FR2855634A1 - Procede d'apprentissage automatique de chroniques frequentes dans un journal d'alarmes pour la supervision de systemes dynamiques - Google Patents
Procede d'apprentissage automatique de chroniques frequentes dans un journal d'alarmes pour la supervision de systemes dynamiques Download PDFInfo
- Publication number
- FR2855634A1 FR2855634A1 FR0350181A FR0350181A FR2855634A1 FR 2855634 A1 FR2855634 A1 FR 2855634A1 FR 0350181 A FR0350181 A FR 0350181A FR 0350181 A FR0350181 A FR 0350181A FR 2855634 A1 FR2855634 A1 FR 2855634A1
- Authority
- FR
- France
- Prior art keywords
- alarm
- sequences
- log
- alarms
- chronicles
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
- H04L41/0613—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time based on the type or category of the network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
- H04L41/065—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving logical or physical relationship, e.g. grouping and hierarchies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Alarm Systems (AREA)
Abstract
Procédé d'apprentissage automatique de chroniques fréquentes dans un journal d'alarmes issues d'un système dynamique pour la supervision de ce système et système d'apprentissage pour la mise en oeuvre du procédé dans un système de supervision.Selon le procédé, dans un journal J d'alarmes 50, des séquences d'alarmes 51 sont sélectionnées S1 , S2 ,..., Sp puis regroupées 52 en groupes de séquences similaires G1 , G2 ,.., Gr. Les alarmes des groupes servent ensuite à fabriquer 53 les journaux partiels J1 , J2 ,..., J r. Un apprentissage de chroniques fréquentes est alors effectué 54 sur chaque journal partiel Ji transmis et l'ensemble partiel Ei des chroniques fréquentes de Ji est déterminé 55 ; enfin un ensemble E de chroniques du journal J est constitué 56 avec des chroniques des divers ensembles partiels Ei .
Description
PROCEDE D'APPRENTISSAGE AUTOMATIQUE DE CHRONIQUES
FREQUENTES DANS UN JOURNAL D'ALARMES POUR LA
SUPERVISION DE SYSTEMES DYNAMIQUES
DESCRIPTION
DOMAINE TECHNIQUE
La présente invention a pour objet un procédé et un système d'apprentissage automatique de 10 chroniques fréquentes d'un journal d'alarmes d'un système dynamique pour la supervision de ce dernier.
Les systèmes dynamiques concernés par l'invention sont, par exemples, les réseaux de télécommunication, les réseaux informatiques ou toutes 15 autres installations industrielles dont les équipements sont supervisés telles que des centrales nucléaires, des chaînes de montage, des usines automatisées etc. La supervision d'un système dynamique consiste à surveiller son bon fonctionnement, à 20 collecter les informations sur son état ou sur celui des composants du système, à détecter et identifier les dysfonctionnements qui peuvent se produire. Cette supervision est le plus souvent effectuée par un système informatique qui centralise des informations 25 envoyées au cours du temps par des composants du système dynamique. Les informations revues par le système de supervision peuvent être très diverses: par exemple des informations de déroulement de procédures, des messages d'alertes; elles sont souvent liées à des 30 mesures de capteurs physiques.
SP 22843 MS Le système de supervision reçoit des informations sous forme d'alarmes, chaque alarme étant formée d'un évènement d'un type donné, par exemple tel équipement électrique du système dynamique est hors 5 tension (sous forme d'un message codé), associé à sa date d'occurrence (souvent sous forme d'un nombre entier d'unités de temps). Dans le cas d'un réseau de télécommunication des exemples de types d'alarmes sont " perte de signal " ou encore " perte de trame de 10 transmission ", que l'on peut encore regrouper sous le type plus général de " panne de transmission ".
Les alarmes reçues par le système de supervision sont stockées dans un journal d'alarmes qui correspond à une liste des alarmes reçues ordonnée dans 15 le temps suivant les dates d'occurrence entre une date de début et une date de fin du journal.
Un système de supervision peut recevoir un nombre considérable d'alarmes, avec de fortes variations au cours du temps: on peut par exemple 20 passer de plusieurs centaines de messages par secondes à quelques dizaines ou moins. Certaines des alarmes reçues ne sont pas indépendantes mais résultent de " cascades " d'alarmes du fait de l'interdépendance de certains composants du système dynamique supervise.
L'analyse du journal d'alarmes, notamment pour rechercher les véritables causes de dysfonctionnements afin de proposer une réaction appropriée (préventive ou corrective), est une tâche difficile car il faut isoler dans la masse 30 d'informations du journal les groupes pertinents d'alarmes. Une représentation possible pour ces groupes SP 22843 MS d'alarmes utilise des ensembles d'évènements reliés par des contraintes temporelles (sous forme de graphes) : ce sont les chroniques. La connaissance sur l'évolution d'un système dynamique peut être représentée par de 5 telles chroniques car on peut considérer que chaque chronique constitue un scénario possible pour l'évolution du système. Cette connaissance acquise via les chroniques permet donc d'anticiper le comportement du système dynamique et autorise ainsi un meilleur 10 contrôle de celui-ci.
Dans le cas d'un réseau de télécommunication par exemple, les alarmes sont générées automatiquement par les divers équipements du réseau (commutateurs, multiplexeurs, brasseurs,...) et 15 sont transmises à un superviseur central. Le flot d'alarmes contient alors des alarmes dues aux automatismes du réseau, et que l'on peut qualifier de normales, et des alarmes liées à des dysfonctionnements; si une chronique correspond à un 20 dysfonctionnement alors ses alarmes seront analysées pour trouver l'origine de ce dysfonctionnement et y remédier. La plupart des systèmes de supervision et de contrôle ont une architecture en trois modules, 14, 16 et 15, comme illustré sur la Figure 1: un système de 25 supervision 17 est relié à un système dynamique 10, en interaction avec l'extérieur 11, dont des composants sont munis de capteurs 12 et qui peut être commandé par des actionneurs 13; les capteurs 12 envoient des signaux à un module de détection 14 qui génère des 30 alarmes à partir de ces signaux et les transmet à un module de diagnostic 16 qui interprète les alarmes, SP 22843 MS identifie les situations caractéristiques de l'évolution de 10, qui localise les composants de 10 impliqués dans ces situations, qui détermine les causes d'éventuels dysfonctionnements et qui transmet ces 5 informations à un module de décision 15 qui détermine alors les actions à accomplir (pour viser un objectif donné ou pour ramener le système supervisé à une situation normale) sur les composants de 10 et transmet des commandes en conséquence aux actionneurs 13 du 10 système dynamique.
L'apprentissage des chroniques intervient au niveau du module de diagnostic et permet de dégager les informations pertinentes qui sont dispersées dans le journal d'alarmes. L'identification des situations 15 caractéristiques rencontrées au cours de l'évolution du système dynamique, notamment celles liées à des anomalies, et la détection des causes de ces situations à des fins de diagnostic sont basées sur les chroniques découvertes lors de l'apprentissage. Les chroniques 20 peuvent aussi permettre d'anticiper certains comportements du système dynamique.
La découverte des chroniques d'un journal d'alarmes est donc une étape essentielle pour la supervision d'un système dynamique.
Si une alarme est représentée sous la forme d'un couple (A,tA), o A désigne un type d'évènement et tA sa date d'occurrence, alors la contrainte temporelle " de A à B " entre deux alarmes (A,tA) et (B,tB) (ou encore la contrainte " de tA à tB "), représentée par un 30 intervalle de temps [t-,t+] placé entre les évènements A SP 22843 MS et B, signifie que l'on a la relation suivante sur les dates d'occurrence: t < (tB - tA) < t+ , l'absence de contrainte entre deux instants étant représenté par la contrainte [-,+].
Une chronique (ou scénario ou encore motif temporel) du journal d'alarmes est constituée par la donnée de k éléments, k étant la taille de la chronique, c'est-à-dire de k types d'évènements du 10 journal (ou des alarmes associées) et des contraintes temporelles entre les k dates d'occurrence correspondantes. On peut dire qu'une chronique est un ensemble de types d'événements dont les dates d'occurrence sont contraintes, et ces contraintes 15 peuvent se représenter sous la forme d'un graphe temporel.
Un graphe de contraintes temporelles est un graphe orienté dont les sommets sont les dates et dont les arcs sont libellés par les contraintes entre ces 20 dates; par exemple, pour deux dates t1 et t2, l'arc de t1 vers t2 est libellé par la contrainte " de t1 à t2 ".
Il peut exister de nombreux exemples de réalisation d'une chronique C donnée dans le journal d'alarmes, on dit alors qu'il existe plusieurs 25 instances de la chronique C; une instance d'une chronique correspond donc à une liste des alarmes de la chronique(ou des événements associés à ces alarmes), ordonnées dans le temps, extraite du journal.
