Les travaux exposés dans cette partie de mon parcours recherche ont contribué à la mise en œuvre d’un retour d’expérience cognitif. Pour l’étape de capitalisation, il a été proposé une représentation des expériences prenant en considération les évènements, leurs contextes et leurs analyses. Comme les expériences sont très souvent le résultat de travaux faisant place à des interprétations, notamment celles d’experts, la représentation des expériences proposée intègre de manière explicite l’incertitude associée aussi bien aux éléments décrivant le contexte que les analyses effectuées par les experts. Cette intégration met en œuvre le modèle des croyances transférables. Pour faciliter l’opérationnalisation d’un retour d’expérience cognitif, la représentation des expériences est basée sur un formalisme hybridant le paradigme objet et le modèle des croyances transférables.
Concernant l’étape d’exploitation du processus de retour d’expérience, deux algorithmes ont été proposés. Le premier permet, à l’instar d’un processus de CBR, de faire de la recherche d’expérience à partir de similarité de contexte. Pour cela, des traitements basés sur la représentation des connaissances proposée ont été définis permettant d’évaluer la similarité entre deux contextes prenant en compte aussi le fait que la description d’un élément de contexte puisse être plus détaillée pour une expérience que pour une autre ainsi que les incertitudes sur les descriptions. Le second algorithme proposé construit un indicateur de risque, se rapprochant d’une explicitation de connaissance, à partir d’un contexte donné et du contenu de la base de retour d’expérience. Pour cela il met en œuvre le premier algorithme.
Des résultats de ces travaux ont fait l’objet de communications [C9, c5, c6], une contribution à ouvrage présente les processus de retour d’expérience [O1]. Les algorithmes ont été testés à l’aide d’évènements fictifs relatifs aux risques dans le massif pyrénéen avec une interface permettant des présentations sur des fonds cartographiques issus de systèmes d’information géographique. Des propositions ont également été faites pour généraliser l’approche développée dans le cadre du projet SUP et permettre de générer des applications de retour d’expérience pour des contextes industriels notamment [ThBéler, c5]. En effet, le besoin de retour d’expérience existe également dans de nombreux domaines industriels pour des exploitations visant, par exemple, à l’amélioration de la conception de produits à partir de l’analyse de produits défectueux renvoyés par les clients (Rakoto, 2004).
Cependant, le besoin de modélisation des connaissances et de leur exploitation dans le domaine industriel peut aussi avoir des objectifs nécessitant des processus pouvant être différents de ceux pour lesquels le retour d’expérience est généralement mis en œuvre. Les connaissances à modéliser peuvent alors être relatives aux processus mêmes, au fonctionnement des ressources techniques... Les traitements utilisant ces connaissances peuvent être alimentés par des données pouvant aussi présenter des incertitudes.
4 Evaluation de la santé des systèmes techniques
Dans le domaine industriel de production de biens ou de services de nombreux évènements existent impactant négativement les activités. Parmi ces évènements, il y a les défaillances des ressources techniques contribuant à l’activité de production. Afin de réduire l’impact de ces défaillances, deux approches complémentaires sont nécessaires : la remise en état de fonctionnement de la ressource lorsque des défaillances sont survenues et l’évitement de défaillances par la réalisation d’opérations de maintenance avant qu’elles aient lieu.
La remise dans un état de fonctionnement satisfaisant de la ressource technique après une défaillance consiste, après la détection de la défaillance, à rechercher l’origine ou les origines de la défaillance pour ensuite y remédier par des réparations, ou des remplacements de composant. Cette étape de recherche des origines des défaillances est le diagnostic et les actions de remise en état qui suivent sont de la maintenance corrective.
Pour éviter les survenues de défaillances, des approches de maintenance préventive ont été développées. Elles peuvent consister en des entretiens, des inspections ou des remplacements réguliers d’éléments des ressources techniques établis à l’avance en fonction de critères variés comme la sureté de fonctionnement, les coûts… Bien que ce type de maintenance préventive dit systématique permette de planifier les interventions à l’avance, il peut conduire, notamment, à des remplacements de composants présentant encore un potentiel d’utilisation certain. Pour pallier cela, la maintenance conditionnelle, aussi connue sous le sigle CBM (Condition Based Maintenance), considère l’état des éléments des ressources ou systèmes techniques pour intervenir sur les composants arrivant en fin de potentiel d’utilisation réduisant, par rapport à la maintenance préventive systématique, le nombre tâches de maintenance les coûts de maintenance mais nécessitant des moyens pour évaluer si des composants ont atteint ou dépassé la limite de potentiel. Le PHM (Prognostics and Health Management) peut être considéré comme une extension du CBM par l’établissement de pronostics. Ces pronostics consistent à prévoir les durées de vie résiduelles (RUL – Remaining Useful Life). Le RUL correspond au temps de fonctionnement restant à un composant avant qu’il atteigne un niveau de dégradation inacceptable (Vachtsevanos et al., 2006).
Comme les entreprises sont dans le contexte, déjà évoqué dans la partie 1, où, confrontées à une concurrence mondialisée sur des marchés où la demande est changeante, elles doivent rechercher de façon permanente à répondre au bon moment, au juste besoin, au meilleur prix et au niveau qualité désiré pour rester compétitives. Ceci les conduit à s’équiper de ressources techniques de production de biens ou de services offrant plus de fonctionnalités pour répondre aux besoins de qualité, de flexibilité, et de réactivité conduisant à un accroissement de leur complexité et de leurs coûts. Un enjeu majeur consiste donc à les maintenir en état opérationnel avec le plus haut niveau de disponibilité pour le coût le plus faible.
Les développements présentés dans cette quatrième partie de mon parcours recherche ont porté sur des contributions visant à répondre à cet enjeu. Elles portent sur l’élaboration de données caractérisant l’état de santé des systèmes à des fins d’aide à la décision mais aussi sur leur exploitation en gestion de maintenance et de production.
Ces développements ont débuté dans le cadre du projet Archistic s’inscrivant dans une certaine continuité avec les développements effectués dans le cadre de la surveillance et du développement d’architectures distribuées présentés dans les parties 1 et 2. En effet, il s’agissait de définir une architecture distribuée pour le diagnostic et le pronostic afin de définir « l’état de santé » de systèmes techniques complexes. Cette définition nécessitant d’exploiter les connaissances issues des phases de
conception du système a conduit à une modélisation des systèmes multi-composants ainsi qu’à une proposition d’une architectures distribuées pour la définition de l’état de santé de ces systèmes. La modélisation des systèmes multi-composants issue de ces développements a ensuite été reprise pour prendre en compte dans, un premier temps, l’incertitude probabiliste puis, dans un second temps, l’incertitude épistémique (liée à un manque de connaissance) sur les informations d’entrée nécessaires à l’évaluation de la santé d’un système multi-composant que sont notamment les diagnostics et les pronostics de composants faisant ainsi appel à des éléments théoriques mis en œuvre dans la partie 3.