Français Anglais
Accueil Annuaire Plan du site
Accueil > Production scientifique > Thèses et habilitations
Production scientifique
Doctorat de

Doctorat
Equipe : Données et Connaissances Massives et Hétérogènes

Découverte de connaissances pour la maintenance avionique, une approche d'apprentissage de concepts non supervisée

Début le 01/06/2016
Direction : REYNAUD, Chantal

Ecole doctorale : ED STIC 580
Etablissement d'inscription : vide

Lieu de déroulement : LRI - LaHDAK

Soutenue le 04/06/2019 devant le jury composé de :
Directrice de thèse :
- Mme REYNAUD Chantal, PR1 Université Paris-Sud

Rapporteurs :
- Mme LAMOLLE Myriam, Professeur Université Paris 8
- M. ESPINASSE Bernard, Professeur Aix-Marseille Université

Examinateurs :
- M. LE THANH Nhan, Professeur Université de Nice
- M. INSAURRALDE Carlos, Maître de Conférences Bristol - Univ. of the West of England
- Mme MA Yue, Maître de Conférences Université Paris-Sud
- Mme LORTAL Gaëlle, Ingénieur de Recherche Thales Research and Technology

Président :
- M. DEFUDE Bruno, Professeur Professeur Telecom SudParis

Activités de recherche :

Résumé :
Dans cette thèse, nous étudions le problème de l’analyse de signatures de pannes dans le domaine de la maintenance avionique, afin d’identifier les défaillances au sein d’équipements en panne et suggérer des actions correctives permettant de les réparer.
La thèse a été réalisée dans le cadre d’une convention CIFRE entre Thales Research & Technology et l’Université Paris-Sud. Les motivations sont donc à la fois théoriques et industrielles.
Une signature de panne devrait fournir toutes les informations nécessaires pour identifier, comprendre et réparer la panne. Pour comprandre le mécanisme la panne son identification doit donc être explicable. Nous proposons une approche à base d’ontologies pour modéliser le domaine d’étude, permettant une interprétation automatisée des tests techniques réalisés afin d’identifier les pannes et obtenir les actions correctives associées. Il s’agit d’une approche d’apprentissage de concepts permettant de découvrir des concepts représentant les signatures de pannes tout en fournissant des explications sur les choix de propositions de réparations. Comme les signatures ne sont pas connues a priori, un algorithme d’apprentissage automatique non supervisé approxime les définitions des concepts. Les signatures apprises sont fournies sous forme de définitions de la logique de description (DL) et ces définitions servent d’explications. Contrairement aux techniques courantes d’apprentissage de concepts conçues pour faire de l’apprentissage supervisé ou basées sur l’analyse de patterns fréquents au sein de gros volumes de données, l’approche proposée adopte une perspective différente. Elle repose sur une construction bottom-up de l’ontologie. Le processus d’apprentissage est réalisé via un opérateur de raffinement appliqué sur l’espace des expressions de concepts et le processus est guidé par les données, c’est-à-dire les individus de l’ontologie. Ainsi, les notions de justifications, de concepts plus spécifiques et de raffinement de concepts ont été révisés et adaptés pour correspondre à nos besoins.
L’approche a ensuite été appliquée au problème de la maintenance avionique. Un prototype a été implémenté et mis en œuvre au sein de Thales Avionics à titre de preuve de concept.