Un exemple de chronique est illustré sur la 30 Figure 2, cette chronique met en jeu des événements de types a (en 1 ou 4), b (en 2) et c (en 3) avec des SP 22843 MS indications d'intervalles de temps relatifs aux contraintes temporelles (par exemple 5) : un évènement de type a (en 1) se produit à un temps initial, il précède un évènement de type c (en 3) qui se produit 5 entre 2 et 5 unités de temps plus tard, alors un évènement de type b se produit entre 3 et 10 unités de temps plus tard ainsi qu'un autre évènement de type a qui se produit entre 2 et 10 unités de temps plus tard (après l'évènement initial), les évènements ultérieurs 10 de types b et a se produisant respectivement entre 1 et 6 unités de temps et entre 0 et 8 unités de temps après l'évènement de type c (en 3).
Considérons alors, à titre d'exemple et à propos de la chronique de la Figure 2, une liste 15 suivante d'évènements el à e8 dans laquelle, par exemple, l'évènement el correspondant à l'occurrence d'une alarme de type a à une date t = 4 unités de temps est noté el(a,t=4) : el(a,t=4),e2(d, t=5),e3(a,t=6), e4(c,t=8),e5(b,t=10),e6(e,t=ll),e7(a,t=12),e8(b,t=14), liste qui fait apparaître huit alarmes (liées aux huit évènements el à e8) de cinq types différents notés a, b, c, d, et e. On peut, sur cet exemple, reconnaître quatre instances de la chronique de la Figure 2, à savoir {el,e4,e5,e7}, {e3,e4,e5,e7}, {e3,e4,e7,e8} et 25 {el, e4,e7,e8} qui mettent en jeu les trois types d'alarmes a, b et c et vérifient bien les relations entre dates d'occurrence de la chronique.
On appelle fréquence d'une chronique le nombre d'instances de cette chronique dans le journal 30 d'alarmes. Il s'agit donc d'un nombre d'occurrences de la chronique en réalité plutôt qu'une véritable SP 22843 MS fréquence; cependant on obtient trivialement une vraie fréquence (ou taux d'apparition moyen) en divisant ce nombre d'occurrences par la durée du journal d'alarmes, c'est-à-dire la différence entre ses dates de fin et de 5 début, car l'analyse du journal se fait à une date de fin donnée. La taille du journal d'alarmes (ou sa longueur) est le nombre d'alarmes qu'il contient. La taille d'une chronique est le nombre d'évènements dont elle est formée c'est-à-dire la taille de ses 10 instances.
Une chronique est dite fréquente, dans un journal, lorsque sa fréquence dans le journal dépasse une fréquence seuil fmin donnée.
Le processus d'apprentissage de chroniques 15 fréquentes dans un journal d'alarmes correspond à l'exploration et à l'analyse du journal pour découvrir les chroniques dont la fréquence des instances dans le journal dépasse une fréquence seuil donné. Il s'agit en effet d'explorer des séquences d'alarmes à la fois sur 20 le plan des événements et sur le plan des contraintes temporelles entre leurs dates d'occurrence pour trouver les chroniques, mais aussi de reconnaître des chroniques identifiées, à travers leurs instances, au sein du journal (le nombre de fois o une chronique est 25 reconnue dans le journal étant égal à sa fréquence).
ETAT DE LA TECHNIQUE ANTERIEURE
Il existe plusieurs algorithmes [1,2,3,4] 30 capables de construire et de découvrir toutes les chroniques fréquentes présentes dans un journal SP 22843 MS d'alarmes, de nombreuses variantes de ces algorithmes ont été développées, notamment le système FACE [4,6] (acronyme pour " Frequency Analyser for Chronicle Extraction ").
L'apprentissage automatique de chroniques sur un calculateur est cependant très coûteux en temps de calcul et en occupation mémoire, de plus, trop diminuer la fréquence seuil (pour trouver des chroniques plus rares) peut aboutir à un phénomène 10 d'explosion combinatoire qui sature le calculateur. Ce coût important est le reflet de la complexité du processus, cette dernière est principalement liée à deux facteurs: (i) le nombre d'alarmes présentes dans le journal (la taille du journal à traiter) et, (ii) la 15 fréquence seuil fmin, fixée par l'utilisateur, qui fixe la fréquence minimale des chroniques à rechercher dans le journal.
On notera qu'en ce qui concerne la gestion des contraintes temporelles, un graphe de contraintes 20 temporelles peut avoir plusieurs représentations équivalentes (il y a donc autant de représentations équivalentes d'une chronique correspondante) mais qu'il existe une seule représentation minimale (au sens d'une relation d'ordre partiel) ; le calcul de cette dernière 25 représentation, ainsi que la vérification de sa consistance globale, est généralement effectué par un algorithme bien connu de type Floyd-Warshall d'une complexité en O(n3) o n est le nombre d'instants (ou dates) du graphe [5] et est donc lié au nombre 30 d'alarmes.
SP 22843 MS En pratique, l'homme du métier fixe à la fois la taille maximum Lmax des contraintes temporelles, c'est-à-dire la durée maximale entre les dates d'occurrence des alarmes d'une chronique (ou durée de 5 la chronique), et la fréquence seuil fmin pour effectuer dans un temps raisonnable un apprentissage de chroniques sur un journal d'alarmes J donné. Ce " temps raisonnable " ne sera évidemment pas le même si la supervision et le contôle du système dynamique se font 10 en temps réel ou si l'analyse du journal est faite en différé, pour des besoins d'acquisition d'expertise par
exemple.
Le résultat de l'apprentissage est alors l'ensemble E des chroniques du journal E = {C1,...,CM} de 15 fréquences supérieures ou égales à fmin et de durées inférieures ou égales à Lmax comme indiqué sur la Figure 3.
Figure 3 sur laquelle sont indiquées les étapes de l'apprentissage typiques de l'art antérieur: 20 un journal d'alarmes 30 est transmis à un module d'apprentissage de chroniques fréquentes 31, à fréquence seuil fmin et à taille maximum des contraintes temporelles Lmax 30, qui produit alors les chroniques fréquentes de J: Cl,
.,CM en 32. 25 Il arrive souvent que l'homme du métier ne puisse pas diminuer la fréquence seuil fmin (le second facteur de complexité (ii) évoqué plus haut) en dessous d'un niveau relativement élevé à cause des contraintes 30 de temps du processus d'apprentissage, dans ce cas le risque important c'est de laisser passer des chroniques SP 22843 MS rares', de fréquences inférieures à fmin, mais qui peuvent être très importantes pour la bonne supervision d'un système dynamique. De tels cas concernent particulièrement les épiphénomènes. Un épiphénomène 5 étant l'apparition d'un motif dans un journal d'alarmes à un taux élevé mais sur des intervalles de temps courts par rapport à la durée du journal, en moyenne le taux d'apparition du motif est par contre très faible et donc aussi sa fréquence, notamment si on la compare 10 à fmin, un tel cas est illustré sur la Figure 4. L'art antérieur ne permet pas d'apprendre les chroniques associées aux épiphénomènes en diminuant, par exemple d'un facteur dix, la fréquence seuil sans faire croître considérablement les temps de calcul...DTD: Pour tenter de résoudre ce problème de détection des chroniques de basses fréquences, l'homme du métier, jouant sur le premier facteur (i) de complexité, diminue la taille du journal d'alarmes en se basant sur le fait que, statistiquement, la division 20 par un facteur donné de la taille du journal entraîne la division de la fréquence seuil par un facteur du même ordre de grandeur (pour un temps de traitement similaire). Cependant cette technique est très difficile à mettre eu oeuvre et peut présenter des 25 inconvénients sérieux: si des blocs d'alarmes sont supprimées du journal sans précaution, le risque de supprimer des chroniques, y compris de fréquences élevées, est très grand, ce qui dégrade la supervision et n'est guère acceptable; quant aux épiphénomènes, 30 leurs fréquences chuteront statistiquement encore plus vite que la taille du journal, ce qui ne permettra pas SP 22843 MS davantage de les découvrir; si des alarmes sélectionnées sont retirées du journal c'est en général sur la base d'une analyse préalable de ce journal (le plus souvent par des experts), par exemple en éliminant 5 les alarmes de certaines chroniques, dans ce cas le temps total de traitement augmente de manière importante et, en particulier, peut prohiber une supervision en temps réel.
Ces difficultés rencontrées par l'homme du 10 métier illustrent l'importance pratique considérable du facteur temps pour l'apprentissage et il est clair que le besoin existe de pouvoir réduire le temps d'apprentissage des chroniques, même lorsqu'on ne recherche pas d'épiphénomènes, pour la supervision des 15 systèmes dynamiques ou pour l'acquisition de connaissances (d'expertise) sur ces systèmes.
EXPOSE DE L'INVENTION L'invention vise ainsi à améliorer la vitesse de traitement d'une application d'apprentissage de chroniques d'un journal d'alarmes de façon, en particulier, à autoriser une diminution de la fréquence seuil, pour la recherche de chroniques correspondant à 25 des épiphénomènes, tout en conservant des temps de traitement acceptables.
L'invention met en ouvre des techniques d'analyse de données comme celles relevant de la classification de données (ou " clustering " en 30 anglais) c'est-à-dire des méthodes de groupement de données. Il existe de très nombreux algorithmes qui SP 22843 MS calculent de tels agrégats ou groupes ou encores grappes de données (des " clusters " en anglais).
