EP3899810A1 - Procédé de contrôle d'un élément - Google Patents

Procédé de contrôle d'un élément

Info

Publication number
EP3899810A1
EP3899810A1 EP19824328.9A EP19824328A EP3899810A1 EP 3899810 A1 EP3899810 A1 EP 3899810A1 EP 19824328 A EP19824328 A EP 19824328A EP 3899810 A1 EP3899810 A1 EP 3899810A1
Authority
EP
European Patent Office
Prior art keywords
data
prediction model
equipment
datum
relating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP19824328.9A
Other languages
German (de)
English (en)
Inventor
Vincent THOUVENOT
Simon GRAH
François SAUSSET
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thales SA
Original Assignee
Thales SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thales SA filed Critical Thales SA
Publication of EP3899810A1 publication Critical patent/EP3899810A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning

Definitions

  • the present invention relates to a method for controlling an element.
  • the present invention also relates to an associated computer program product.
  • the present description relates to a method of controlling an element, the method comprising:
  • control method comprises one or more of the following characteristics, taken alone or according to all technically possible combinations:
  • the training base includes a subset of first data, called data to be protected, the constraint also imposing that the image of each second data obtained by an inverse model of the prediction model is different from the data to be protected;
  • the optimization phase includes a step of assigning a penalizing weighting to each datum to be protected from the training base, the constraint also imposing that each datum to be protected is affected by the corresponding penalizing weighting;
  • the prediction model obtained comprises inputs and at least one output, the constraint also imposing that the learning technique applied to the output (s) of the prediction model obtained leads to an adverse model such as the image of the second data by the opposing model does not include any first data to be protected;
  • the or each model is a neural network
  • the exploitation phase comprising:
  • At least a first datum comes from measurements made by at least one sensor
  • each element is an item of equipment, at least one first data item collected relating to the environment of the equipment, at the origin of the equipment, the history of the equipment or of the malfunctions observed on the equipment, at least one second data item collected relating to a maintenance action on the equipment or to a fault detected on the equipment;
  • each element is a message from an entity, at least one first datum relating to a characteristic of the entity, at least one second datum relating to an anomaly relating to the entity or to the message.
  • the present description also relates to a computer program product comprising a readable information medium, on which a computer program comprising program instructions is stored, the computer program being loadable on a data processing unit. and adapted to entail the implementation of a method as previously described when the computer program is implemented on the data processing unit.
  • the present description also relates to a readable information medium on which a computer program product as previously described is stored.
  • FIG 1 a schematic view of an example of a computer allowing the implementation of an element control method
  • FIG 2 a flow diagram of an example of implementation of an element control method.
  • FIG. 1 A computer 10 and a computer program product 12 are illustrated in FIG. 1.
  • the computer 10 is preferably a computer.
  • the computer 10 is an electronic computer suitable for handling and / or transforming data represented as electronic or physical quantities in computer registers 10 and / or memories into other similar data corresponding to physical data in memories, registers or other types of display, transmission or storage devices.
  • the computer 10 interacts with the computer program product 12.
  • the computer 10 includes a processor 14 comprising a data processing unit 16, memories 18 and a data carrier reader 20.
  • the computer 10 comprises a keyboard 22 and a display unit 24.
  • the computer program product 12 includes an information medium 26.
  • the information medium 26 is a medium readable by the computer 10, usually by the data processing unit 16.
  • the readable information medium 26 is a medium suitable for storing electronic instructions and capable of being coupled to a computer system bus.
  • the information medium 26 is a floppy disk or flexible disk (of the English name "Floppy dise"), an optical disk, a CD-ROM, a magneto-optical disk, a ROM memory, a memory RAM, EPROM memory, EEPROM memory, magnetic card or optical card.
  • the computer program 12 comprising program instructions.
  • the computer program 12 is loadable on the data processing unit 16 and is adapted to cause the implementation of a method of controlling an element when the computer program 12 is implemented on the processing unit 16 of the computer 10.
  • FIG. 2 schematically illustrates an example of implementation of an element control method.
  • the element is, for example, equipment, such as aircraft equipment.
  • equipment such as aircraft equipment.
  • such equipment is, for example, a fan, an engine or wings of the aircraft.
  • the equipment includes, for example, parts. It is understood by the term "parts", the various components of the equipment.
  • the element is a message from an entity, for example, an AIS message (from the English Automatic Identification System, translated into French by Automatic Identification System) from a ship.
  • AIS message from the English Automatic Identification System, translated into French by Automatic Identification System
  • the control method comprises a phase 100 of collecting a set of first data relating to elements and a set of second data relating to the control of elements to form a training base. Each second datum of the training base is associated with at least one first datum.
  • the collection phase 100 is implemented by the computer 10 in interaction with the computer program product 12, that is to say is implemented by computer.
  • the data is collected by a first entity (such as a computer or a natural person) and is sent to a second entity comprising the computer 10 and the computer program product 12 for processing by the second entity.
  • the second entity then advantageously comprises a unit for receiving the collected data.
  • at least one first datum comes from measurements carried out by at least one sensor.
  • the training base obtained is, for example, stored in a memory 18 of the computer 10.
  • the training base includes a subset of first data, called data to be protected.
  • the data to be protected is, for example, determined according to a desired level of security for the data of the training base.
  • the data to be protected also includes second data from the training base.
  • the data to be protected is also called attributes.
  • first and second data collected from the training base are values.
  • first and second data collected from the training base are values.
  • first type of first data from the training base several other values are collected for a second type of first data from the training base, etc.
  • second type of first data from the training base etc.
  • first type of second data from the training base and possibly several other values for a second type of second data from the training base, etc.
  • the first data relates to equipment and the second data relates to the maintenance of the equipment.
  • the data relating to maintenance advantageously covers data relating to the repair of equipment.
  • the first data collected is data relating to the environment of the equipment, the origin of the equipment, the history of the equipment and / or the malfunctions observed on the equipment.
  • Data relating to the environment of the equipment is, for example, the temperatures or pressures of the atmosphere to which the equipment has been subjected.
  • Data relating to the origin of the equipment is, for example, the manufacturer of the equipment or the aircraft in which the equipment was installed.
  • the equipment history can include data relating to the operating time of the equipment or the number of maintenance performed on the equipment.
  • the malfunction data observed on the equipment includes, by way of illustration, all the abnormal measurements obtained during the equipment tests.
  • the expression "malfunction” means a failure, a absence of operation or operation not in accordance with the expected operation of the equipment.
  • At least one set of first and second data collected relates to equipment of the same kind as the equipment to be monitored.
  • At least one first datum is chosen from the group consisting of:
  • the supplier of at least one piece of equipment called the first piece
