capitalisation des connaissances de l’entreprise.
L’objectif de ce travail est d’étudier l’utilisation des techniques du Datamining, qui
émergent actuellement, dans le cycle du processus RàPC, en éclairant l’appui qu’elles
peuvent fournir pour améliorer la fiabilité de cette méthodologie. Visant le domaine
du diagnostic industriel, notre approche est basée sur la mise en cause de la liaison
directe et stable entre les pannes de leurs solutions possibles. On propose dans cet
article la fragmentation verticale de la base des connaissances du domaine étudié en
deux partitions : l’espaces des symptômes et leurs pannes correspondantes, et l’espace
des symptômes et leurs solutions possibles ; suivi d’un clustering du contenu de
chaque espace, et d’un mappage entre les clusters des pannes et de leurs solutions
possibles ; et on finira par l’application du cycle RàPC sur les deux partitions
conjointement. L’approche proposée offre non seulement la possibilité de réutilisation
des expériences passées en limitant la recherche aux segments les plus pertinents,
mais aussi de traiter le cas où les mêmes symptômes donneront plusieurs pannes
possibles, ce qui indique l’insuffisance de ces symptômes pour diagnostiquer les
pannes. Aussi, si les mêmes symptômes auront plusieurs solutions possibles, on
pourra choisir entre ces solutions suivant la stratégie de maintenance, corrective ou
préventive. D’autres avantages et arguments pertinents seront fournis en ce qui suit.
Dans la section 2, on propose une présentation générale de la gestion des
connaissances dans les entreprises. La section 3 étudie la méthodologie du
raisonnement à partir de cas. Dans la section 4, on présente un état de l’art des travaux
réalisés concernant l’intégration des techniques du Datamining dans les différentes
étapes du cycle RàPC. La section 5 expliquera notre démarche, combinant quelques
algorithmes de Datamining avec le processus RàPC. Dans la section 6, la plateforme
JCOLIBI 2.1 sera utilisée dans l’implémentation et la validation de la solution
proposée. À la fin, une conclusion et des perspectives seront proposées.
2 Les connaissances dans l’entreprise
L’un des aspects de développement de l’efficacité d’une entreprise est la
capitalisation de ses expériences développées au cours du temps, vu le risque de
centralisation du savoir faire dans les experts humains, qui peut causer la non
disponibilité de cette richesse suite à une sur-occupation de l’expert, mutation, départ
à la retraite, démission, licenciement … [7].
Les connaissances sont une représentation réduite du monde réel [8]. Dans une
entreprise, deux catégories de connaissances sont à distinguer, à savoir : les
connaissances Tacites (implicites, non formalisables) : qui sont difficiles à décrire,
comme les compétences, les habilités, la connaissance historique de l'organisation
...etc, c’est le savoir faire de l’entreprise ; et les connaissances Explicites
(formalisables) : qui sont plus facilement codifiables (manuels, plans, modèles,
documents d'analyse, données, ...), c’est le savoir de l’entreprise. Par exemple, avant
l’invention du système de notation (solfège) au XIIéme siècle, on ne pouvait pas
représenter les connaissances musicales ; elles étaient apprises uniquement par
l’expérience directe, l’écoute (tacites) ; mais grâce au solfège, elles sont devenues
codifiables, donc explicites [5].
2.1 La gestion des connaissances
Dans la littérature de la gestion moderne des entreprises, de nouvelles notions sont
évoquées, comme : les travailleurs de la connaissance, la société et l’économie de la
connaissance, la mémoire d’entreprise, les entreprises apprenantes, la gestion des
richesses immatérielles, la gestion de l‘innovation...etc., où la richesse de l’entreprise
est désormais basée sur ses activités intellectuelles, donnant naissance à une économie
basée sur la connaissance [8]. La gestion des connaissances, ou Knowledge
Management en anglais (baptisée KM), désigne l’ensemble de concepts et outils
permettant la production des connaissances et le développement des compétences
individuelles, collectives et organisationnelles. Le KM vise à rassembler le savoir et
le savoir faire sur des supports accessibles, et faciliter leur transmission en temps réel
à l’intérieur de l’établissement, ou les différer à nos successeurs [16]. C’est une
application pratique des sciences cognitives, de l’intelligence artificielle et des
sciences de l’organisation [15].