L'invention concerne un procédé d'apprentissage automatique comportant un pré5 traitement du journal d'alarmes, ne présentant pas les inconvénients de l'art antérieur, qui permet de fabriquer des journaux d'alarmes partiels (de tailles réduites), à partir du journal d'alarmes d'origine, sur chacun desquels un apprentissage est ensuite effectué. 10 Ce 'découpage' automatique en journaux partiels doit être 'intelligent', en effet un découpage systématique ou aléatoire du journal d'alarmes en blocs d'alarmes n'améliore rien du point de vue des fréquences si la répartition des motifs est aléatoire: ce genre de 15 découpage ne permet pas de faire un apprentissage en basse fréquence car la fréquence d'un épiphénomène chutera plus vite que la taille du journal.
Le pré-traitement de découpage automatique selon l'invention permet de s'assurer que les journaux 20 partiels seront riches en séquences d'alarmes qui se ressemblent, ou sont similaires, du point de vue des alarmes produites.
En particulier, pour ce qui concerne les épiphénomènes, ce pré-traitement tend à sélectionner 25 les zones du journal d'alarmes correspondant aux pics de taux d'apparition (voir sur la Figure 4, les pics 41,42,43) tout en diminuant la taille du journal à analyser, ce qui permet d'augmenter la fréquence effective d'un épiphénomène dans le nouveau journal et 30 le rend détectable dès que cette dernière fréquence atteint ou dépasse la fréquence seuil, alors qu'avec un SP 22843 MS apprentissage fait directement sur le journal d'origine l'épiphénomène aurait eu une fréquence trop faible: en réduisant la taille, en procédant selon l'invention, on fait passer la fréquence de la chronique rare, 5 correspondant au type de similarité du journal partiel, au dessus du seuil.
Le phénomène essentiel qui est à la base de l'invention c'est que si deux parties, ou séquences d'alarmes, du journal d'alarmes d'origine contiennent 10 des instances de mêmes chroniques alors ces parties doivent être relativement similaires au sens o elles doivent contenir plusieurs éléments en commun et dans un ordre plus ou moins semblable: si chacune de ces parties est décrite par un ensemble de paramètres 15 (constituant une représentation de la partie), associés à divers aspects de son contenu en alarmes, alors la similarité des parties se traduit par la similarité (ou proximité) des ensembles de paramètres, représentatifs de ces parties, dans l'espace des paramètres. Par 20 contre, si ces parties n'ont pas de chroniques en commun, alors le découpage en parties selon l'invention n'apportera rien de plus par rapport à un apprentissage direct: cependant, dans ce cas, l'avantage de l'invention est qu'elle ne permet pas d'apprendre par 25 erreur.
Plus précisémment, dans un mode dit général, l'invention est un procédé d'apprentissage automatique de chroniques fréquentes d'un journal d'alarmes d'un système dynamique, pour la supervision 30 de ce système, les alarmes étant associées à une pluralité d'évènements du système d'une pluralité de SP 22843 MS types, caractérisé en ce qu'il comporte les étapes suivantes: a) de sélection et de regroupement automatiques de séquences d'alarmes du journal 5 d'alarmes de façon à former des groupes de séquences d'alarmes similaires; et b) de génération automatique d'un journal d'alarmes partiel pour chaque groupe de séquences d'alarmes similaires obtenu à l'étape a), à partir des 10 alarmes appartenant aux séquences de ce groupe; et c) d'apprentissage automatique de chroniques fréquentes de chaque journal d'alarmes partiel obtenu à l'étape b) de façon à générer un ensemble partiel de chroniques fréquentes pour chaque 15 journal d'alarmes partiel obtenu à l'étape b), et de fabrication d'un ensemble de chroniques fréquentes du journal d'alarmes à partir des chroniques fréquentes de chacun des ensembles partiels de chroniques fréquentes obtenus.
Il est possible, par exemple, de former l'ensemble de chroniques fréquentes du journal d'alarmes par union ensembliste des chroniques des ensembles partiels de chroniques fréquentes, ce qui 25 présente l'avantage de n'éliminer aucune des chroniques obtenues lors de chaque apprentissage de journal partiel.
D'autres choix sont bien sûr possibles, l'homme du métier peut, par exemple, décider d'éliminer 30 des chroniques dont la fréquence est inférieure à une fréquence donnée (notamment lorsque la fréquence seuil SP 22843 MS n'est pas la même pour l'apprentissage des divers journaux partiels), ou encore d'éliminer des chroniques contenant certains types d'alarmes, etc. Ce mode général est représenté sur la 5 Figure 5: dans un journal J d'alarmes 50, des séquences d'alarmes 51 sont sélectionnées S1, S2,...,Sp puis regroupées 52 en groupes de séquences similaires G1, G2,.., Gr, réalisant ainsi l'étape a) du mode général. Les alarmes des groupes servent ensuite à 10 fabriquer 53 les journaux partiels J1, J2,...,Jr selon l'étape b) du mode général. Puis, conformément à l'étape c) du mode général, un apprentissage de chroniques fréquentes 54 est effectué sur chaque journal partiel Ji transmis et l'ensemble partiel Ei des 15 chroniques fréquentes de Ji est déterminé 55; enfin un ensemble E de chroniques de journal J est constitué 56 à partir des chroniques des divers ensembles partiels Ei La comparaison avec la Figure 3 fait 20 clairement ressortir les différences de l'apprentissage de chroniques selon l'art antérieur et selon l'invention: l'apprentissage direct du journal J, en 30 et 31, pour obtenir la totalité des chroniques fréquentes en 32, est remplacé par un séquençage de J, 25 en 51, suivi d'un regroupement de séquences similaires, en 52, permettant de fabriquer des journaux partiels 53 sur lesquels sont effectués autant d'apprentissages 'partiels', en 54 et 55, pour ensuite déterminer les chroniques fréquentes du journal J d'origine à partir 30 des chroniques des journaux partiels 56. Le regroupement automatique de séquences similaires est un SP 22843 MS point essentiel de l'invention car c'est lui qui permet d'obtenir des journaux partiels potentiellement riches en chroniques fréquentes.
L'invention concerne aussi un dispositif pour la mise en oeuvre du nouveau procédé décrit plus haut, c'est-à-dire un système d'apprentissage automatique de chroniques fréquentes d'un journal d'alarmes d'un système dynamique, pour la supervision 10 de ce système, comportant des moyens d'acquisition d'alarmes du système dynamique et de génération d'un journal d'alarmes à partir des alarmes acquises, chaque alarme étant associée à un évènement du système dynamique parmi une pluralité d'évènements d'une 15 pluralité de types et à une date d'occurrence, des moyens de transmission du journal d'alarmes ainsi que des moyens d'apprentissage de chroniques aptes à mettre en oeuvre une méthode d'apprentissage automatique de chroniques d'un journal d'alarmes, de fréquences 20 supérieures ou égales à un seuil de fréquence minimum f0 réglable et de durée maximum T réglable, et aptes à transmettre les chroniques obtenues, caractérisé en ce qu'il comporte en outre: - un module de sélection et de regroupement 25 de séquences d'alarmes apte à recevoir un journal d'alarmes et apte à sélectionner et à regrouper des séquences d'alarmes du journal d'alarmes, et apte à former un groupe de séquences d'alarmes similaires et à transmettre ce groupe; - un module de fabrication d'un journal d'alarmes partiel à partir des alarmes d'un groupe de SP 22843 MS séquences d'alarmes similaires reçu du module de sélection et de regroupement de séquences d'alarmes du journal d'alarmes, le module étant apte à transmettre le journal d'alarmes partiel obtenu aux moyens d'apprentissage de chroniques; - un module de fabrication d'un ensemble de chroniques fréquentes du journal d'alarmes, à partir des chroniques transmises par les moyens d'apprentissage de chroniques, le module étant apte à 10 transmettre les chroniques de l'ensemble de chroniques fréquentes.
Ce système d'apprentissage selon l'invention est illustré sur la Figure 6: le système 15 d'apprentissage 66 est ici représenté en liaison avec le module de diagnostic 16 d'un système de supervision 17 d'un système dynamique 10. Des alarmes 60 sont transmises à des moyens 61 d'acquisition d'alarmes et de génération d'un journal d'alarmes J. Le journal J 20 est transmis à un module M2 de sélection et de regroupement de séquences d'alarmes 62. Le module sélectionne des séquences Si, S2,..., Sp (en nombre p variable) et forme des groupes de séquences similaires G1, G2, .., Gr (en nombre r variable); il transmet chaque groupe Gk,pour k variant de 1 à r, à un module M3 de fabrication d'un journal d'alarmes partiel 63.
Chaque journal partiel Jk, pour 1 < k < r, est généré à partir des alarmes des séquences du groupe Gk correspondant. Le module M3 transmet chaque journal 30 partiel Jk aux moyens M4 d'apprentissage de chroniques fréquentes 64, de fréquence minimum f0 et de durée SP 22843 MS maximum T réglables, qui produisent alors un ensemble partiel Ek de chroniques fréquentes de Jk contenant un nombre M(k), variable suivant l'indice k, de chroniques désignées par C1(k) ,...,CM(k) . Enfin, un module M5 de 5 fabrication d'un ensemble de chroniques 65, génère un ensemble E de chroniques de J à partir des chroniques de tous les ensembles partiels Ek transmis par le module M4. Le module M5 transmet alors les chroniques C1,.