  • At least one first datum comes from measurements made by at least one sensor, whether these are measurements of the environment equipment 36 or measurements on the equipment itself.
  • the measurements on the equipment to be monitored are, for example, measurements relating to the mechanical resistance of the equipment or to the electrical reference values of the equipment.
  • the second data collected is data relating to maintenance actions on equipment or to faults detected on equipment.
  • the or each second datum is chosen from the group consisting of:
  • the data to be protected is the supplier or suppliers of the parts of the equipment or the probability of occurrence of a malfunction of the parts of the equipment.
  • each element when each element is a message originating from an entity, at least one first datum relates to a characteristic of the entity and at least a second datum relates to an anomaly relating to the entity or to the message.
  • At least one first datum is chosen from the group consisting of:
  • the temporal data of the message such as the date and time of delivery of the AIS message
  • the data to be protected are, for example, data relating to the nature of the AIS message.
  • the control method comprises a phase 1 10 of optimizing a prediction model of at least a second data as a function of first data according to a learning technique applied to the training base to obtain a prediction model, also called an optimized prediction model.
  • the optimization phase 110 is implemented by the computer 10 in interaction with the computer program product 12, that is to say is implemented by computer.
  • the prediction model obtained is a model with inputs (as many inputs as type of first data) and at least one output (as many outputs as type of second data).
  • the learning technique is implemented according to a constraint imposing that the prediction model obtained is different from a reference model.
  • the reference model is the prediction model obtained after optimization according to the same learning technique applied to the same training base but without the constraint imposed to obtain the prediction model.
  • the constraint also requires that the image of each second datum obtained by a model inverse to the prediction model be different from the data to be protected.
  • the outputs of the prediction model obtained do not make it possible to go back to the data to be protected (which are values) of the training base which was used to obtain the prediction model.
  • the prediction model obtained is then assigned a security level. The level of security depends in particular on the data to be protected taken into account when optimizing the prediction model.
  • the learning technique has as its starting point a neural network defined by an architecture and a configuration.
  • the optimization phase 1 10 consists in modifying the configuration of the neural network so that the configuration does not depend on the data to be protected from the learning base.
  • the optimization phase 110 includes a step of assigning a penalizing weighting to each datum to be protected from the training base.
  • the constraint then also imposes that each datum to be protected is affected by the corresponding penalizing weighting.
  • the data to be protected from the training base will be used less during optimization than the data not affected by a penalizing weighting.
  • the starting point of the optimization phase 1 10 is a neural network defined by an architecture and a configuration
  • due to the penalizing weighting the use of values from the training base directly or indirectly linked to the data to be protected is penalized in the configuration of the neural network.
  • the allocation of a penalizing weighting is implemented by means of an algorithm of the “random forest” type.
  • the constraint also requires that the learning technique applied to the output (s) of the prediction model obtained leads to an adverse model such as the image of the second data given by the model opponent does not have any first data to protect.
  • the optimization phase 110 includes a step of optimizing the prediction model to hide, in the or each output of the prediction model, the data to be protected from the training base.
  • the optimization phase 110 also includes a step of training the opposing model to find, from the outputs of the prediction model, the data to be protected from the training base.
  • the prediction model obtained is the prediction model optimized so that the opposing model no longer finds, from the outputs of the prediction model, the data to be protected from the training base.
  • the control method comprises a phase 120 of exploitation of the optimized prediction model.
  • the operating phase 120 is implemented by the computer 10 in interaction with the computer program product 12, that is to say is implemented by computer.
  • the operating phase 120 includes a step of supplying first data relating to an element to be checked.
  • the operating phase 120 comprises a step of prediction by the prediction model obtained of at least a second datum relating to the control of the element.
  • the first data provided is data relating to the nature of the equipment and the various parts of the equipment, such as the date of installation of the parts.
  • the second predicted datum is, for example, the probability of the occurrence of a malfunction of one or more pieces of equipment, which makes it possible to determine the maintenance actions to be implemented.
  • the operating phase 120 comprises a step of receiving a security level relating to a user and a step of transmitting the second predicted data to the user when the security level received is greater than or equal to the level of security of the prediction model obtained.
  • the user s security level is based on data that is not authorized for the user to access.
  • the prediction model obtained having been optimized to protect data to be protected, the user has access to the outputs of the prediction model only if the data not authorized for the user is included in the data to be protected. If data not authorized for the user is not included in the data to be protected, this means that the user could via the outputs of the prediction model go up to such data, this is why the outputs of the prediction model do not are not provided to such a user.
  • the control method comprises a phase 130 of implementing an action on the element as a function of the second predicted datum.
  • the second datum indicates that a maintenance action is to be carried out on the equipment, such as the replacement of a piece of equipment
  • a user performs such a maintenance action.
  • the method comprises a step of sending the second predicted data to a third entity, for example, with a view to its memorization or a subsequent analysis by the third entity.
  • the second entity advantageously includes a data transmission unit.
  • the first and third entities are, for example, identical.
  • the method described constitutes a decision aid tool for optimizing the control of an element.
  • a method makes it possible to avoid equipment breakdowns while optimizing the checks carried out by the operators on the equipment.
  • Such a process is therefore particularly useful for predictive maintenance of equipment to be monitored.
  • the messages to be checked such a method makes it possible to detect anomalies in the messages.
  • such a method makes it possible to prevent retrieving, from the outputs of the optimized prediction model, certain data (data to be protected) from the training base used to obtain the prediction model. This is particularly useful in the case of data sharing between several users who do not have the same level of security (for example, customers or suppliers) or in the case of classified multi-level data.
  • the method also makes it possible to minimize or hide the interactions between the data to be protected and the unprotected data of the training base, which makes it possible to improve the reliability of the prediction model.
  • the prediction model is optimized so that a change in the data to be protected from the training base does not influence the outputs of the prediction model, that the errors of the optimized prediction model are the same according to the values of the data to be protected from the training base and / or that the optimized prediction model generates similar outputs for two users with the same level of security.
  • the method described therefore makes it possible to ensure the relevance of the outputs of the prediction model obtained while protecting the values of the data to be protected from the training base.
  • the present process was presented in the specific context of equipment maintenance or message control. However, the present method also applies to the control of other elements, such as the detection of anomalies in data exchanged between entities (cyber attacks) or even the detection of anomalies in maritime, land or air transport. .

