DIAPRO : Diagnostic et Pronostic des systèmes
Mots clés
Pronostic, Diagnostic, Tolérance aux défauts, Analyse des données, Santé
Responsables
Bouchra ANANOU, Guillaume GRATON
Membres
Enseignant/Chercheur
bouchra.ananou@lis-lab.fr
04 91 05 60 59
Saint-Jérôme, POLYTECH GII, bureau P223
Doctorant
khalil.chouikri@lis-lab.fr
Saint-Jérôme, POLYTECH GII, étage 1, bureau 24
Enseignant/Chercheur
el-mostafa.el-adel@lis-lab.fr
04 91 05 60 37
Saint-Jérôme, POLYTECH GII, bureau P211
Enseignant/Chercheur
guillaume.graton@lis-lab.fr
04 91 05 60 59
Saint-Jérôme, POLYTECH GII, bureau P223
Enseignant/Chercheur
hassan.noura@lis-lab.fr
Saint-Jérôme, POLYTECH GII, bureau P224
Enseignant/Chercheur
mustapha.ouladsine@lis-lab.fr
04 91 05 60 62
https://pageperso.lis-lab.fr/mustapha.ouladsine/
Saint-Jérôme, POLYTECH GII, bureau P215
Enseignant/Chercheur
christophe.roman@lis-lab.fr
Saint-Jérôme, POLYTECH GII, bureau 117
Objectif scientifique
Les travaux de l’équipe s’inscrivent dans la continuité des travaux entrepris sur les thèmes de diagnostic, pronostic et tolérance aux défauts. Ces travaux sont développés en explorant des méthodes à base de données et des techniques fondées sur des modèles dynamiques. Ces activités tournent autour des thématiques suivantes :
Le diagnostic : Les différents types de défauts affectant un système peuvent traduire des modes de dysfonctionnement différents. Il est important de bien les identifier afin de remonter à la cause du défaut. Pour ce faire, il s’agit de développer des approches à base de modèle et / ou des approches à base de données utilisant les techniques d’apprentissage afin de détecter et d’isoler ces défauts. La sélection de la méthode ou des méthodes à implémenter dépend des informations disponibles sur le système (modèles physiques ou expérimentaux, mesures, expertise, rapports techniques, etc.). Une modélisation physique d’un système n’est pas toujours réalisable avec de bonnes précisions sur toute la plage de fonctionnement du système. Ainsi, une modélisation par les données peut être plus pertinente dans ce cas. Cependant, la modélisation physique permet de garder un lien étroit et direct avec le système, ce qui n’est pas forcément le cas avec les modèles à base de données. L’idée ici est d’utiliser les points forts de ces deux approches de modélisation, de les associer afin d’avoir un modèle hybride plus précis. Ce modèle hybride serait plus pertinent pour permettre de diagnostiquer les défauts du système et de pronostiquer toute dérive ou vieillissement.
Un point également original de notre travail sera de s’intéresser plus particulièrement aux systèmes qui sont caractérisés par une grande variété et variabilité de technologies et de comportement, des faibles volumes de data, et de connaissance.
Le pronostic : L’analyse des dégradations en vue du pronostic la dégradation des systèmes en utilisant des données passe par un aspect fondamental : la génération d’indice de santé. Ainsi, notre approche est fondée sur les trois étapes successives : la réduction de la taille des données, le traitement de l’indice de santé brut et la prédiction de l’évolution de l’indice de santé permettant l’estimation du temps de vie restant du système. Pour la génération d’indice de santé, notre première contribution ces dernières années concerne le développement d’un algorithme de pronostic de défaillance à partir d’un tenseur de données. Ce travail de recherche est construit autour de l’hypothèse qu’une dégradation est monotone et progressive. La méthode est organisée en trois modules : un module de réduction de la taille des données, un module de traitement de l’indice de santé brut et un module de pronostic. Dans chaque module, nous avons apporté des solutions innovantes à des verrous scientifiques bien identifiés. En effet, dans le module de pronostic, nous avons développé une méthode nommée Gamma-percentile, qui consiste à modéliser chaque profil par un processus Gamma puis calculer un intervalle de confiance en utilisant une fonction de densité de probabilité agrégée. Nous souhaitons pour les années à venir étendre cette méthode au domaine de la santé, car en général pour une pathologie donnée, la dégradation d’un patient est caractérisée par des données hétérogènes et quelquefois incomplètes.
L’aide au diagnostic médical : Par ailleurs, depuis 2018, nous avons créé des liens avec des chercheurs des sciences médicales et paramédicales pour travailler sur le thème des sciences du numérique et de l’IA appliquée à la santé. C’est dans ce cadre que nous avons développé, ces dernières années, l’aide au diagnostic et pronostic appliqué à la santé. Nous avons travaillé sur le thème « Classification des arythmies Cardiaques ». En effet, face à ce problème de santé publique, de nombreuses études s’intéressent au système cardiovasculaire (SCV) dans le but de mieux appréhender le développement des maladies cardiovasculaires pour pouvoir mieux les détecter et mieux les traiter. Les méthodes d’analyse conventionnelles pour le diagnostic de l’arythmie par inspection visuelle des enregistrements ECG Holter sont coûteuses en termes de temps et d’argent. Ainsi, la présence de battements ectopiques permanents, d’artefacts de mouvement et de bruit superposés aux formes d’onde de l’ECG complique considérablement l’interprétation et l’identification des signes associés aux arythmies cardiaques.C’est dans ce cadre que nous avons proposé une nouvelle stratégie de diagnostic qui permet de distinguer les sujets sains en présence de battements ectopiques des sujets atteints de la fibrillation auriculaire. Cette stratégie est basée sur l’analyse de dérivées complémentaires (vitesse, accélération et des à-coup) extraites de la série chronologique des intervalles R-R. Pour construire le modèle de diagnostic, nous avons appliqué différents algorithmes de classification. Le modèle de diagnostic complet a été évalué sur des enregistrements ECG réels et validé en fonction de la sensibilité de reconnaissance atteinte en distinguant un rythme sinusal normal (RSN) d’un rythme irrégulier anormal, tel que la fibrillation auriculaire (FA). Les résultats obtenus démontrent l’efficacité et la robustesse de la méthode développée.
La tolérance aux défauts : Une fois les défauts détectés et isolés, il s’agit de prendre une décision quant à l’arrêt du système en toute sécurité afin d’éviter des conséquences catastrophiques. Dans certains cas, l’arrêt immédiat du système n’est pas possible pour des raisons de sécurités ou des raisons économiques. Il s’agit alors de développer des approches capables d’évaluer la sévérité des défaillances qui apparaissent, d’estimer leur amplitude pour modifier les lois de commande du système afin de le maintenir en opération malgré la présence des défauts.