,CM de E pour leur exploitation par le système de 10 supervision. L'homme du métier notera que, dans les systèmes d'apprentissage des systèmes de supervision de l'art antérieur, les modules M2, M3 sont absents et que le module Ml transmet directement le journal J au moyens d'apprentissage M4 qui fabriquent directement 15 l'ensemble E (le module M5 est donc aussi absent)...DTD: BREVE DESCRIPTION DES DESSINS
Les caractéristiques et avantages de l'invention 20 exposée ci-dessus, ainsi que d'autres qui ressortiront de la description suivante de modes particuliers de réalisation, donnés à titre d'exemples, apparaissent davantage en se référant aux dessins annexés, sur lesquels: - la Figure 1 est un schéma logique d'un système de supervision d'un système dynamique comme indiqué cidessus.
- la Figure 2 représente un exemple de chronique mettant en jeu des évènements de trois types a,b et c.
SP 22843 MS la Figure 3 est un schéma-bloc montrant l'apprentissage de chroniques fréquentes de l'art antérieur.
- la Figure 4 représente une courbe du taux 5 d'apparition o (en ordonnée) d'un motif, en fontion du temps t (en abscisse), typique d'un épiphénomène. Des pics caractéristiques 41, 42 et 43 sont indiqués.
- la Figure 5 est un schéma-bloc montrant l'apprentissage de chroniques fréquentes selon 10 l'invention dans son mode général.
- la Figure 6 est un schéma-bloc montrant un système d'apprentissage selon l'invention, dans un système de supervision d'un système dynamique.
EXPOSE DETAILLE DE MODES DE REALISATION PARTICULIERS La sélection automatique de séquences d'alarmes au sein du journal
d'alarmes, à l'étape a) du mode général de l'invention, est une étape importante 20 du procédé qui peut être effectuée de bien des façons: par exemple, il est possible de prendre autant de séquences que d'alarmes dans le journal, chaque séquence contenant donc une alarme, mais dans ce cas le nombre de séquences à regrouper est alors considérable. 25 Avantageusement, dans un mode dit avec découpage, à l'étape a) du procédé d'apprentissage de chroniques selon l'invention, la sélection automatique de séquences d'alarmes est effectuée au moyen d'un découpage automatique du journal d'alarmes en parties, 30 chaque partie étant formée d'alarmes du journal d'alarmes dont les dates d'occurrence sont ordonnées SP 22843 MS dans le temps et sont comprises entre une date de début et une date de fin associées à cette partie du journal, chaque partie du journal d'alarmes définissant une séquence d'alarmes sélectionnée dont les alarmes sont 5 celles qui appartiennent à cette partie. Ce mode peut donc être mis en ouvre pour réaliser la sélection de séquences de l'étape a) du mode général.
Le découpage du journal d'alarmes en 10 parties, ou par tranches de temps, peut être réalisé selon de nombreuses modalités différentes: à titre d'exemples non limitatifs, les parties peuvent être de tailles (en nombre d'alarmes contenues) différentes ou bien identiques, elles peuvent avoir la même durée ou 15 bien des durées variables, elles peuvent être disjointes ou bien avoir des alarmes en commun, elles peuvent constituer dans leur ensemble une partition du journal d'alarmes ou bien, au contraire, ne pas prendre en compte certaines alarmes, etc. Avantageusement, l'union ensembliste des parties du journal d'alarmes reconstituera le journal de façon à ne pas perdre des alarmes pouvant appartenir à des instances de chroniques à ce stade du procédé d'apprentissage: toute alarme du journal appartiendra 25 alors à au moins une des parties du journal.
Selon un mode particulier de l'invention, dit mode avec découpage complet, le découpage précédent du journal d'alarmes en parties est tel que toute alarme du journal d'alarmes appartient à au moins une 30 des parties du journal d'alarmes. Ce mode présentant l'avantage de n'éliminer aucune alarme du journal SP 22843 MS d'alarmes lors du découpage. Ce mode, mis en oeuvre avec le mode avec découpage, peut être utilisé pour réaliser la sélection de séquences a l'étape a) du mode général.
Le regroupement, à l'étape a), des séquences sélectionnées qui présentent des similarités peut être effectué à l'aide d'une mesure de similarité sur un espace dans lequel chaque séquence d'alarmes est décrite par un ensemble de paramètres qui peut être vu 10 comme définissant des coordonnées d'un point dans cet espace appelé espace de représentation des séquences.
Chaque paramètre d'une séquence, ou coordonnée du point représentatif de la séquence dans l'espace des représentations, est associé à la description du 15 contenu en alarmes de la séquence en termes d'un type d'alarme donné. Ainsi, si l'on dispose de A types distincts d'alarmes pour décrire le contenu des séquences d'alarmes, l'espace de représentation des séquences est à A dimensions. La valeur d'une 20 coordonnée d'une séquence correspond quant à elle au poids de la séquence en alarmes du type associé à cette coordonnée.
L'importance du choix d'une représentation des données, préalablement aux opérations de 25 regroupement de ces données, est bien connue des spécialistes en classification de données. Il existe un très grand nombre de représentations possibles pour des données, suivant les caractéristiques qui leur sont attachées: cette variété de représentations se traduit 30 en particulier par des dimensions différentes de l'espace de représentation.
SP 22843 MS L'un des modes particuliers de l'invention utilise une représentation, dite pondérée, dans laquelle chaque séquence d'alarmes sélectionnée à l'étape a) du procédé est représentée, dans l'espace de 5 représentation de dimension A, par un point ayant A coordonnées, la coordonnée de rang j, o j désigne un indice entier quelconque compris entre 1 et A, est égale au nombre de fois o le type d'alarme associé à l'indice j figure dans la séquence d'alarmes. 10 L'homme du métier sait que la mesure de similarité, mentionnée plus haut, utilisée pour calculer les regroupement de séquences à partir des mesures de 'proximité' des séquences dans l'espace de 15 représentation, notamment dans les algorithmes de groupement des méthodes de classification, est à prendre au sens mathématique c'est-à-dire que cette mesure n'est pas obligatoirement une distance (elle peut ne pas respecter l'inégalité triangulaire et on 20 parle alors de semi-métrique, par exemple la mesure en cosinus qui mesure le cosinus de l'angle entre deux vecteurs dont les composantes sont les coordonnées, respectivement, des points représentatifs de deux séquences considérées). Cependant, le plus souvent, 25 cette mesure de similarité est une distance et permet donc de munir l'espace de représentation d'une métrique. A titre d'exemples, non limitatifs, de métriques citons la métrique (ou distance) de Minkowski (qui contient comme cas particuliers la distance 30 Euclidienne et la distance 'City-block' encore appelée SP 22843 MS distance de Manhattan), la distance de Mahalanobis, la distance de Chebychev, etc...
Les points, représentant les séquences d'alarmes, les plus proches entre eux dans l'espace de 5 représentation des séquences forment des grappes et chaque grappe correspond à un groupe de séquences dites similaires. Le critère de proximité de deux points de l'espace de représentation étant que si la mesure de similarité de ces points est inférieure ou égale à une 10 valeur seuil donnée alors les deux points appartiennent à la même grappe, et si la mesure de similarité de ces points est supérieure à la valeur seuil alors les deux points appartiennent à des grappes distinctes.
Il existe à ce jour de très nombreux 15 algorithmes de groupement de données, certains assurent même l'invariance (par transformations linéaires) des grappes grâce à une normalisation préalable des données.
Dans un mode de réalisation avantageux de 20 l'invention, dit mode avec groupement de séquences, à l'étape a) du procédé, le regroupement automatique des séquences d'alarmes, pour former des groupes de séquences d'alarmes similaires, est réalisée au moyen d'une méthode de groupement. Ce mode peut donc être mis 25 en oeuvre pour réaliser le regroupement à l'étape a) du mode général, et il peut aussi être utilisé conjointement soit avec le mode avec découpage soit avec le mode avec découpage complet pour la réalisation de l'étape a) du mode général.
Le choix de la représentation des séquences d'alarmes conditionne à la fois la pertinence des SP 22843 MS regroupements de séquences et la complexité des calculs de mesures de similarité à effectuer (du fait du nombre de dimensions de l'espace de représentation associé).
Le contenu d'une séquence d'alarmes du journal 5 d'alarmes peut être décrit de manière plus ou moins exhaustive: par exemple si le journal contient N types d'alarmes distincts alors il est possible de décrire le contenu en alarmes de la séquence sur la base de ces N types d'alarmes, mais on peut aussi choisir de décrire 10 ce contenu sur la base d'un nombre inférieur de types d'alarmes et dans ce cas certaines alarmes (bien que figurant toujours dans la séquence), correspondant à des types absents de la représentation, ne seront pas décrites; dans ce dernier cas cependant, la dimension 15 de l'espace de représentation est réduite, ce qui est avantageux du point de vue de la complexité des calculs de regroupement.