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

La présente invention concerne un procédé de contrôle d'un élément, le procédé comprenant : - la collection de premières données relatives à des éléments et de deuxièmes données relatives au contrôle des éléments pour former une base d'entraînement, - l'optimisation d'un modèle de prédiction d'une deuxième donnée en fonction de premières données selon une technique d'apprentissage appliquée à la base d'entraînement pour obtenir un modèle de prédiction, la technique d'apprentissage étant mise en œuvre selon une contrainte imposant que le modèle de prédiction obtenu soit différent d'un modèle de référence, le modèle de référence étant le modèle de prédiction obtenu après optimisation selon la même technique d'apprentissage appliquée à la même base d'entraînement, - l'exploitation du modèle de prédiction comportant : - la fourniture de premières données relatives à un élément, - la prédiction, par le modèle de prédiction obtenu, d'une deuxième donnée.

Description

DESCRIPTION
TITRE : Procédé de contrôle d’un élément
La présente invention concerne un procédé de contrôle d’un élément. La présente invention se rapporte aussi à un produit programme d’ordinateur associé.
Dans le domaine de l’avionique, le bon fonctionnement des équipements faisant partie d’un aéronef permet d’assurer la sécurité de l’aéronef.
Comme chaque équipement est susceptible de tomber en panne, il est souhaitable d’instaurer une maintenance de tels équipements avant la survenue d’une panne. Pour cela, des opérateurs effectuent des contrôles à intervalles de temps réguliers sur les équipements afin de procéder à une maintenance des équipements avant la survenue d’une panne.
Néanmoins, de tels contrôles ne sont pas optimaux puisque les opérateurs sont mobilisés même lorsqu’aucune maintenance de l’équipement n’est requise.
Il existe donc un besoin pour un procédé de contrôle d’un élément, tel qu’un équipement, qui permette de mieux contrôler l’élément tout en optimisant les contrôles effectués sur l’élément.
Pour cela, la présente description porte sur un procédé de contrôle d’un élément, le procédé comprenant :
- une phase de collection d’un ensemble de premières données relatives à des éléments et d’un ensemble de deuxièmes données relatives au contrôle des éléments pour former une base d’entraînement, chaque deuxième donnée étant associée à au moins une première donnée, la phase de collection étant mise en oeuvre par ordinateur,
- une phase d’optimisation d’un modèle de prédiction d’au moins une deuxième donnée en fonction de premières données selon une technique d’apprentissage appliquée à la base d’entraînement pour obtenir un modèle de prédiction, la technique d’apprentissage étant mise en oeuvre selon une contrainte imposant que le modèle de prédiction obtenu soit différent d’un modèle de référence, le modèle de référence étant le modèle de prédiction obtenu après optimisation selon la même technique d’apprentissage appliquée à la même base d’entraînement, la phase d’optimisation étant mise en oeuvre par ordinateur, - une phase d’exploitation du modèle de prédiction, la phase d’exploitation étant mise en oeuvre par ordinateur et comportant :
- une étape de fourniture de premières données relatives à un élément à contrôler,
- une étape de prédiction, par le modèle de prédiction obtenu, d’au moins une deuxième donnée relative au contrôle de l’élément,
- une phase de mise en oeuvre d’une action sur l’élément en fonction de la deuxième donnée prédite.
Suivant des modes de réalisation particuliers, le procédé de contrôle comprend une ou plusieurs des caractéristiques suivantes, prise(s) isolément ou suivant toutes les combinaisons techniquement possibles :
- la base d’entraînement comprend un sous-ensemble de premières données, dites données à protéger, la contrainte imposant également que l’image de chaque deuxième donnée obtenue par un modèle inverse du modèle de prédiction soit différente des données à protéger ;
- la phase d’optimisation comprend une étape d’affectation d’une pondération pénalisante à chaque donnée à protéger de la base d’entraînement, la contrainte imposant également que chaque donnée à protéger soit affectée de la pondération pénalisante correspondante ;
- le modèle de prédiction obtenu comprend des entrées et au moins une sortie, la contrainte imposant également que la technique d’apprentissage appliquée à la ou aux sortie(s) du modèle de prédiction obtenu conduise à un modèle adverse tel que l’image des deuxièmes données par le modèle adverse ne comporte pas de premières données à protéger ;
- le ou chaque modèle est un réseau de neurones ;
- il est défini un niveau de sécurité du modèle de prédiction obtenu, la phase d’exploitation comprenant :
- une étape de réception d’un niveau de sécurité relatif à un utilisateur, et
- une étape de transmission de la deuxième donnée prédite à l’utilisateur lorsque le niveau de sécurité reçu est supérieur ou égal au niveau de sécurité du modèle de prédiction obtenu ;
- au moins une première donnée est issue de mesures effectuées par au moins un capteur ;
- chaque élément est un équipement, au moins une première donnée collectée étant relative à l’environnement des équipements, à l’origine des équipements, à l’historique des équipements ou aux dysfonctionnements observés sur les équipements, au moins une deuxième donnée collectée étant relative à une action de maintenance sur des équipements ou à une panne détectée sur des équipements ;
- chaque élément est un message en provenance d’une entité, au moins une première donnée étant relative à une caractéristique de l’entité, au moins une deuxième donnée étant relative à une anomalie relative à l’entité ou au message.
La présente description se rapporte également à un produit programme d’ordinateur comportant un support lisible d’informations, sur lequel est mémorisé un programme d’ordinateur comprenant des instructions de programme, le programme d’ordinateur étant chargeable sur une unité de traitement de données et adapté pour entraîner la mise en oeuvre d’un procédé tel que précédemment décrit lorsque le programme d’ordinateur est mis en oeuvre sur l’unité de traitement des données.
