FR3037679A1 - - Google Patents

Abstract

La présente invention concerne des systèmes et des procédés de suivi, dans le temps, de données enregistrées dans des systèmes. Les techniques décrites ici comprennent la possibilité de détecter et de classer des activités des systèmes et de produire des indicateurs de fonctionnement normal des systèmes et de détection d'anomalies. Les systèmes et procédés selon la présente invention peuvent représenter des activités se déroulant dans le système contrôlé d'une manière telle que les caractéristiques temporelles des activités puissent être enregistrées et servir à la détection, au classement et/ou à la détection d'anomalies, ce qui peut être particulièrement utile quand on a affaire à des systèmes et/ou des activités complexes.

Description

1 Systèmes et procédés de vérification et de détection d'anomalies à l'aide d'un Mélange probabiliste de Modèles de Markov Cachés La présente invention concerne globalement des systèmes et des procédés de suivi d'états et, plus particulièrement, des systèmes et des procédés de vérification et de détection d'anomalies à l'aide d'un Mélange de Modèles de Markov Cachés. De nombreux systèmes peuvent bénéficier d'un suivi d'états dans lequel la situation opérationnelle d'un ou de plusieurs organes d'un système et/ou du système tout entier peut être activement suivie. En particulier, le suivi d'états peut comporter une vérification du bon fonctionnement de l'organe/des organes ou du système et/ou une détection d'une anomalie de fonctionnement de l'organe/des organes ou du système. 15 Comme exemples de systèmes pouvant bénéficier d'un suivi d'états, on citera les systèmes aéronautiques d'aéronefs, les systèmes de prospection et/ou d'extraction de pétrole et de gaz (p.ex. les installations de forage pétrolier), les turbines à gaz industrielles et bien d'autres systèmes complexes. 20 La détection d'une activité anormale au sein d'un système peut présenter de nombreux avantages dont, par exemple, l'identification rapide d'organes qui nécessitent un entretien pour que le système retrouve un bon fonctionnement, la prévention de défaillances du système en aval, la réduction de coûts liés à des 25 périodes d'indisponibilité de systèmes, etc. Plus généralement, le suivi d'états peut permettre à l'exploitant d'un système de mieux gérer les équipements et les organes du système. Cependant, il y a dans beaucoup de systèmes un grand nombre d'organes complexes et différents pour lesquels un suivi 30 d'états pose bien des difficultés. Par exemple, une installation de forage pétrolier peut comporter un ou plusieurs blocs d'obturation 3037679 2 de puits (BOP) qui peuvent servir, par exemple, à obturer, commander et/ou contrôler des puits de pétrole et/ou de gaz afin d'empêcher des éruptions. Dans certains cas, des BOP peuvent être immergés sous l'eau ou placés ailleurs, à des endroits difficiles à 5 observer. Chaque BOP peut ordinairement comporter un certain nombre d'organes différents (p.ex. des mâchoires, des obturateurs annulaires, etc.). De même, chaque BOP peut ordinairement servir à exécuter différentes tâches ou activités. Ainsi, le suivi d'états pendant le fonctionnement de divers organes de BOP afin d'exécuter diverses activités se heurte à de grandes difficultés, surtout pour les BOP immergés ou autrement difficiles à observer. Dans un autre exemple, un système aéronautique tel qu'un moteur d'aéronef comporte lui aussi un grand nombre d'organes qui servent à exécuter successivement différentes opérations ou activités. D'énormes quantités de données décrivant des états de fonctionnement d'un aéronef peuvent être recueillies à l'aide de divers capteurs ou autres mécanismes de rétroaction de l'aéronef. Par exemple, des données sur un vol complet peuvent être recueillies à partir de moteurs d'aéronefs commerciaux pour être analysées dans le but de chercher à assurer un bon fonctionnement de l'aéronef. Cependant, l'interprétation et la synthèse de cette énorme quantité de données peuvent constituer une tâche lourde, fastidieuse et sujette à des erreurs. Ainsi, des systèmes et des procédés perfectionnés pour le suivi d'états de systèmes complexes sont souhaitables. Des aspects et des avantages de formes de réalisation de la présente invention seront partiellement présentés dans la description ci-après ou pourront être des enseignements tirés de la description ou de la pratique des formes de réalisation.