Ainsi, dans un mode particulier du procédé d'apprentissage selon l'invention, dit mode avec 20 sélection de types, à l'étape a), la formation des groupes de séquences d'alarmes similaires est effectuée au moyen des étapes suivantes consistant à: - représenter chacune des séquences d'alarmes du journal d'alarmes par son contenu, sur la 25 base d'un ensemble de types d'alarmes à A éléments pris parmi les types d'alarmes distincts du journal d'alarmes, en nombre supérieur ou égal à A, dans un espace de représentation des séquences d'alarmes de dimension A; et - regrouper automa tiquement de s séquences d'alarmes du journal d'alarmes, dans l'espace de SP 22843 MS représentation des séquences d'alarmes, de façon à former des groupes de séquences d'alarmes similaires.
Ce mode est dépendant du mode général ou du mode avec découpage ou du mode avec découpage complet ou du mode avec groupement de séquences.
En particulier, ce mode avec sélection de types peut avantageusement utiliser la représentation pondérée des séquences d'alarmes décrite plus haut. Ce mode avec sélection de types peut donc être mis en 10 oeuvre pour réaliser la formation de groupes à l'étape a) du mode général, et il peut aussi être utilisé conjointement soit avec le mode avec découpage soit avec le mode avec découpage complet soit encore avec le mode avec groupement de séquences, éventuellement 15 combiné avec l'un des deux modes précédents, pour la réalisation de l'étape a) du mode général.
La simple élimination de certains des types d'alarmes présents dans le journal d'alarmes a pour 20 inconvénient que certaines alarmes (des types éliminés) ne sont pas décrites. Pour décrire toutes les alarmes tout en réduisant le nombre de dimensions de l'espace de représentation des séquences d'alarmes, il est par exemple possible de d'abord regrouper des types 25 d'alarmes du journal d'alarmes qui sont similaires, en particulier à l'aide d'une méthode de groupement, pour fabriquer des groupes de types d'alarmes (le nombre S de groupes étant inférieur ou égal au nombre N initial de types d'alarmes), puis de décrire le contenu des 30 séquences d'alarmes sur la base de ces S groupes de types d'alarmes. Ainsi le nombre de dimension de SP 22843 MS l'espace de représentation est réduit à S, ce qui est avantageux pour les calculs de regroupement, et, de plus, toute alarme d'une séquence quelconque pourra toujours être décrite car son type figure dans au moins un des S groupes de types.
Un exemple simple de réduction du nombre de types a été donné plus haut pour un réseau de télécommunications: les deux types d'alarmes " perte de signal " et " perte de trame de transmission " 10 peuvent être décrits par un type de niveau supérieur (résultant, le plus souvent, d'un lien fonctionnel entre les types considérés) qui est " panne de transmission ". Comme dans le cas général du traitement de données (ici les données sont des types d'alarmes du 15 journal d'alarmes), on associe à la description des types un espace de représentation.
L'homme du métier notera que tout ce qui est présenté sur les séquences d'alarmes et le découpage d'un journal d'alarmes ainsi que les divers 20 traitements de ces entités peut se transposer, par analogie, aux types d'alarmes dès que l'on dispose d'une représentation de ces types ou des séquences de types.
Il est aussi possible d'éliminer certains des S groupes précédents pour n'en retenir qu'un nombre réduit S', l'espace de représentation étant alors de dimension S'. Ces méthodes de réduction de l'espace de représentation par regroupement de types sont alors 30 combinées avec une regroupement ultérieur des séquences d'alarmes pour former des groupes de séquences SP 22843 MS d'alarmes similaires permettant de générer les journaux partiels de l'étape b) du procédé d'apprentissage selon l'invention.
C'est ainsi que dans un mode particulier de 5 réalisation du procédé d'apprentissage selon l'invention, dit mode avec regroupement de types, à l'étape a), la formation des groupes de séquences d'alarmes similaires est effectuée au moyen des étapes suivantes consistant à: - regrouper automatiquement des types d'alarmes du journal d'alarmes de façon à former des groupes de types d'alarmes similaires, le résultat du regroupement étant un nombre S de groupes de types d'alarmes; et - représenter chacune des séquences d'alarmes du journal d'alarmes par son contenu, sur la base de groupes de types d'alarmes, en nombre S' inférieur ou égal à S, obtenus à l'étape précédente, dans un espace de représentation des séquences 20 d'alarmes de dimension S'; et - regrouper automatique ment de s séquences d'alarmes du journal d'alarmes, dans l'espace de représentation des séquences d'alarmes, de façon à former des groupes de séquences d'alarmes similaires.
Le mode avec regroupement de types peut donc être mis en oeuvre pour réaliser la formation de groupes à l'étape a) du mode général, et il peut aussi être utilisé conjointement soit avec le mode avec découpage soit avec le mode avec découpage complet soit 30 encore avec le mode avec groupement de séquences, éventuellement combiné avec l'un des deux modes SP 22843 MS précédents, pour la réalisation de l'étape a) du mode général.
En particulier, le regroupement automatique des séquences d'alarmes du mode avec regroupement de 5 types peut consister à former automatiquement des groupes de séquences similaires du journal d'alarmes, chaque groupe de séquences similaires étant associé à un groupe de types d'alarmes et résultant de la sélection des séquences d'alarmes du journal d'alarmes 10 dont la teneur en alarmes de mêmes types que ceux du groupe de types considéré dépasse un seuil donné pour ce groupe. Cette méthode de regroupement présente l'avantage d'être très simple à mettre en oeuvre.
Dans un mode particulier de réalisation du 15 procédé d'apprentissage selon l'invention, dit mode avec regroupement de types avec seuils, à l'étape a), la formation des groupes de séquences d'alarmes similaires est effectuée au moyen des étapes suivantes consistant à: - regrouper automatiquement des types d'alarmes du journal d'alarmes de façon à former des groupes de types d'alarmes similaires, le résultat du regroupement étant un nombre S de groupes de types d'alarmes; et - représenter chacune des séquences d'alarmes du journal d'alarmes par son contenu, sur la base de groupes de types d'alarmes, en nombre S' inférieur ou égal à S, obtenus à l'étape précédente, dans un espace de représentation des séquences 30 d'alarmes de dimension S'; et SP 22843 MS - former automatiquement des groupes de séquences similaires du journal d'alarmes, chaque groupe de séquences similaires étant associé à un groupe de types d'alarmes et résultant de la sélection 5 des séquences d'alarmes du journal d'alarmes dont la teneur en alarmes de mêmes types que ceux du groupe de types considéré dépasse un seuil donné pour ce groupe.
Le mode de regroupement de types avec seuils peut donc être mis en oeuvre pour réaliser la 10 formation de groupes à l'étape a) du mode général, et il peut aussi être utilisé conjointement soit avec le mode avec découpage soit avec le mode avec découpage complet pour la réalisation de l'étape a) du mode général.
Il est aussi possible, dans un mode particulier dit mode avec groupement de types, de procéder au regroupement de types d'alarmes, dans le mode avec regroupement de types ou dans le mode avec 20 regroupement de types avec seuils, en mettant en oeuvre une méthode de groupement portant sur des types d'alarmes du journal d'alarmes pour former des groupes de types d'alarmes similaires. Pour cela il suffit à l'homme du métier de choisir un espace de 25 représentation de ces types d'alarmes, dont il peut d'ailleurs réduire le nombre de dimensions selon diverses méthodes décrites plus haut mais appliquées aux types, et une mesure de similarité pour pouvoir ensuite utiliser l'un des nombreux algorithmes de 30 groupement existant (citons, à titre d'exemples non limitatifs, les algorithmes de: Groupement SP 22843 MS Hiérarchique Ascendant, " K-Means " ou K-moyennes, " Fuzzy K-Means " ou K-moyennes floues, Mélange de Gaussiennes, GTM " Générative Topographic Mapping ", GSOM " Generative Self Organizing Map " [7], Carte de 5 Kohonen [9], Cartes autoorganisatrices de Kohonen [8,9], etc.) . Dans des modes particuliers du procédé d'apprentissage selon l'invention, ce regroupement automatique des types d'alarmes au moyen d'une méthode 10 de groupement évoqué précédemment ( dans le mode avec groupement de types) est avantageusement effectué soit par une méthode de groupement à base de carte sémantique des types d'alarmes (c'est-à-dire que chaque alarme est traitée comme une suite de symboles, ou 15 texte, et on effectue le groupement de ces suites) soit par une méthode de groupement basée sur le profil d'accumulation dans le temps (normalisé ou non), dans le journal d'alarmes, de chaque type d'alarmes.
Dans tous les modes de réalisation de l'invention, il est bien sûr possible d'effectuer, à l'étape c) du procédé, l'apprentissage de chroniques sur les journaux d'alarmes partiels obtenus à l'issu de l'étape b) du procédé par une suite d'opérations 25 exécutées en série sur un calculateur.