La présente description concerne aussi un support lisible d’informations sur lequel est mémorisé un produit programme d’ordinateur tel que précédemment décrit.
D’autres caractéristiques et avantages de l’invention apparaîtront à la lecture de la description qui suit de modes de réalisation de l’invention, donnés à titre d’exemple uniquement et en référence aux dessins qui sont :
[Fig 1] une vue schématique d’un exemple d’ordinateur permettant la mise en oeuvre d’un procédé de contrôle d’un élément, et
[Fig 2] un organigramme d’un exemple de mise en oeuvre d’un procédé de contrôle d’un élément.
Un calculateur 10 et un produit programme d’ordinateur 12 sont illustrés par la figure 1.
Le calculateur 10, est de préférence, un ordinateur.
Plus généralement, le calculateur 10 est un calculateur électronique propre à manipuler et/ou transformer des données représentées comme des quantités électroniques ou physiques dans des registres de calculateur 10 et/ou des mémoires en d’autres données similaires correspondant à des données physiques dans des mémoires, des registres ou d’autres types de dispositifs d’affichage, de transmission ou de mémorisation.
Le calculateur 10 est en interaction avec le produit programme d’ordinateur 12.
Comme illustré par la figure 1 , le calculateur 10 comporte un processeur 14 comprenant une unité de traitement de données 16, des mémoires 18 et un lecteur 20 de support d’informations. Dans l’exemple illustré par la figure 1 , le calculateur 10 comprend un clavier 22 et une unité d’affichage 24.
Le produit programme d’ordinateur 12 comporte un support d’informations 26. Le support d’information 26 est un support lisible par le calculateur 10, usuellement par l’unité de traitement de données 16. Le support lisible d’informations 26 est un médium adapté à mémoriser des instructions électroniques et capable d’être couplé à un bus d’un système informatique.
A titre d’exemple, le support d’informations 26 est une disquette ou disque souple (de la dénomination anglaise « Floppy dise »), un disque optique, un CD-ROM, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, une mémoire EPROM, une mémoire EEPROM, une carte magnétique ou une carte optique.
Sur le support d’informations 26 est mémorisé le programme d’ordinateur 12 comprenant des instructions de programme.
Le programme d’ordinateur 12 est chargeable sur l’unité de traitement de données 16 et est adapté pour entraîner la mise en oeuvre d’un procédé de contrôle d’un élément lorsque le programme d’ordinateur 12 est mis en oeuvre sur l’unité de traitement 16 du calculateur 10.
Le fonctionnement du calculateur 10 en interaction avec le produit programme d’ordinateur 12 va maintenant être décrit en référence à la figure 2, qui illustre schématiquement un exemple de mise en oeuvre d’un procédé de contrôle d’un élément.
L’élément est, par exemple, un équipement, tel qu’un équipement d’un aéronef. Dans ce cas, un tel équipement est, par exemple, un ventilateur, un moteur ou des ailes de l’aéronef. L’équipement comprend, par exemple, des pièces. Il est entendu par le terme « pièces », les différents composants de l’équipement.
Dans un autre exemple, l’élément est un message en provenance d’une entité, par exemple, un message AIS (de l’anglais Automatic Identification System, traduit en français par Système d’identification automatique) en provenance d’un navire.
Le procédé de contrôle comprend une phase 100 de collection d’un ensemble de premières données relatives à des éléments et d’un ensemble de deuxièmes données relatives au contrôle des éléments pour former une base d’entraînement. Chaque deuxième donnée de la base d’entraînement est associée à au moins une première donnée. La phase de collection 100 est mise en oeuvre par le calculateur 10 en interaction avec le produit programme d’ordinateur 12, c’est-à-dire est mise en oeuvre par ordinateur.
Par exemple, les données sont collectées par une première entité (telle qu’un calculateur ou une personne physique) et sont envoyées à une deuxième entité comprenant le calculateur 10 et le produit programme d’ordinateur 12 en vue d’être traité par la deuxième entité. La deuxième entité comprend alors avantageusement une unité de réception des données collectées. Avantageusement, au moins une première donnée est issue de mesures effectuées par au moins un capteur.
La base d’entraînement obtenue est, par exemple, mémorisée dans une mémoire 18 du calculateur 10.
La base d’entraînement comprend un sous-ensemble de premières données, dites données à protéger. Les données à protéger sont, par exemple, déterminées en fonction d’un niveau de sécurité souhaité pour les données de la base d’entraînement. Optionnellement, les données à protéger comprennent, également, des deuxièmes données de la base d’entraînement. Les données à protéger sont aussi appelées attributs.
L’homme du métier comprendra que les premières et deuxièmes données collectées de la base d’entraînement sont des valeurs. Ainsi, il est collecté plusieurs valeurs pour un premier type de premières données de la base d’entraînement, plusieurs autres valeurs pour un deuxième type de premières données de la base d’entraînement, etc. De même, il est collecté plusieurs valeurs pour un premier type de deuxièmes données de la base d’entraînement, et éventuellement plusieurs autres valeurs pour un deuxième type de deuxièmes données de la base d’entraînement, etc.
Par exemple, lorsque chaque élément est un équipement, les premières données sont relatives à des équipements et les deuxièmes données sont relatives à la maintenance des équipements. Les données relatives à la maintenance couvrent, avantageusement, les données relatives à la réparation des équipements.
Plus précisément, dans cet exemple, les premières données collectées sont des données relatives à l’environnement des équipements, à l’origine des équipements, à l'historique des équipements et/ou aux dysfonctionnements observés sur les équipements.
Les données relatives à l’environnement des équipements sont, par exemple, les températures ou les pressions de l’atmosphère auxquelles les équipements ont été soumis.
Les données portant sur l’origine des équipements sont, par exemple, le fabricant des équipements ou l’avion dans lequel l’équipement a été installé.