Le cycle de capitalisation des connaissances est composé de quatre phases : la
première consiste à « repérer » les connaissances cruciales de l'entreprise ; Ensuite, il
faut les « préserver », c'est-à-dire les modéliser, les formaliser et les conserver ; Puis,
les « valoriser » et les mettre en exploitation en les rendant accessibles ; Après, les
« actualiser » et les enrichir progressivement en les gérant continuellement [15].
Il existe une diversité de méthodologies de capitalisation des connaissances d’une
entreprise, on peut distinguer celles spécifiques à la construction des mémoires
d’entreprises, à savoir : REX, MEREX, CYGMA, atelier FX et Componential
Framework ... etc ; et d’autres empruntées du domaine de l’ingénierie des
connaissances, comme : KADS, CommonKADS, MKSM, MASK, et KOD [16].
3 Le Raisonnement à Partir de Cas
Le RàPC est un processus qui vise la réutilisation des expériences passées. Cette
méthodologie, provenant du domaine de l’Intelligence Artificielle, a été utilisée dans
les systèmes experts et les sciences cognitives. Dans cette approche, l’utilisateur
essaie de résoudre un nouveau problème en reconnaissant les similarités avec des
problèmes préalablement résolus, appelés : cas. Un cas est communément un
problème spécifique qui a été identifié, résolu, stocké et indexé dans une mémoire
avec sa solution, et éventuellement le processus d’obtention de celle-ci [5]. Les
systèmes de RàPC sont appliqués dans de nombreux domaines comme : la médecine,
le commerce, le diagnostic industriel, le contrôle et l’analyse financière [16].
3.1 Le cycle du RàPC
Dans l’approche du RàPC, la résolution des problèmes est basée sur la réutilisation
par analogie des expériences passées. Le cycle du RàPC se décompose habituellement
en cinq phases principales [16] :
1. L’élaboration d’un nouveau problème (cas cible) : représente l’acquisition et la
modélisation des informations connues sur le nouveau problème, pour lui donner une
description initiale, d’une manière similaire aux cas existants dans la base des cas.
2. La remémoration des cas (cas sources) : rechercher les cas les plus similaires,
cela signifie la recherche des correspondances entre les descripteurs des cas de la base
et ceux du cas actuel à résoudre.
3. L’adaptation des cas (cas source) : réutiliser totalement ou partiellement la
solution du cas trouvé le plus similaire, pour résoudre le nouveau problème.
4. La révision de la solution proposée (solution cible) : signifie l’évaluation de la
solution proposée, par son application dans le monde réel.
5. La mémorisation d’un nouveau cas (cas cible) : représente l’ajout éventuel du
cas cible dans la base des cas, c’est l’apprentissage d’un nouveau cas, qui pourra ainsi
être utilisé pour la résolution des problèmes futurs.
Nouveau
problème
Préparation d’un
Cas appris nouveau cas
Cible(Pb)
Cible(Pb, Sol)
Recherche
Apprentissage
Cas
passésCas Cas similaires
Cas
Cas
trouvés
Cas testé similaire
similaire
Source (Pb,Sol)
et réparé ''Connaissances'' trouvé
trouvé
Cible (Pb,Sol)
Adaptation
Révision Cas adapté
source (Pb,Sol)
Fig 1 : Les étapes du cycle de RàPC [15]
3.2 Avantages et inconvénients du RàPC
Puisque cette approche n’a besoin que d’un ensemble de problèmes résolus pour
commencer, le RàPC diffère des autres approches de l’IA, qui visent la représentation
globale des connaissances utilisées dans un domaine, sous forme de système expert.
Ainsi, l’approche RàPC a l’avantage d’être une démarche plus simple à mettre en
oeuvre que celles basées sur un modèle de domaine, puisque elle permet d’éviter les
difficultés de modélisation du savoir-faire des experts (complexité des ontologies et
des représentions logique…). Aussi, c’est un bon choix pour les domaines n’exigeant
pas de solutions optimales, ou dont les principes sont mal formalisés ou peu éprouvés
[16]. Le RàPC vise l’utilisation des connaissances spécifiques et pragmatiques, qui
concernent les problèmes précédemment expérimentés, en les capitalisant d’une façon
progressive avec le temps ; l’apprentissage sera ainsi incrémental et basé sur les
expériences vécues [5].