Cependant, dans une réalisation avantageuse de l'invention permettant de diminuer encore le temps de traitement et compatible avec les divers modes décrits, ces opérations d'apprentissage de l'étape c) 30 sont exécutées en parallèle sur un calculateur. Ce sont, en effet, ces opérations d'apprentissage de SP 22843 MS chroniques qui prennent le plus de temps parmi toutes les opérations liées aux autres étapes du procédé selon l'invention; cependant, il est clair que ces dernières opérations peuvent aussi être effectuées en parallèle pour gagner du temps.
Le mode préféré de réalisation de l'invention, développé et utilisé pour la supervision d'un système de télécommunications, met en ouvre sur un 10 calculateur, pour l'étape a) du mode général, un découpage du journal d'alarmes selon le mode avec découpage dans lequel les parties ou 'tranches horaires' découpées ont toutes la même durée a = 2*T, o T désigne la durée maximum des chroniques à 15 apprendre qui est fixée pour l'exécution de l'étape c) du procédé, le découpage étant tel que deux parties consécutives quelconques présentent un recouvrement temporel de valeur T. Ce découpage particulier est tel que si, statistiquement, une instance quelconque d'une 20 chronique (de longueur maximum T) est présente dans J alors elle est présente dans au moins une partie de J. Le journal d'alarmes J sur lequel on applique le procédé selon l'invention est découpé en p parties couvrant la totalité des alarmes du journal, 25 que l'on peut supposer consécutives sans restreindre la généralité ; notons ci, pour 1 < i < p, la i-ème partie du journal, alors les dates de début et de fin associées à cette partie, respectivement Di et Fi, vérifient: Di = D + T*(i-1) Fi = Di + o, SP 22843 MS o D désigne la date de début du journal d'alarmes J, et pour la (i+l)ième partie suivante, de dates de début et de fin, respectivement, Di+1 et Fi+1 vérifient: Di+, = D + T*i = Di + T Fi+, = Di+1 + a = Fi + T Ce découpage est donc aussi conforme au 10 mode avec découpage complet comme on peut le vérifier facilement.
On procède alors à une classification de l'ensemble des ai, i variant de 1 à p. en r groupes Gk, 1 < k < r, à l'aide d'une méthode de groupement à 15 base de cartes de Kohonen; chaque groupe Gk (avec: 1 < k < r) de parties (ou séquences d'alarmes correspondantes) similaires comprenant un nombre variable de parties (ou séquences d'alarmes). Cette dernière étape de classification relève donc du mode 20 avec groupement de séquences. Dans une variante avantageuse du mode préféré, la représentation pondérée est utilisée pour décrire les parties de J avec un espace de représentation comportant autant de dimensions que le journal J comporte de types d'alarmes 25 distincts.
A l'étape b), un journal d'alarmes partiel Jk est fabriqué pour chaque groupe correspondant Gk à partir de l'union ensembliste des parties, ou séquences d'alarmes correspondantes, du groupe. Ainsi aucune 30 séquence d'alarmes d'un groupe quelconque n'est omise.
SP 22843 MS Enfin à l'étape c), un apprentissage automatique de chroniques fréquentes est effectué au moyen du logiciel d'apprentissage FACE sur chacun des journaux d'alarmes partiels Jk, 1 < k < r, obtenus 5 précédemment. Pour chaque journal partiel Jk on obtient donc un ensemble partiel Ek constitué des M(k) chroniques fréquentes distinctes de Jk: Ek = {C1(k) ,...,CM(k)} (O Cm(k) , l<m(k)<M(k), désigne une chronique de Jk) . Le résultat final étant l'ensemble E des chroniques fréquentes de J, E étant formé par l'union ensembliste de tous les ensembles partiels Ek, pour k = i,...,r.
Le logiciel FACE [4,6] est un outil d'apprentissage particulièrement bien adapté aux 15 alarmes et chroniques produites par des systèmes de télécommunication; dans des variantes du mode préféré, cependant, d'autres logiciels d'apprentissage sont mis en oeuvre à l'étape c).
Les chroniques obtenues serviront ensuite 20 au module de diagnostic d'un système de supervision pour l'identification des situations caractéristiques du comportement du système dynamique supervisé.
De manière générale, dans le procédé d'apprentissage de chroniques fréquentes d'un journal 25 d'alarmes selon le mode préféré : - on fixe une durée maximum T des chroniques à apprendre à l'étape c); et, - à l'étape a), la différence entre la date de fin et la date de début de toute partie du journal 30 d'alarmes est égale à 2*T; et, SP 22843 MS les parties sont découpées dans le journal d'alarmes de façon à ce que, pour une partie quelconque donnée de date de début D', la partie dont la date de début ultérieure D'' est la plus proche de D', si elle 5 existe, est telle que sa date de début D'' est égale à la date D' augmentée de T; et, le regroupement automatique de l'ensemble des séquences d'alarmes du journal d'alarmes obtenues est réalisé au moyen d'un algorithme à base de cartes auto10 organisatrices de Kohonen; et - à l'étape b), pour chaque groupe de séquences d'alarmes similaires obtenu à l'étape a), un journal d'alarmes partiel est fabriqué à partir de l'union ensembliste des séquences d'alarmes du groupe 15 de séquences d'alarmes similaires; et - à l'étape c), l'apprentissage automatique des chroniques est réalisé au moyen du système d'apprentissage FACE. Le mode préféré est un mode dépendant du mode avec découpage complet et du mode 20 avec groupement de séquences.
SP 22843 MS RÉFÉRENCES [1] : H.Mannila, H.Toivonen, A.I.Verkamo: 'Discovering fréquent episodes in sequences', in Proc.lst International Conference on Knowledge Discovery and Data Mining, pages 210-215, Monréal, Québec, Canada 10 (1995).
[2] : H.Mannila, H.Toivonen: 'Multiple uses of frequent sets and condensed representations', in Proc.2nd International Conference on Knowledge Discovery and Data Mining, pages 189-194, Portland, Oregon, USA (1996).
[3] : R.Agrawal, H.Mannila, R.Srikant, H.Toivonen, A.I.Verkamo: 'Fast discovery of association rules' in 20 Advances in Knowledge Discovery and Data Mining, pages 307-328, AAAI Press/ the MIT Press (1996).
[4] : T.Vu Duong: 'Découverte de chroniques à partir de journaux d'alarmes. Application à la supervision de 25 réseaux de télécommunications', Thèse en informatique et télécommunications, Institut National Polytechnique de Toulouse, soutenue publiquement le 28 mars 2001.
[5] : R.Dechter, I.Meiri, J.Pearl: 'Temporal constraint networks', in Artificial Intelligence, Special Volume on Knowledge Representation, 49(13),6195 (1991). Elsevier.
[6] : C.Dousson, T.Vu Duong: 'Discovering chronicles 35 with numerical time constraints from alarm logs for monitoring dynamic systems', in Proc. Of the 6th International Joint Conference on Artificial Intelligence (IJCAI 99), pp.620-626,(1999).
[7] : J.J.Verbeek, N.Vlassis, and B.J.A.Krôse: 'The Generative SelfOrganizing Map', IAS technical report IAS-UVA-02-03, May 2002 (website:http://www.science.uva.nl/research/ias/public ations/reports/).
SP 22843 MS [8]: M.Dittenbach, D.Merkl, A.Rauber: 'The growing hierarchical self- organizing map', in International Joint Conference on Neural Networks (IJCNN 2000), volume vi, pages 15-19, Como, Italy, IEEE Computer Society (2000).
[9]: T.Kohonen: 'Self-Organizing Map', third edition (2002), Springer-Verlag.
10 SP 22843 MS
Claims (15)
1. Procédé d'apprentissage automatique de chroniques fréquentes d'un journal d'alarmes, les 5 alarmes étant associées à une pluralité d'évènements d'une pluralité de types, caractérisé en ce qu'il comporte les étapes suivantes: a) de sélection et de regroupement automatiques de séquences d'alarmes du journal 10 d'alarmes de façon à former des groupes de séquences d'alarmes similaires; et b) de génération automatique d'un journal d'alarmes partiel pour chaque groupe de séquences d'alarmes similaires obtenu à l'étape a), à partir des 15 alarmes appartenant aux séquences de ce groupe; et c) d'apprentissage automatique de chroniques fréquentes de chaque journal d'alarmes partiel obtenu à l'étape b) de façon à générer un ensemble partiel de chroniques fréquentes pour chaque 20 journal d'alarmes partiel obtenu à l'étape b), et de fabrication d'un ensemble de chroniques fréquentes du journal d'alarmes à partir des chroniques fréquentes de chacun des ensembles partiels de chroniques fréquentes obtenus.
2. Procédé selon la revendication 1 dans lequel, à l'étape a), la sélection automatique de séquences d'alarmes est effectuée au moyen d'un découpage automatique du journal d'alarmes en parties, 30 chaque partie étant formée d'alarmes du journal d'alarmes dont les dates d'occurrence sont ordonnées SP 22843 MS dans le temps et sont comprises entre une date de début et une date de fin associées à cette partie du journal, chaque partie du journal d'alarmes définissant une séquence d'alarmes sélectionnée dont les alarmes sont celles qui appartiennent à cette partie.