L’historique des équipements peut comporter des données relatives à la durée d’exploitation des équipements ou au nombre de maintenances effectuées sur les équipements.
Les données de dysfonctionnements observés sur les équipements comportent à titre d’illustration l’ensemble des mesures anormales obtenues lors des tests des équipements. Par l’expression « dysfonctionnement », il est entendu une panne, une absence de fonctionnement ou encore un fonctionnement non conforme au fonctionnement attendu de l’équipement.
De préférence, dans cet exemple, au moins un ensemble de premières et deuxièmes données collectées sont relatives à un équipement de même nature que l’équipement à surveiller.
Avantageusement, dans l’exemple des équipements, au moins une première donnée est choisie dans le groupe constitué de :
- le modèle de l’équipement,
- le fournisseur d’au moins une pièce de l’équipement, dite première pièce,
- la date de mise en place d’au moins la première pièce de l’équipement,
- une probabilité d’occurrence d’un dysfonctionnement d’au moins la première pièce de l’équipement,
- la cause d’un dysfonctionnement d’au moins la première pièce de l’équipement, Avantageusement, dans cet exemple, au moins une première donnée est issue de mesures effectuées par au moins un capteur, que ce soient des mesures de l’environnement de l’équipement 36 ou des mesures sur l’équipement lui-même. Les mesures sur l’équipement à surveiller lui-même sont, par exemples, des mesures relatives à la résistance mécanique de l’équipement ou à des valeurs électriques de référence de l’équipement.
De manière générique, dans l’exemple des équipements, les deuxièmes données collectées sont des données relatives à des actions de maintenance sur des équipements ou à des pannes détectées sur des équipements.
Avantageusement, dans l’exemple des équipements, la ou chaque deuxième donnée est choisie dans le groupe constitué de :
- la durée restante avant la mise en oeuvre d’une action de maintenance sur au moins une pièce de l’équipement,
- la ou les actions de maintenance (ou actions correctrices) à mettre en oeuvre sur l’équipement ou sur au moins une pièce de l’équipement,
- la probabilité de succès de ou des actions de maintenance ou correctrices en cas de dysfonctionnement de l’équipement ou d’au moins une pièce de l’équipement. Par exemple, pour un équipement d’aéronef, les données à protéger sont le ou les fournisseurs des pièces de l’équipement ou encore la probabilité d’occurrence d’un dysfonctionnement des pièces de l’équipement.
Dans un autre exemple, lorsque chaque élément est un message en provenance d’une entité, au moins une première donnée est relative à une caractéristique de l’entité et au moins une deuxième donnée est relative à une anomalie relative à l’entité ou au message.
Plus précisément, dans le domaine naval, lorsque le message est un message AIS, au moins une première donnée est choisie dans le groupe constitué de :
- la vitesse du navire,
- le cap du navire,
- la latitude du navire,
- la longitude du navire,
- le type du navire (cargo, navire pétrolier, etc),
- le statut de navigation du navire (en marche, amarré, etc),
- les données temporelles du message, telles que la date et l’heure de délivrance du message AIS, et
- des données relatives à la nature du message AIS telles que la destination du message AIS.
Les données à protéger sont, par exemple, les données relatives à la nature du message AIS.
Le procédé de contrôle comprend une phase 1 10 d’optimisation d’un modèle de prédiction d’au moins une deuxième donnée en fonction de premières données selon une technique d’apprentissage appliquée à la base d’entraînement pour obtenir un modèle de prédiction, aussi appelé modèle de prédiction optimisé. La phase d’optimisation 1 10 est mise en oeuvre par le calculateur 10 en interaction avec le produit programme d’ordinateur 12, c’est-à-dire est mise en oeuvre par ordinateur.
Le modèle de prédiction obtenu est un modèle ayant des entrées (autant d’entrées que de type de premières données) et au moins une sortie (autant de sorties que de type de deuxièmes données).
Pour l’obtention du modèle de prédiction, la technique d’apprentissage est mise en oeuvre selon une contrainte imposant que le modèle de prédiction obtenu soit différent d’un modèle de référence. Le modèle de référence est le modèle de prédiction obtenu après optimisation selon la même technique d’apprentissage appliquée à la même base d’entraînement mais sans la contrainte imposée pour l’obtention du modèle de prédiction.
Avantageusement, la contrainte impose également que l’image de chaque deuxième donnée obtenue par un modèle inverse du modèle de prédiction soit différente des données à protéger. Ainsi, les sorties du modèle de prédiction obtenues ne permettent pas de remonter aux données à protéger (qui sont des valeurs) de la base d’entraînement ayant servi à obtenir le modèle de prédiction. Le modèle de prédiction obtenu est alors affecté d’un niveau de sécurité. Le niveau de sécurité dépend notamment des données à protéger prises en compte lors de l’optimisation du modèle de prédiction.
Avantageusement, la technique d’apprentissage a pour point de départ un réseau de neurones défini par une architecture et un paramétrage.
Dans un exemple de mise en oeuvre, la phase d’optimisation 1 10 consiste à modifier le paramétrage du réseau de neurones de sorte que le paramétrage ne dépende pas des données à protéger de la base d’apprentissage.
Dans un autre exemple de mise en oeuvre, la phase d’optimisation 1 10 comprend une étape d’affectation d’une pondération pénalisante à chaque donnée à protéger de la base d’entraînement. La contrainte impose alors, également, que chaque donnée à protéger soit affectée de la pondération pénalisante correspondante. Ainsi, les données à protéger de la base d’entraînement seront moins utilisées lors de l’optimisation que les données non affectées d’une pondération pénalisante. Par exemple, lorsque le point de départ de la phase d’optimisation 1 10 est un réseau de neurones défini par une architecture et un paramétrage, du fait de la pondération pénalisante, l’utilisation de valeurs de la base d’entraînement directement ou indirectement liées aux données à protéger est pénalisée dans le paramétrage du réseau de neurones. En variante ou en complément, l’affectation d’une pondération pénalisante est mise en oeuvre au moyen d’un algorithme de type « forêt aléatoire » (en anglais random forest).