Mais, par contre, le RàPC ne trouve pas nécessairement la solution concrète à un
problème ; et parfois, juste proposer un ensemble de solutions possibles [6]. Aussi, vu
la nécessité d’une intervention et d’une mobilisation en continu des experts, lors de la
capitalisation progressive des connaissances, l'individualisme constitue un frein
redoutable ; les experts hésitent de partager leurs connaissances, acquises après des
années de travail, par méfiance d’une restructuration ou compression dans
l’entreprise, ou ils estiment leurs savoir-faire comme leur plus grande assurance [7].
Un aspect, qu’on juge très intéressant, est que le RàPC est une méthodologie et pas
une technologie de résolution des problèmes, et la majorité de ses définitions se
basent sur la présentation du « Quoi » et pas le « Comment ». Ainsi, présenter le
RàPC comme une méthodologie est important pour son développement. Si le RàPC
est considéré comme une technologie, il pourrait sembler que les recherches dans ce
domaine sont en grande partie achevées. Mais, considéré comme une méthodologie,
les chercheurs auront toujours le défi de perfectionner le cycle de ce processus [17].
4 Quelques contributions d’intégration RàPC & Datamining
Le Datamining est l’extraction des informations utiles, et la découverte des
connaissances et des modèles cachés dans des bases de données volumineuses et
hétérogènes [10]. Dans la littérature, plusieurs contributions visant la combinaison des
techniques du Datamining avec le processus du RàPC ont été proposé:
Clerkin et al. (2002) ont présenté une approche de génération automatique de la
base des cas ; en segmentant, par l’algorithme des K-means, les bases de données
contenant l’historique des opérations effectuées dans le domaine étudié.
Pan et Al (2007) ont étudié deux problèmes majeurs dans les algorithmes de
recherche des cas similaires ; le premier est causé par les cas bruyants (un cas proche
du problème à résoudre qui donne des solutions incorrectes pour ce dernier) et le
deuxième problème est causé par l'inégalité de la distribution des cas (les problèmes
similaires qui ont des solutions différentes). Les auteurs ont utilisé une analyse
discriminante pour éliminer les cas bruyants, suivie d’une évaluation empirique et
extensive des cas résultants, pour minimiser la marge d’erreur dans la recherche.
Kim et Han (2001) ont proposé une nouvelle méthode d’indexation et de
classification de la base des cas, basée sur l’utilisation des réseaux neurones artificiels
compétitifs, pour générer les valeurs centroïdes, qui seront ajoutées à la base sous
forme de cas artificiels représentatifs, utilisés ensuite pour indexer la base des cas, ce
qui facilitera la recherche des cas similaires au cas actuel à résoudre.
Zhuang et Al (2007) ont proposé la segmentation des bases de cas volumineuses en
utilisant les cartes de Kohonen pour l’auto-organisation (SOM : Self-Organising
Maps). Leur but était de trouver des groupements de cas avec un maximum de
simultitude intra-groupes, et de désimultitude inter-groupes, pour bien préparer la
phase de remémoration, en limitant la recherche aux segments les plus pertinents.
À cause des incertitudes dans la représentation des connaissances et la description
des attributs et des mesures de similarité, Chang et All (2008) ont proposé
d’incorporer la logique floue dans le processus du RàPC, pour avoir un modèle de
prévision des ventes avec plus de souplesse et de précision ; cela en sélectionnant les
ventes antérieures les plus similaires et les plus utiles au cas actuel.
N. Arshadi et Al (2000) ont proposé une nouvelle approche pour l'adaptation
compositionnelle. Ils incitent la possibilité de combiner les solutions trouvées, pour
permettre l'obtention d’une solution finale plus pertinente. Les solutions similaires
peuvent être combinées par le choix de la valeur moyenne de leurs attributs. Une telle
approche enrichisse la base par des cas généralisés plus ou moins précis.
Yang et Wu (2000) ont proposé une méthode pour simplifier la maintenance des
bases de cas volumineuses, en les segmentant par l’algorithme du GDBSCAN, basé
sur le regroupement par régions à densité plus élevée par rapport à leur entourage.
Cette segmentation donnera, comme résultat, plusieurs bases de cas plus petites en
taille ; ainsi, la maintenance de ces bases sera transparente et sans complexité.