3. Procédé selon la revendication 2 dans lequel le découpage du journal d'alarmes en parties est tel que toute alarme du journal d'alarmes appartient à 10 au moins une des parties du journal d'alarmes.
4. Procédé selon l'une quelconque des revendications 1 à 3 dans lequel, à l'étape a), le regroupement automatique des séquences d'alarmes, pour 15 former des groupes de séquences d'alarmes similaires, est réalisée au moyen d'une méthode de groupement.
5. Procédé selon l'une quelconque des revendications 1 à 4 dans lequel, à l'étape a), la 20 formation des groupes de séquences d'alarmes similaires est effectuée au moyen des étapes suivantes consistant à : - représenter chacune des séquences d'alarmes du journal d'alarmes par son contenu, sur la 25 base d'un ensemble de types d'alarmes à A éléments pris parmi les types d'alarmes distincts du journal d'alarmes, en nombre supérieur ou égal à A, dans un espace de représentation des séquences d'alarmes de dimension A; et - regrouper automatiquement des séquences d'alarmes du journal d'alarmes, dans l'espace de SP 22843 MS représentation des séquences d'alarmes, de façon à former des groupes de séquences d'alarmes similaires.
6. Procédé selon la revendication 5 dans 5 lequel chaque séquence d'alarmes sélectionnée à l'étape a) est représentée, dans l'espace de représentation de dimension A, par un point ayant A coordonnées, la coordonnée de rang j, o j désigne un indice entier quelconque compris entre 1 et A, est égale au nombre de 10 fois o le type d'alarme associé à l'indice j figure dans la séquence d'alarmes.
7. Procédé selon l'une quelconque des revendications 1 à 4 dans lequel, à l'étape a), la 15 formation des groupes de séquences d'alarmes similaires est effectuée au moyen des étapes suivantes consistant à : - regrouper automatiquement des types d'alarmes du journal d'alarmes de façon à former des 20 groupes de types d'alarmes similaires, le résultat du regroupement étant un nombre S de groupes de types d'alarmes; et - représenter chacune des séquences d'alarmes du journal d'alarmes par son contenu, sur la 25 base de groupes de types d'alarmes, en nombre S' inférieur ou égal à S, obtenus à l'étape précédente, dans un espace de représentation des séquences d'alarmes de dimension S'; et - regrouper automatiquement des séquences 30 d'alarmes du journal d'alarmes, dans l'espace de SP 22843 MS représentation des séquences d'alarmes, de façon à former des groupes de séquences d'alarmes similaires.
8. Procédé selon l'une quelconque des 5 revendications 1 à 3 dans lequel, à l'étape a), la formation des groupes de séquences d'alarmes similaires est effectuée au moyen des étapes suivantes consistant a: - regrouper automatiquement des types 10 d'alarmes du journal d'alarmes de façon à former des groupes de types d'alarmes similaires, le résultat du regroupement étant un nombre S de groupes de types d'alarmes; et représenter chacune des séquences d'alarmes du journal d'alarmes par son contenu, sur la base de groupes de types d'alarmes, en nombre S' inférieur ou égal à S, obtenus à l'étape précédente, dans un espace de représentation des séquences d'alarmes de dimension S'; et - former automatiquement des groupes de séquences similaires du journal d'alarmes, chaque groupe de séquences similaires étant associé à un groupe de types d'alarmes et résultant de la sélection des séquences d'alarmes du journal d'alarmes dont la 25 teneur en alarmes de mêmes types que ceux du groupe de types considéré dépasse un seuil donné pour ce groupe.
9. Procédé selon l'une quelconque des revendications 7 ou 8 dans lequel, à l'étape a), 30 l'étape de regroupement automatique de types d'alarmes, SP 22843 MS pour former des groupes de types d'alarmes similaires, est réalisée au moyen d'une méthode de groupement.
10. Procédé selon la revendication 9 dans 5 lequel, à l'étape a), le regroupement automatique des types d'alarmes similaires du journal d'alarmes est effectué au moyen d'une méthode de groupement à base de carte sémantique des types d'alarmes.
11. Procédé selon la revendication 9 dans lequel, à l'étape a), le regroupement automatique des types d'alarmes similaires du journal d'alarmes est effectué au moyen d'une méthode de groupement basée sur le profil d'accumulation dans le temps, dans le journal 15 d'alarmes, de chaque type d'alarme.
12. Procédé selon l'une quelconque des revendications 1 à 11 dans lequel, à l'étape c), l'apprentissage sur les journaux d'alarmes partiels 20 obtenus à l'étape b) est effectué en série.
13. Procédé selon l'une quelconque des revendications 1 à 11 dans lequel, à l'étape c), l'apprentissage sur les journaux d'alarmes partiels 25 obtenus à l'étape b) est effectué en parallèle.
14. Procédé selon les revendications 3 et 4
dans lequel: - on fixe une durée maximum T des 30 chroniques à apprendre à l'étape c); et, SP 22843 MS - à l'étape a), la différence entre la date de fin et la date de début de toute partie du journal d'alarmes est égale à 2*T; et, les parties sont découpées dans le journal d'alarmes de 5 façon à ce que, pour une partie quelconque donnée de date de début D', la partie dont la date de début ultérieure D'' est la plus proche de D', si elle existe, est telle que sa date de début D'' est égale à la date D' augmentée de T; et, la regroupement automatique de l'ensemble des séquences d'alarmes du journal d'alarmes obtenues est réalisé au moyen d'un algorithme à base de cartes autoorganisatrices de Kohonen; et, - à l'étape b), pour chaque groupe de 15 séquences d'alarmes similaires obtenu à l'étape a), un journal d'alarmes partiel est fabriqué à partir de l'union ensembliste des séquences d'alarmes du groupe de séquences d'alarmes similaires; et, - à l'étape c), l'apprentissage automatique 20 des chroniques est réalisé au moyen du système d'apprentissage FACE.
15. Système d'apprentissage automatique de chroniques fréquentes d'un journal d'alarmes, comportant des moyens d'acquisition d'alarmes et de génération d'un journal d'alarmes à partir des alarmes acquises, chaque alarme étant associée à un événement parmi une pluralité d'évènements d'une pluralité de types et à une date d'occurrence, des moyens de 30 transmission du journal d'alarmes ainsi que des moyens d'apprentissage de chroniques aptes à mettre en oeuvre SP 22843 MS une méthode d'apprentissage automatique de chroniques fréquentes d'un journal d'alarmes, de fréquences supérieures ou égales à un seuil de fréquence minimum f0 réglable et de durée maximum T réglable, et aptes à 5 transmettre les chroniques obtenues, caractérisé en ce qu'il comporte en outre: - un module de sélection et de regroupement de séquences d'alarmes apte à recevoir un journal d'alarmes et apte à sélectionner et à regrouper des 10 séquences d'alarmes du journal d'alarmes, et apte à former un groupe de séquences d'alarmes similaires et à transmettre ce groupe; et, un module de fabrication d'un journal d'alarmes partiel à partir des alarmes d'un groupe de 15 séquences d'alarmes similaires reçu du module de sélection et de regroupement de séquences d'alarmes du journal d'alarmes, le module étant apte à transmettre le journal d'alarmes partiel obtenu aux moyens d'apprentissage de chroniques; et, - un module de fabrication d'un ensemble de chroniques fréquentes du journal d'alarmes, à partir des chroniques transmises par les moyens d'apprentissage de chroniques, le module étant apte à transmettre les chroniques de l'ensemble de chroniques 25 fréquentes.