Dans encore un autre exemple de mise en oeuvre, la contrainte impose également que la technique d’apprentissage appliquée à la ou aux sortie(s) du modèle de prédiction obtenu conduise à un modèle adverse tel que l’image des deuxièmes données par le modèle adverse ne comporte pas de premières données à protéger. Dans ce cas, par exemple, la phase d’optimisation 1 10 comprend une étape d’optimisation du modèle de prédiction pour cacher, dans la ou chaque sortie du modèle de prédiction, les données à protéger de la base d’entraînement. La phase d’optimisation 1 10 comprend, aussi, une étape d’entraînement du modèle adverse pour retrouver, à partir des sorties du modèle de de prédiction, les données à protéger de la base d’entraînement. Le modèle de prédiction obtenu est le modèle de prédiction optimisé de sorte que le modèle adverse ne retrouve plus, à partir des sorties du modèle de prédiction, les données à protéger de la base d’entraînement.
Le procédé de contrôle comprend une phase 120 d’exploitation du modèle de prédiction optimisé. La phase d’exploitation 120 est mise en oeuvre par le calculateur 10 en interaction avec le produit programme d’ordinateur 12, c’est-à-dire est mise en oeuvre par ordinateur. La phase d’exploitation 120 comprend une étape de fourniture de premières données relatives à un élément à contrôler.
La phase d’exploitation 120 comprend une étape de prédiction par le modèle de prédiction obtenu d’au moins une deuxième donnée relative au contrôle de l’élément.
Dans l’exemple des équipements, les premières données fournies sont des données relatives à la nature de l’équipement et aux différentes pièces de l’équipement, telles que la date de mise en place des pièces. La deuxième donnée prédite est, par exemple, la probabilité d’occurrence d’un dysfonctionnement d’une ou de pièces de l’équipement, ce qui permet de déterminer des actions de maintenance à mettre en oeuvre.
Optionnellement, la phase d’exploitation 120 comprend une étape de réception d’un niveau de sécurité relatif à un utilisateur et une étape de transmission de la deuxième donnée prédite à l’utilisateur lorsque le niveau de sécurité reçu est supérieur ou égal au niveau de sécurité du modèle de prédiction obtenu. Le niveau de sécurité de l’utilisateur est fixé en fonction de données dont l’accès est non autorisé pour l’utilisateur. Le modèle de prédiction obtenu ayant été optimisé pour protéger des données à protéger, l’utilisateur a accès aux sorties du modèle de prédiction seulement si les données non autorisées pour l’utilisateur sont inclues dans les données à protéger. Si des données non autorisées pour l’utilisateur ne sont pas inclues dans les données à protéger, cela signifie que l’utilisateur pourrait via les sorties du modèle de prédiction remonter à de telles données, c’est pourquoi les sorties du modèle de prédiction ne sont pas fournies à un tel utilisateur.
Le procédé de contrôle comprend une phase 130 de mise en oeuvre d’une action sur l’élément en fonction de la deuxième donnée prédite.
Dans l’exemple des équipements, lorsque la deuxième donnée indique qu’une action de maintenance est à effectuer sur l’équipement, tel que le remplacement d’une pièce de l’équipement, un utilisateur effectue une telle action de maintenance.
Avantageusement, le procédé comprend une étape d’envoi de la deuxième donnée prédite à une troisième entité, par exemple, en vue de sa mémorisation ou d’une analyse ultérieure par la troisième entité. Pour cela, la deuxième entité comprend avantageusement une unité d’émission de données. La première et la troisième entité sont, par exemple, identiques.
Ainsi, le procédé décrit constitue un outil d’aide à la décision pour optimiser le contrôle d’un élément. Dans l’exemple de la maintenance d’un équipement à surveiller, un tel procédé permet d’éviter les pannes de l’équipement tout en optimisant les contrôles effectués par les opérateurs sur l’équipement. Un tel procédé est donc particulièrement utile dans le cadre de la maintenance prédictive d’équipements à surveiller. Dans l’exemple des messages à contrôler, un tel procédé permet de détecter des anomalies dans les messages.
En outre, un tel procédé permet d’empêcher de retrouver, à partir des sorties du modèle de prédiction optimisé, certaines données (données à protéger) de la base d’entraînement utilisées pour obtenir le modèle de prédiction. Cela est particulièrement utile dans le cas d’un partage de données entre plusieurs utilisateurs ne disposant pas du même niveau de sécurité (par exemple, des clients ou des fournisseurs) ou dans le cas de données classifiées multi-niveaux. Le procédé permet, en outre, de minimiser ou cacher les interactions entre les données à protéger et les données non protégées de la base d’entraînement, ce qui permet d’améliorer la fiabilité du modèle de prédiction.
En particulier, le modèle de prédiction est optimisé pour qu’un changement des données à protéger de la base d’entraînement n’influence pas les sorties du modèle de prédiction, que les erreurs du modèle de prédiction optimisé soient les mêmes selon les valeurs des données à protéger de la base d’entraînement et/ou que le modèle de prédiction optimisé génère des sorties similaires pour deux utilisateurs ayant le même niveau de sécurité.
Le procédé décrit permet donc d’assurer la pertinence des sorties du modèle de prédiction obtenu tout en protégeant les valeurs des données à protéger de la base d’entraînement.
Le présent procédé a été présenté dans le cadre spécifique de la maintenance d’équipements ou le contrôle de messages. Toutefois, le présent procédé s’applique également pour le contrôle d’autres éléments, tel que la détection d’anomalies dans des données échangées entre des entités (attaques cyber) ou encore la détection d’anomalies dans le transport maritime, terrestre ou aérien.
L’homme du métier comprendra que les modes de réalisation précédemment décrits peuvent être combinés pour former de nouveaux modes de réalisation pourvu qu’ils soient compatibles techniquement.