Un premier exemple d'aspect de la présente invention concerne un système de suivi d'états pour contrôler des états dans 3037679 3 un système de prospection ou d'extraction de pétrole et de gaz qui comporte un ou plusieurs bloc(s) d'obturation de puits. Le système de suivi d'états comporte un ou plusieurs hydrophone(s) qui reçoit/reçoivent des signaux acoustiques provoqués par le 5 fonctionnement du/des bloc(s) d'obturation de puits et, à partir des signaux acoustiques, produit/produisent une série de données acoustiques indiquant des états de fonctionnement dans le/les bloc(s) d'obturation de puits. Le système de suivi d'états comprend un organe de vérification et de détection d'anomalie mis en oeuvre 10 par un ou plusieurs processeur(s). L'organe de vérification et de détection d'anomalie utilise un Mélange de Modèles de Markov Cachés pour : vérifier le fonctionnement du/des bloc(s) d'obturation de puits d'après les données acoustiques ; et/ou déterminer, d'après les données acoustiques, qu'une anomalie est survenue dans le/les 15 bloc(s) d'obturation de puits. Un autre exemple d'aspect de la présente invention concerne un procédé informatisé servant à exécuter un suivi d'états pour un système. Le procédé comporte l'obtention, par un ou plusieurs dispositif(s) informatique(s), d'une série de données système 20 indiquant des états de fonctionnement dans un ou plusieurs organe(s) du système. Le procédé comporte l'introduction, par le/les dispositif(s) informatique(s), d'au moins une partie de la série de données système dans un Mélange de Modèles de Markov Cachés. Le procédé comporte la réception, par le/les dispositif(s) 25 informatique(s), d'au moins un classement et d'au moins une note d'aptitude délivrés par le Mélange de Modèles de Markov Cachés. Le procédé comporte la détermination, par le/les dispositifs informatiques, au moins en partie d'après le/les classement(s) et la/les note(s) d'aptitude, d'une situation opérationnelle du/des 30 organe(s) du système. La situation opérationnelle indique si une anomalie est survenue dans le/les organe(s) du système.