5 Notre approche : Hybridation RàPC-Datamining
5.1 Présentation générale
Le RàPC est basé sur deux hypothèses concernant la nature du monde réel [1]: la
régularité des situations, ou problèmes, similaires qui doit impliquer des solutions
similaires ; et la récurrence qui assume que c’est fortement probable que les situations
futures seront des variantes des situations actuelles. Ainsi, les approches standard du
RàPC proposent un mappage entre le problème cible (actuel) et le problème source
(déjà résolu), basé sur la similarité ; et la solution du cas similaire trouvé sera, suivant
le raisonnement par analogie, la solution proposée au problème cible actuel. Mais, les
contraintes internes et l'environnement extérieur changent au fil du temps. Ainsi, la
liaison entre les descripteurs des cas et leurs solutions peut ne pas être stable, ce qui
donne la possibilité d’avoir des expériences erronées [12]. Avec des systèmes RàPC
utilisés à longs termes, on pourra être face à des situations dans lesquelles la
réutilisation des expériences deviendra une erreur. Démarrant de ces hypothèses de
base, notre approche propose un cycle de RàPC fondé sur des similarités appliquées
dans deux espaces différents : espace des pannes et espace des solutions (Fig 2).
Nouvelle panne
Légende
Espace des Descripteurs de la nouvelle panne (cas)
Descripteurs-Pannes
Descripteurs d’une panne déjà diagnostiquée
Diagnostic explicatif de la nouvelle panne
Mappage entre les Diagnostic explicatif d’une ancienne panne
deux espaces Similarités avec les cas existants
Raisonnement par analogie
Espace des Solution nécessaire d’une ancienne panne
Descripteurs-Solutions
Solution adaptée au nouveau cas de panne
Fig 2 : Tracé de résolution des problèmes proposé par notre approche
Notre démarche commence par la fragmentation verticale de la base des cas en
deux fragments : Descripteurs-Pannes & Descripteurs-Solutions, suivie d’un
clustering de chacun des deux espaces, et d’un mappage (via des mesures de
similarité globales) entre les clusters de ces deux fragments. Ensuite, et lors d’une
nouvelle panne, on prépare les descripteurs de ce nouveau cas à résoudre ; et on
applique dans l’espace des Descripteurs-Pannes, dans le but de trouver un diagnostic
adéquat à cette panne, un cycle RàPC sur le cluster le plus similaire au cas actuel, en
utilisant des mesures de similarité locales adéquates à chaque descripteur de panne,
ainsi que des similarités basées sur les ontologies du domaine. Après, on mappe vers
le cluster pertinent dans l’espace des solutions, où on recherche, suivant un autre
cycle RàPC, la solution adéquate au cas de panne actuel à résoudre.
Fig 3 : Exemple de mappage entre deux espaces segmentés
Le schéma ci-dessous montre les attributs : descripteurs, pannes et solutions de
notre domaine d’étude, partitionnés ensuite en deux espaces.
Descripteurs Panne Solution
Indicateurs
Température Catégorie Pression Explication Composant Solution
Texte erreur Alarme lumineux
moteur fonctionnelle moteur de la panne défaillant nécessaire
ID1 … ID6
Fragmentation de la base des cas
Descripteurs
Indicateurs
Température Catégorie Pression
Texte erreur Alarme lumineux
moteur fonctionnelle moteur
ID1 … ID6
Espace Espace
Descripteurs-Pannes Descripteurs-Solutions
Panne Solution
Explication de la panne Composant Solution
défaillant nécessaire
Fig 4 : Les attributs proposés de la base des cas, réparties en deux espaces
5.2 Les étapes du processus proposé
La figure suivante illustre la succession des étapes de notre approche :
Pré Étape 1 Pré Étape 2 Pré Étape 3 Pré Étape 4
Fragmentation Recherche du Segmenter les deux Mappage entre les
verticale de la base nombre de segments espaces de la base segments des deux
des cas dans chaque espace espaces
Nouveau cas
Étape 6 Étape 1
Capitaliser cette Collection des
Ressources du domaine
expérience descripteurs de ce cas
(Documents & Expertise)
Étape 5 Étape 2
Insertion du nouveau Base de cas Recherche du cluster
cas dans la base (Régularisée périodiquement) des pannes pertinentes
Étape 4 Étape 3
Réutilisation et révision Mappage vers le cluster
de la solution trouvée des solutions possibles
Fig 5 : Processus d’intégration des techniques du Datamining dans le cycle RàPC.
Pré Étape 1 : Fragmenter la base des cas verticalement, en Descripteurs-Pannes et
Descripteurs-Solutions, et isoler les causes des pannes de leurs solutions possibles.
Pré Étape 2 : Rechercher le nombre de segments optimal dans chaque espace, par
la segmentation hiérarchique ascendante (SHA), pour combler le point faible principal
des K-Means qui est la fixation préliminaire de ce nombre.