Claims

REVENDICATIONS
1. Procédé de contrôle d’un élément, le procédé comprenant :
- une phase de collection d’un ensemble de premières données relatives à des éléments et d’un ensemble de deuxièmes données relatives au contrôle des éléments pour former une base d’entraînement, chaque deuxième donnée étant associée à au moins une première donnée, la phase de collection étant mise en oeuvre par ordinateur,
- une phase d’optimisation d’un modèle de prédiction d’au moins une deuxième donnée en fonction de premières données selon une technique d’apprentissage appliquée à la base d’entraînement pour obtenir un modèle de prédiction, la technique d’apprentissage étant mise en oeuvre selon une contrainte imposant que le modèle de prédiction obtenu soit différent d’un modèle de référence, le modèle de référence étant le modèle de prédiction obtenu après optimisation selon la même technique d’apprentissage appliquée à la même base d’entraînement, la phase d’optimisation étant mise en oeuvre par ordinateur,
- une phase d’exploitation du modèle de prédiction, la phase d’exploitation étant mise en oeuvre par ordinateur et comportant :
- une étape de fourniture de premières données relatives à un élément à contrôler,
- une étape de prédiction, par le modèle de prédiction obtenu, d’au moins une deuxième donnée relative au contrôle de l’élément,
- une phase de mise en oeuvre d’une action sur l’élément en fonction de la deuxième donnée prédite.
2. Procédé selon la revendication 1 , dans lequel la base d’entraînement comprend un sous-ensemble de premières données, dites données à protéger, la contrainte imposant également que l’image de chaque deuxième donnée obtenue par un modèle inverse du modèle de prédiction soit différente des données à protéger.
3. Procédé selon la revendication 2, dans lequel la phase d’optimisation comprend une étape d’affectation d’une pondération pénalisante à chaque donnée à protéger de la base d’entraînement, la contrainte imposant également que chaque donnée à protéger soit affectée de la pondération pénalisante correspondante.
4. Procédé selon la revendication 2, dans lequel le modèle de prédiction obtenu comprend des entrées et au moins une sortie, la contrainte imposant également que la technique d’apprentissage appliquée à la ou aux sortie(s) du modèle de prédiction obtenu conduise à un modèle adverse tel que l’image des deuxièmes données par le modèle adverse ne comporte pas de premières données à protéger.
5. Procédé selon l’une quelconque des revendications 1 à 4, dans lequel le ou chaque modèle est un réseau de neurones.
6. Procédé selon l’une quelconque des revendications 1 à 5, dans lequel il est défini un niveau de sécurité du modèle de prédiction obtenu, la phase d’exploitation comprenant :
- une étape de réception d’un niveau de sécurité relatif à un utilisateur, et
- une étape de transmission de la deuxième donnée prédite à l’utilisateur lorsque le niveau de sécurité reçu est supérieur ou égal au niveau de sécurité du modèle de prédiction obtenu.
7. Procédé selon l’une quelconque des revendications 1 à 6, dans lequel au moins une première donnée est issue de mesures effectuées par au moins un capteur.
8. Procédé selon l’une quelconque des revendications 1 à 7, dans lequel chaque élément est un équipement, au moins une première donnée collectée étant relative à l’environnement des équipements, à l’origine des équipements, à l’historique des équipements ou aux dysfonctionnements observés sur les équipements, au moins une deuxième donnée collectée étant relative à une action de maintenance sur des équipements ou à une panne détectée sur des équipements.
9. Procédé selon l’une quelconque des revendications 1 à 8, dans lequel chaque élément est un message en provenance d’une entité, au moins une première donnée étant relative à une caractéristique de l’entité, au moins une deuxième donnée étant relative à une anomalie relative à l’entité ou au message.
10. Produit programme d’ordinateur comportant un support lisible d’informations, sur lequel est mémorisé un programme d’ordinateur comprenant des instructions de programme, le programme d’ordinateur étant chargeable sur une unité de traitement de données et adapté pour entraîner la mise en oeuvre d’un procédé selon l’une quelconque des revendications 1 à 9 lorsque le programme d’ordinateur est mis en oeuvre sur l’unité de traitement des données.
EP19824328.9A 2018-12-21 2019-12-19 Procédé de contrôle d'un élément Pending EP3899810A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1873748A FR3090583B1 (fr) 2018-12-21 2018-12-21 Procédé de contrôle d’un élément
PCT/EP2019/086374 WO2020127781A1 (fr) 2018-12-21 2019-12-19 Procédé de contrôle d'un élément