SP 22843 MS
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0350181A FR2855634B1 (fr) | 2003-05-27 | 2003-05-27 | Procede d'apprentissage automatique de chroniques frequentes dans un journal d'alarmes pour la supervision de systemes dynamiques |
| US10/554,303 US7388482B2 (en) | 2003-05-27 | 2004-05-25 | Method for the machine learning of frequent chronicles in an alarm log for the monitoring of dynamic systems |
| PCT/FR2004/050205 WO2004107652A1 (fr) | 2003-05-27 | 2004-05-25 | Procede d'apprentissage automatique de chroniques frequentes dans un journal d'alarmes pour la supervision de systemes dynamiques |
| EP04785574A EP1627494A1 (fr) | 2003-05-27 | 2004-05-25 | Procede d apprentissage automatique de chroniques frequentes dans un journal d alarmes pour la supervision de systemes d ynamiques |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0350181A FR2855634B1 (fr) | 2003-05-27 | 2003-05-27 | Procede d'apprentissage automatique de chroniques frequentes dans un journal d'alarmes pour la supervision de systemes dynamiques |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR2855634A1 true FR2855634A1 (fr) | 2004-12-03 |
| FR2855634B1 FR2855634B1 (fr) | 2005-07-08 |
Family
ID=33427711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR0350181A Expired - Fee Related FR2855634B1 (fr) | 2003-05-27 | 2003-05-27 | Procede d'apprentissage automatique de chroniques frequentes dans un journal d'alarmes pour la supervision de systemes dynamiques |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US7388482B2 (fr) |
| EP (1) | EP1627494A1 (fr) |
| FR (1) | FR2855634B1 (fr) |
| WO (1) | WO2004107652A1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2991066A1 (fr) * | 2012-05-28 | 2013-11-29 | Snecma | Systeme de traitement d'informations pour la surveillance d'un systeme complexe |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8782654B2 (en) | 2004-03-13 | 2014-07-15 | Adaptive Computing Enterprises, Inc. | Co-allocating a reservation spanning different compute resources types |
| EP2341431A1 (fr) | 2004-03-13 | 2011-07-06 | Adaptive Computing Enterprises, Inc. | Système et procédé pour auto-optimiser la réservation du temps de ressources informatiques |
| US20070266388A1 (en) | 2004-06-18 | 2007-11-15 | Cluster Resources, Inc. | System and method for providing advanced reservations in a compute environment |
| US8176490B1 (en) | 2004-08-20 | 2012-05-08 | Adaptive Computing Enterprises, Inc. | System and method of interfacing a workload manager and scheduler with an identity manager |
| WO2006053093A2 (fr) | 2004-11-08 | 2006-05-18 | Cluster Resources, Inc. | Systeme et procede fournissant des executions de systeme au sein d'un environnement informatique |
| US8863143B2 (en) | 2006-03-16 | 2014-10-14 | Adaptive Computing Enterprises, Inc. | System and method for managing a hybrid compute environment |
| US9231886B2 (en) | 2005-03-16 | 2016-01-05 | Adaptive Computing Enterprises, Inc. | Simple integration of an on-demand compute environment |
| EP3203374B1 (fr) | 2005-04-07 | 2021-11-24 | III Holdings 12, LLC | Accès sur demande à des ressources informatiques |
| US20090030752A1 (en) * | 2007-07-27 | 2009-01-29 | General Electric Company | Fleet anomaly detection method |
| US8041773B2 (en) | 2007-09-24 | 2011-10-18 | The Research Foundation Of State University Of New York | Automatic clustering for self-organizing grids |
| US11720290B2 (en) | 2009-10-30 | 2023-08-08 | Iii Holdings 2, Llc | Memcached server functionality in a cluster of data processing nodes |
| US10877695B2 (en) | 2009-10-30 | 2020-12-29 | Iii Holdings 2, Llc | Memcached server functionality in a cluster of data processing nodes |
| US10217056B2 (en) * | 2009-12-02 | 2019-02-26 | Adilson Elias Xavier | Hyperbolic smoothing clustering and minimum distance methods |
| US9122995B2 (en) | 2011-03-15 | 2015-09-01 | Microsoft Technology Licensing, Llc | Classification of stream-based data using machine learning |
| US9355477B2 (en) | 2011-06-28 | 2016-05-31 | Honeywell International Inc. | Historical alarm analysis apparatus and method |
| US9117170B2 (en) * | 2012-11-19 | 2015-08-25 | Intel Corporation | Complex NFA state matching method that matches input symbols against character classes (CCLs), and compares sequence CCLs in parallel |
| WO2014129983A1 (fr) | 2013-02-21 | 2014-08-28 | Thai Oil Public Company Limited | Procédés, systèmes et dispositifs de gestion d'une pluralité d'alarmes |
| US10311356B2 (en) * | 2013-09-09 | 2019-06-04 | North Carolina State University | Unsupervised behavior learning system and method for predicting performance anomalies in distributed computing infrastructures |
| US9697100B2 (en) | 2014-03-10 | 2017-07-04 | Accenture Global Services Limited | Event correlation |
| US10635096B2 (en) | 2017-05-05 | 2020-04-28 | Honeywell International Inc. | Methods for analytics-driven alarm rationalization, assessment of operator response, and incident diagnosis and related systems |
| US10747207B2 (en) | 2018-06-15 | 2020-08-18 | Honeywell International Inc. | System and method for accurate automatic determination of “alarm-operator action” linkage for operator assessment and alarm guidance using custom graphics and control charts |
| EP3885861A1 (fr) * | 2020-03-26 | 2021-09-29 | Siemens Aktiengesellschaft | Procédé et système de diagnostic de messages |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2821508A1 (fr) * | 2001-02-27 | 2002-08-30 | France Telecom | Supervision et diagnostic du fonctionnement d'un systeme dynamique |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5400246A (en) * | 1989-05-09 | 1995-03-21 | Ansan Industries, Ltd. | Peripheral data acquisition, monitor, and adaptive control system via personal computer |
-
2003
- 2003-05-27 FR FR0350181A patent/FR2855634B1/fr not_active Expired - Fee Related
-
2004
- 2004-05-25 EP EP04785574A patent/EP1627494A1/fr not_active Withdrawn
- 2004-05-25 US US10/554,303 patent/US7388482B2/en not_active Expired - Fee Related
- 2004-05-25 WO PCT/FR2004/050205 patent/WO2004107652A1/fr active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2821508A1 (fr) * | 2001-02-27 | 2002-08-30 | France Telecom | Supervision et diagnostic du fonctionnement d'un systeme dynamique |
Non-Patent Citations (3)
| Title |
|---|
| ABOELELA E ET AL: "Switching theory approach to alarm correlation in network management", IEEE, 8 November 2000 (2000-11-08), pages 452 - 461, XP010527472 * |
| LIPPERTS S: "Enabling alarm correlation for a mobile agent based system and network management - a wrapper concept*", IEEE, 28 September 1999 (1999-09-28), pages 125 - 132, XP010354974 * |
| MARILLY E ET AL: "Alarm correlation for complex telecommunication networks using neural networks and signal processing", IEEE, 29 October 2002 (2002-10-29), pages 3 - 7, XP010611939 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2991066A1 (fr) * | 2012-05-28 | 2013-11-29 | Snecma | Systeme de traitement d'informations pour la surveillance d'un systeme complexe |
| WO2013178913A1 (fr) * | 2012-05-28 | 2013-12-05 | Snecma | Systeme de traitement d'informations pour la surveillance d'un systeme complexe. |
| US10393624B2 (en) | 2012-05-28 | 2019-08-27 | Safran Aircraft Engines | Information processor system for monitoring a complex system |
Also Published As
| Publication number | Publication date |
|---|---|
| FR2855634B1 (fr) | 2005-07-08 |
| EP1627494A1 (fr) | 2006-02-22 |
| US20060208870A1 (en) | 2006-09-21 |
| US7388482B2 (en) | 2008-06-17 |
| WO2004107652A1 (fr) | 2004-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR2855634A1 (fr) | Procede d'apprentissage automatique de chroniques frequentes dans un journal d'alarmes pour la supervision de systemes dynamiques | |
| EP1695485B1 (fr) | Procede de classification automatique d un ensemble d a lertes issues de sondes de detection d intrusions d un systeme de securite d information | |
| Berrado et al. | Using metarules to organize and group discovered association rules | |
| EP2696344B1 (fr) | Procede et systeme pour detecter des evenements sonores dans un environnement donne | |
| CN113887616B (zh) | 一种epg连接数的实时异常检测方法 | |
| FR2962821A1 (fr) | Procede et systeme de classification de signaux neuronaux, et procede de selection d'electrodes pour commande neuronale directe. | |
| Patel et al. | A review on big data analytics in healthcare using machine learning approaches | |
| EP1170650B1 (fr) | Procédé de surveillance d'un système | |
| Jarwar et al. | NEAT: A resilient deep representational learning for fault detection using acoustic signals in IIoT environment | |
| FR2831981A1 (fr) | Procede et dispositif d'analyse d'alarmes provenant d'un reseau de communication | |
| KR102383675B1 (ko) | 시계열 데이터 이상 진단 시스템 | |
| Challal et al. | Document-oriented versus column-oriented data storage for social graph data warehouse | |
| FR2901037A1 (fr) | Procede et dispositif de generation de motifs structurels de reference aptes a representer des donnees hierarchisees | |
| EP3905044B1 (fr) | Procédé d'analyse automatique des journaux de transactions d'un système informatique distribué | |
| CN112905845B (zh) | 离散智能制造应用的多源非结构化数据清洗方法 | |
| FR2851353A1 (fr) | Procede de classification hierarchique descendante de donnees multi-valuees | |
| EP3622445B1 (fr) | Procede, mise en oeuvre par ordinateur, de recherche de regles d'association dans une base de donnees | |
| WO2021009364A1 (fr) | Procédé d'identification de données aberrantes dans d'un jeu de données d'entrée acquises par au moins un capteur | |
| Mahajan | Textual Data Quality at Scale for High Dimensionality Data | |
| EP4033361B1 (fr) | Procédé et dispositif de détermination d'au moins une machine impliquée dans une anomalie détectée dans une infrastructure informatique complexe | |
| Yadav et al. | Bearing fault classification using TKEO statistical features and artificial intelligence | |
| CN116861204B (zh) | 基于数字孪生的智能制造设备数据管理系统 | |
| Fessant et al. | Mining of an alarm log to improve the discovery of frequent patterns | |
| Carpentier et al. | Pattern-based Time Series Semantic Segmentation with Gradual State Transitions | |
| WO2016096886A1 (fr) | Procédé et dispositif de surveillance d'un processus générateur de données, par confrontation à des règles temporelles prédictives et modifiables |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| ST | Notification of lapse |
Effective date: 20130131 |