Pré Étape 3 : Segmenter les deux partitions de la base pas un algorithme de K-
Means. Des significations et utilités seront fournies lors d’une valeur différente du
nombre de clusters dans les deux espaces (voir 5.3).
Pré Étape 4 : Faire un tracé (mappage) entre les clusters Symptomes-Pannes et
Symptomes-Solutions, suivant des mesures de similarités globales, pour lier les
pannes à leurs solutions les plus pertinentes.
Étape 1 : Collection des descripteurs du nouveau cas de panne.
Étape 2 : Recherche du cluster des pannes pertinentes, suivant les Descripteurs-
Pannes ayant la plus grande similarité avec les caractéristiques du nouveau cas. La
recherche est basée sur l’algorithme des K Plus Proches Voisins (KPPV).
Étape 3 : Faire un mappage vers le (les) cluster(s) Descripteurs-Solutions
correspondant(s) au cluster des pannes trouvé dans l’étape précédente.
Étape 4 : Réutiliser la solution, ayant les descripteurs les plus adéquats au cas
actuel, dans le contexte du nouveau cas. Réviser et commenter les résultats trouvés.
Étape 5 : Maintenance de la base par l’insertion du nouveau cas résolu.
Étape 6 : Capitaliser cette expérience par la conservation des commentaires et des
évaluations fournis, suivie d’une nouvelle segmentation des deux espaces de la base.
5.3 Avantages et inconvénients de cette approche
1. On a opté pour la mise en cause de la liaison directe entre les pannes et leurs
solutions possibles, par l’isolation des descripteurs et leurs pannes
correspondantes des descripteurs et leurs solutions adéquates, pour bénéficier
des avantages suivants:
Détection de l’insuffisance des descripteurs : puisque si les mêmes
descripteurs donneront plusieurs pannes possibles et/ou plusieurs solutions
possibles, alors ces descripteurs ne sont pas suffisants et discriminants.
En se basant sur les algorithmes des règles d’associations utilisées en
Datamining, on distingue que les relations de dépendance entre les champs
de la base des cas sont plus fortes pour les relations entre les descripteurs et
leurs pannes appropriées, d’un côté, et les descripteurs et leurs solutions
possibles, de l’autre côté. Ces relations d’association aideront à mieux
comprendre le comportement fonctionnel de l’équipement étudié.
2. Le mappage entre les pannes et leurs solutions possibles est très utile, puisque si
on considère le mappage entre les segments des espaces Discripteurs-Pannes et
Discripteurs-Solutions comme une relation par cardinalités (nombre
d’occurrences possibles) dans les deux sens, cella est interprétable comme suite :
Les cardinalités dans le sens Discripteurs-Pannes vers Discripteurs-Solutions
décrivent le nombre de solutions possibles pour les mêmes symptômes de
panne, et ça donnera les interventions possibles sur cette panne dans les
différentes stratégies de maintenance (préventive, corrective …).
Les cardinalités dans le sens Discripteurs-Solutions vers Discripteurs-
Pannes donneront le nombre de pannes qu’on peut résoudre par la même
intervention, et ça aidera à planifier les interventions par priorité, selon le
nombre de problèmes possibles à résoudre par chaque intervention.
Il est possible d’avoir une cardinalité nulle entre un segment des solutions et
les segments de l’espace des pannes, c’est le cas d’un ensemble d’indicateurs
(symptômes) qui prédisent une panne avant son arrivé, donc cela donnera la
possibilité d’intervention par une maintenance préventive.
3. Les approches du K-Means et des KPPV ont une fiabilité reconnue, mais aussi
une complexité faible (polynomiale), et cela facilitera la refragmentation de la
base, qui est nécessaire après chaque modification de son contenu. La méthode
SHA est très favorisée lors du choix du nombre de segments pour le K-Means.
4. L’utilisation de divers mesures de similarité, suivant le type et les valeurs de
chaque champs, ainsi que la similarité basée sur les ontologies du domaine,
renforcera l’efficacité de la recherche des cas similaires au problème à résoudre.
Mais, comme toute travail, notre approche présente quelques inconvénients :
1. Si la panne actuelle est malle classifiée, lors de la recherche du segment des
Descripteurs-Pannes le plus pertinent, alors on aura un mappage vers un cluster
de solutions non adéquates au problème à résoudre.