Publications (1)

Publication Number Publication Date
EP3899810A1 true EP3899810A1 (fr) 2021-10-27

Family

ID=67441188

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19824328.9A Pending EP3899810A1 (fr) 2018-12-21 2019-12-19 Procédé de contrôle d'un élément

Country Status (3)

Country Link
EP (1) EP3899810A1 (fr)
FR (1) FR3090583B1 (fr)
WO (1) WO2020127781A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3126798B1 (fr) * 2021-09-07 2024-06-14 Thales Sa Procédé d’estimation d’une empreinte environnementale pour un vol d’un aéronef et système électronique d’estimation associé

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Methodology for Cognitive Security Applied to Automated Agent Capability ED - Darl Kuhn", IP.COM, IP.COM INC., WEST HENRIETTA, NY, US, 21 December 2016 (2016-12-21), XP013173761, ISSN: 1533-0001 *

Also Published As

Publication number Publication date
FR3090583A1 (fr) 2020-06-26
WO2020127781A1 (fr) 2020-06-25
FR3090583B1 (fr) 2021-04-09

Similar Documents

Publication Publication Date Title
Stutz et al. Enhancing security in cloud computing using artificial intelligence (AI)
EP2153329B1 (fr) Procédé et dispositif de gestion, de traitement et de contrôle de paramètres utilisés à bord d'aéronefs
EP3350660B1 (fr) Système et procédé d'aide à la decision pour la maintenance d'une machine avec apprentissage d'un modèle de décision supervisé par avis d'experts
EP0699997A1 (fr) Procédé et dispositif pour l'identification de pannes dans un système complexe
CA2888716A1 (fr) Systeme de surveillance d'un ensemble de composants d'un equipement
US10990669B2 (en) Vehicle intrusion detection system training data generation
US20240048585A1 (en) Methods and systems to assess cyber-physical risk
FR3035232A1 (fr) Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe
CN118312950A (zh) 一种基于大型语言模型的数据泄露预防方法和系统
EP3899810A1 (fr) Procédé de contrôle d'un élément
CN118133197A (zh) 异常行为检测方法、装置、设备、介质和程序产品
FR3094506A1 (fr) Système embarqué à bord d'un aéronef de détection et de réponse aux incidents avec enregistrement de logs
Ghorbanian et al. Signature-based hybrid Intrusion detection system (HIDS) for android devices
EP3721307A1 (fr) Méthode de prédiction d'une anomalie de fonctionnement d'un ou plusieurs équipements d'un ensemble
CN119172125B (zh) 一种基于威胁情报的社工钓鱼邮件检测系统及方法
FR3088909A1 (fr) Procédé et système de sécurisation d’un aéronef contre les cyberattaques
EP4042007B1 (fr) Dispositif, procédé et programme d'ordinateur de suivi de moteur d'aéronef
CN119167358A (zh) 一种基于大数据模型的有效网络安全事件监测方法及其系统
Gorda On the Use of Artificial Intelligence in Cybersecurity Incident Investigations
CN115643082A (zh) 一种失陷主机的确定方法、装置及计算机设备
Bense Prognosis and health monitoring systems for aircraft engines
EP3803630A1 (fr) Procédé de contrôle des dysfonctionnements d'un équipement et dispositifs associés
FR3149111A1 (fr) Procede pour tester un modele d’apprentissage machine a partir d’une analyse d’une valeur de contribution d’un descripteur a la prediction
AU2022432100A1 (en) Organization segmentation for anomaly detection
FR3023040A1 (fr) Systeme de cyberdefence d'un systeme d'information, programme d'ordinateur et procede associes

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20210621

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20230522

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240820