Les systèmes intelligents (smart-systems) sont devenus prédominants dans notre société. Ils sont par nature complexes et communicants, souvent hybrides et distribués. Leur comportement est incertain, et ils peuvent subir des pannes. Leur suivi de santé est essentiel pour les industriels car l’arrêt d’un système peut avoir des conséquences très coûteuses. La problématique du suivi de santé de systèmes électriques tels que des batteries ou des moteurs ou de systèmes autonomes comme des drones ou des rovers est étudiée dans ce sujet à partir de modèles représentant le comportement spécifié et la dégradation de ces systèmes. Le suivi de santé est réalisé à l’aide de fonctions de diagnostic et de pronostic permettant d’estimer l’état courant et de prédire l’état futur du système.

Selon le système étudié, le modèle peut être à temps continu et représenté par des équations différentielles ou une représentation sous forme d’espace d’état. Le modèle peut également être un système à événement discret, comme un automate ou un réseau de Petri. Dans le cas où le système présente des dynamiques continues et discrètes, on parle de système hybride. Le modèle utilisé pourra être un réseau de Petri hybride, comme un HPPN (Hybrid Particle Petri Nets) dont le formalisme a déjà été étudié dans [Gaudel et al. 2016]. Les HPPN permettent de représenter un comportement hybride et une loi de dégradation et les incertitudes liées à la modélisation et aux mesures pour le suivi de santé.

Dans ce stage, on souhaite étudier et analyser le formalisme des HPPN afin de le comparer aux formalismes existants et de le faire évoluer pour représenter le comportement de systèmes hétérogènes (système pouvant être constitué de composants purement discrets ou continus).
Il s’agira dans un premier temps de réaliser une étude bibliographique sur les formalismes gérant des dynamiques hybrides (comme les réseaux de Petri et les automates hybrides) et des incertitudes afin de comparer les HPPN aux formalismes existants.
Dans une deuxième partie, nous chercherons à représenter le comportement spécifié d’un système hétérogène et à intégrer dans cette représentation tous les schémas de communication, synchronisation ou partage de ressource que l’on peut trouver dans les RdP classiques.
La troisième partie s’intéressera à la construction d’un diagnostiqueur et d’un pronostiqueur qui permettent d’estimer et de prédire le mode courant du système. Ces objets posséderont la même structure que le modèle HPPN mais les règles de tirage seront différentes afin de réaliser les fonctions de diagnostic et de pronostic. Les sémantiques de ces deux objets devront être formellement définies afin d’étudier des propriétés comme la diagnosticabilité ou la pronosticabilité.

On utilisera et modifiera un outil existant (HYMU) pour mettre en œuvre la théorie sur des exemples pratiques. Cet outil sera utilisé tout au long du stage. II est codé en Python.
Ce stage pourra faire l’objet d’une poursuite en thèse sur l’apprentissage de modèles à base de HPPN.


Mots-clés
Aide à la décision; diagnostic; heterogeneous information; Modèles prédictifs; prognosis and diagnosis
Établissement
LAAS - LABORATOIRE D'ANALYSE ET D'ARCHITECTURE DES SYSTEMES
31077 TOULOUSE  
Niveau
Bac +5
Prérequis

réseaux de Petri, une connaissance de Python serait un plus

Durée
4 à 6 mois
Date limite
01/04/2019
Informations de contact

elodie.chanthery@laas.fr
pauline.ribot@laas.fr