2. cette approche nécessite une bonne connaissance du domaine étudié, interprétée
par une base de cas suffisamment grande, pour assurer la performance des
résultats issus de l’application des algorithmes de segmentation et de mappage.
6 Implémentation
Pour étudier la faisabilité de notre démarche, nous avons développé un système de
diagnostic industriel ; et comme équipement étudié, on a choisi une machine
extrudeuse des tubes de plastique (Extrudeuse Monovis BEX 1-90-30B du fabricant
allemand BATTENFELD). Notre implémentation est basée sur la conception d’un
modèle du domaine, par la création de l’ontologie des composants de l’extrudeuse, et
l’ontologie de ses catégories fonctionnelles, en utilisant l’éditeur d’ontologies Protégé
et la technologie OWL (Web Ontology Language) qui permet la représentation des
concepts et taxonomies du domaine, dans une hiérarchie exprimant les relations entre
ces éléments [16]. Aussi, on a opté pour la personnalisation de la plateforme RàPC
Open Source JCOLIBRI 2.1, suivant les caractéristiques de notre domaine d’étude. Le
modèle du domaine est ensuite associé au modèle des connaissances du RàPC, formé
d’une base de cas qui modélise l’historique des interventions. Cette association
assurera une bonne représentation des descripteurs des cas, ce qui facilitera la
recherche des cas similaires les plus pertinents, en utilisant des mesures de similarité
diverses, basées sur les symptômes des pannes et sur les ontologies du domaine.
La figure suivante, projetée de notre implémentation, illustre la première phase du
cycle de RàPC (élaboration d’un nouveau cas), en utilisant les descripteurs de panne
et l’ontologie des composants de la machine à étudier, réalisée par l’éditeur Protégé,
pour préparer une requête de recherche des cas similaires les plus proches.
Ontologie des composants
de la machine étudiée
Fig 6 : Préparer une requête recherchant les cas similaires au problème à résoudre.
Après, le cycle RàPC recherche dans l’espace des Descripteurs-Pannes les pannes
les plus similaires aux descripteurs de panne actuels. Et après avoir adapter et réviser
le cas trouvé le plus pertinent, le nouveau cas résolu sera ajouté à la base des cas, bien
sur si il n’existé par auparavant (ie : similarité moins de 100% par rapport au cas
trouvé). À la fin, le processus continua par un deuxième cycle RàPC sur l’espace des
Descripteurs-Solutions. Un nouveau clustering de la base des cas peut être nécessaire.
Fig 7 : Révision et adaptation du cas similaire trouvé
7 Conclusion
Le RàPC a apporté un courant d’air frais, et un certain degré d’optimisme au secteur
de l’intelligence artificielle, d’une manière générale, et aux systèmes à base de
connaissances en particulier. Poussé par l’intérêt de capitalisation du savoir-faire des
entreprises, le renforcement du RàPC par les techniques du Datamining améliorera la
fiabilité de cette méthodologie. Après avoir présenter un état de l’art sur la gestion des
connaissances dans l’entreprise, et quelques travaux réalisés concernant l’intégration
des solutions du Datamining dans le processus du RàPC, on a proposé dans cet article
une démarche pour l’intégration de plusieurs techniques, empruntées du Datamining,
dans le processus du RàPC, surtout dans l’étape de recherche des cas similaires, par
l’utilisation de diverses mesures de similarité locales, adaptées au type et à la
modalité de chaque champs. Aussi, exploiter les ontologies du domaine d’étude dans
la recherche, en utilisant des mesures de similarité basées sur les concepts, influa sans
doute sur la pertinence des résultats de la recherche. On a renforcé notre approche par
la séparation les pannes de leurs solutions possibles, suivie d’une étude sur ses
avantages, et les connaissances qu’on peut extraire par les différentes formes de
mappage entre les clusters de l’espace des pannes et ceux de l’espace des solutions.
Notre démarche a montrée des prérogatives claires, elle aidera à mieux comprendre
le comportement fonctionnement des équipements, et facilite la planification des
interventions de maintenance, préventives et correctives ; ainsi qu’une exploitation
optimale de la base des connaissances, avec plus d’interactivité et de visibilité.
Les perspectives du couplage de la puissance et l’efficacité des solutions du
Datamining avec la maturité du RàPC nous laisse estimer, dans l’avenir, des systèmes
de retour d’expérience bien fondés, soit du coté méthodologique, ou de la qualité des
outils d’implémentation utilisés. Dans notre domaine de diagnostic industriel, et
parmi plusieurs perspectives possibles, les règles d’associations pourront aider à
extraire les dépendances entre les symptômes des pannes ; où un symptôme pourra
être le résultat d’un autre. Cela nous aidera à analyser l’enchaînement des
défaillances, pour une meilleure conception des ontologies de l’équipement étudié.
Références
[1] Abasolo, J.M.: Towards a Component-based Platform for Developing Case-based
Reasoning Systems. Projet de thèse doctorale en intelligence artificielle, Université
polytechnique de Catalunya, Espagne (2004).
[2] Arshadi, N., Badie, K.: A Compositional Approach to Solution Adaptation in Case-Based
Reasoning and its Application to Tutoring Library. In: Proceedings of 8 th German Workshop
on Case-Based Reasoning, Lammerbuckel (2000).
[3] Chang, P.C., Liu, C.H., Lai, R.K.: A fuzzy case-based reasoning model for sales forecasting
in print circuit board industries. In: Expert Systems with Applications 34, 2049–2058 (2008).
[4] Clerkin, P., Hayes, C., Cunningham, P.: Automated case generation for recommender
systems using knowledge discovery techniques. Technical Report, Computer Science
Department, Trinity College Dublin, Ireland (2002).
[5] Cortes Robles, G.: Management de l’innovation technologique et des connaissances :
Synergie entre la théorie TRIZ et le Raisonnement à Partir de Cas, Application en génie des
procédés et systèmes industriels. Thèse doctorale, Institut National Polytechnique de Toulouse
(2006).
[6] Devèze, B., Fouquin, M.: Case-Based Reasoning. Rapport des études en spécialité SCIA,
école de l’ingénieur EPTA, France (2004).
[7] Dieng-Kuntz, R., Corby, O., Gandon, F., Giboin, A., Golebiowska, J., matta, N., Ribière,
M.: Méthodes et outils pour la gestion des connaissances : une approche pluridisciplinaire du
Knowledge management. Dunod, 2éme édition, Paris (2001).
[8] Duizabo, S., Guillaume, N.: Les problématiques de gestion des connaissances dans les
entreprises. Centre de recherches DMSP (Dauphine Marketing Stratégie Prospectiv), Université
Paris Dauphine. France (1997).
[9] Ermine, J.L.: Enjeux, démarches et processus de la gestion des connaissances. Support de
cours, université de trier, France (2005).
[10] Gilleron, R., Tommasi, M.: Découverte de connaissance à partir de données. Technical
report, Grappa, Université Lille 3, France (2000).
[11] Kim, K.S., Han, I.: The cluster-indexing method for case-based reasoning using self-
organizing maps and learning vector quantization for bond rating cases. In: Expert systems with
Application 21, 147-156 (2001).
[12] Leake, D.B., Wilson, D.C.: When Experience is Wrong : Examining CBR for Changing
Tasks and Environments?. Computer Science Department, Indiana University, U.S.A (1999).
[13] Liu, D.R., Ke, C.K.: Knowledge support for problem-solving in a production process: A
hybrid of knowledge discovery and case-based reasoning. In: Expert Systems with Applications
(2006).
[14] Pan, R., Yang, Q., Pan, S.J.: Mining competent case bases for case-based reasoning. In:
Artificial Intelligence 171, 1039–1068 (2007).
[15] Rakoto, H.: Intégration du Retour d'Expérience dans les processus industriels, Application
à Alstom Transport. Thèse doctorale. Institut National Polytechnique de Toulouse (2004).
[16] Rasovska, I.: Contribution à une méthodologie de capitalisation des connaissances basée
sur le raisonnement à partir de cas, Application au diagnostic dans une plateforme d’e-
maintenance. Thèse doctorale, L’UFR des Sciences et Techniques de l’Université de Franche-
Comté (2006).
[17] Watson, I.: Case-based reasoning is a methodology not a technology. In: AI-CBR,
University of Salford, United KingDoom (1999).
[18] Yang, Q., Wu, J.: Keep it simple: A case-base maintenance policy based on clustering and
information theory. In: Proceedings of the Canadian AI Conference, p. 102–114 (2000).
[19] Zhuang, Z.Y., Churilov, L., Burstein, F., Sikaris, K.: Combining data mining and case-
based reasoning for intelligent decision support for pathology ordering by general practitioners.
Revue Européenne de la recherche opérationnelle (2000).