3037679 4 Encore un autre exemple d'aspect de la présente invention concerne un procédé informatisé pour réaliser une vérification et une détection d'anomalie. Le procédé comporte la réception, par un ou plusieurs dispositif(s) informatique(s), d'une série de données 5 système. Le procédé comporte l'extraction d'un ou de plusieurs élément(s) par le/les dispositif(s) informatique(s), à partir de la série de données système. Le procédé comporte la détermination, par le/les dispositif(s) informatique(s), d'une prédiction de classe et/ou d'une note d'aptitude pour la série de données système à l'aide 10 d'un Mélange de Modèles de Markov Cachés. Le procédé comporte la détermination, par le/les dispositif(s) informatique(s), de ce qu'une anomalie est survenue d'après la prédiction de classe et/ou la note d'aptitude. Des variantes et des modifications peuvent être apportées à 15 ces exemples d'aspects de la présente invention. Ces caractères, aspects et avantages, et d'autres, de diverses formes de réalisation apparaîtront plus clairement à la lecture de la description ci-après et des revendications annexées. Les dessins joints, qui font partie intégrante du présent fascicule, illustrent des 20 formes de réalisation de la présente invention et, conjointement avec la description, servent à expliquer les principes correspondants. L'invention sera mieux comprise à l'étude détaillée de quelques modes de réalisation pris à titre d'exemples non limitatifs 25 et illustrés par les dessins annexés sur lesquels : -la Figure lA représente un schéma de principe d'un exemple de système de suivi d'états de fonctionnement d'un système de prospection et/ou d'extraction de pétrole et de gaz selon des exemples de formes de réalisation de la présente invention ; 3037679 5 -la Figure 1F3 représente un exemple d'organigramme d'un exemple de système de suivi d'états selon des exemples de formes de réalisation de la présente invention ; -la Figure 2 représente un schéma de principe d'un exemple 5 de système de suivi d'états selon des exemples de formes de réalisation de la présente invention ; -la Figure 3 représente un organigramme d'un exemple de procédé pour réaliser un suivi d'états selon des exemples de formes de réalisation de la présente invention ; 10 -la Figure 4 représente un schéma de principe d'un exemple d'environnement en réseau selon des exemples de formes de réalisation de la présente invention ; et -la Figure 5 représente un schéma de principe d'un système informatique ou d'un environnement de fonctionnement selon des 15 exemples de formes de réalisation de la présente invention. On va maintenant considérer en détail des formes de réalisation de l'invention, dont un ou plusieurs exemple(s) est/sont illustré(s) sur les dessins. Chaque exemple est présenté à titre d'explication nullement limitative de l'invention. En fait, les 20 spécialistes de la technique comprendront que diverses modifications et variantes peuvent être apportés à la présente invention sans s'écarter de la portée ni de l'esprit de l'invention. Par exemple, des détails illustrés ou décrits dans le cadre d'une forme de réalisation peuvent servir avec une autre forme de réalisation 25 pour donner encore une autre forme de réalisation. Il est donc entendu que la présente invention couvre ces modifications et variantes comme entrant dans la portée des revendications annexées et de leurs équivalents. Des exemples d'aspects de la présente invention concernent 30 des systèmes et des procédés qui utilisent un Mélange de Modèles de Markov Cachés pour le suivi d'états. En particulier, des aspects 3037679 6 de la présente invention concernent la création d'un Mélange probabiliste de Modèles de Markov Cachés (MMMC) à partir d'une série de données déterminée recueillie dans un système à contrôler. D'autres aspects de la présente invention concernent l'utilisation du 5 MMMC afin d'effectuer un suivi d'états pour le système. Plus particulièrement, il est possible de recueillir une série de données indiquant des états de fonctionnement dans un ou plusieurs organe(s) du système. Par exemple, la série de données peut comprendre des données issues de divers types de capteurs, 10 dispositifs de collecte de données ou autres dispositifs de rétroaction qui contrôlent des états dans le/les organe(s) ou pour le système tout entier. Une pluralité d'éléments peut être extraite de la série de données. La série de données peut être entièrement ou partiellement marquée. Par exemple, le marquage de données peut 15 être effectué manuellement, pendant la collecte de données, par des personnes compétentes et/ou d'après des informations factuelles connues. La série de données peut servir à l'apprentissage du MMMC lors d'un processus globalement appelé apprentissage. Après avoir subi un apprentissage, le MMMC ainsi obtenu 20 peut servir pour une vérification, un classement et/ou une détection d'anomalie. En particulier, de nouvelles données, non marquées, recueillies dans le même système peuvent être introduites dans le MMMC. En réponse à l'introduction des nouvelles données, le MMMC peut délivrer au moins une prédiction de classe et/ou au 25 moins une note d'aptitude au cours d'un processus globalement appelé prédiction. Dans certaines mises en oeuvre, des éléments sont extraits des nouvelles données avant l'introduction de celles-ci dans le MMMC. Dans certaines mises en oeuvre, la prédiction de classe ou le 30 classement peut identifier une activité, action ou opération particulière à laquelle ressemblent le plus les données introduites 3037679 7 (p.ex. apparie des éléments à partir de données d'apprentissage qui correspondent à cette activité ou opération). En outre, dans certaines mises en oeuvre, la note d'aptitude peut indiquer une confiance dans la prédiction de classe ou peut constituer quelque 5 autre mesure indiquant le degré de ressemblance des données introduites avec l'activité ou l'opération identifiée par la prédiction de classe. La/les prédiction(s) de classe et/ou note(s) d'aptitude délivrée(s) par le MMMC peut/peuvent servir à vérifier le bon 10 fonctionnement de la partie du système contrôlée (p.ex. la partie où les données ont été recueillies ou que concernent les données recueillies). Par exemple, dans certaines mises en oeuvre, le MMMC peut délivrer un seul classement et/ou une seule note d'aptitude qui indique simplement si les données introduites sont classées comme 15 indiquant un fonctionnement normal du système ou sont classées comme indiquant un fonctionnement anormal du système. Par exemple, dans certaines formes de réalisation, une seule note d'aptitude délivrée par le MMMC peut être comparée avec une valeur seuil. Une note d'aptitude supérieure à la valeur seuil peut 20 indiquer que le système fonctionne correctement, tandis qu'une note d'aptitude inférieure à la valeur seuil peut indiquer que le système ne fonctionne pas correctement (p.ex. qu'une anomalie est survenue). Dans certaines formes de réalisation, la valeur seuil particulière utilisée peut dépendre de la prédiction de classe 25 réalisée par le MMMC. Dans d'autres mises en oeuvre, le MMMC peut délivrer de multiples prédictions de classe et/ou notes d'aptitude. Par exemple, dans certaines mises en oeuvre, chaque Modèle de Markov Caché (MMC) inclus dans le MMMC peut délivrer une prédiction de classe 30 et une note d'aptitude correspondante pour la série de données introduites. La prédiction de classe qui a la note d'aptitude 3037679 8 correspondante la plus élevée peut être sélectionnée et utilisée comme prédiction fournie globalement par le MMMC. Ainsi, la prédiction fournie par le MMMC peut être la prédiction la plus sûre fournie par l'un quelconque des MMC inclus dans le MMMMC 5 Selon un autre exemple, dans certaines mises en oeuvre, les multiples classements/notes fournis par, le MMMC peuvent respectivement identifier, dans le temps, de multiples activités potentielles auxquelles correspondent les données introduites. En particulier, les multiples classements/notes peuvent identifier, dans 10 le temps, une suite d'activités/opérations. Plus particulièrement, un système suivi peut passer d'une activité à une autre pendant son fonctionnement. Par exemple, pendant une période de fonctionnement, un aéronef peut avoir de multiples activités (p.ex. un trajet court, un trajet long, etc.) et 15 chaque activité peut consister en un certain nombre de ses propres activités ou sous-activités (par exemple un roulage, un décollage, une montée, etc.) qui se déroulent dans un ordre particulier. De même, la fermeture d'un exemple de BOP annulaire peut consister en un certain nombre d'activités ou de sous-activités à 20 caractéristiques différentes qui, là encore, peuvent se dérouler dans un ordre particulier. Ainsi, dans certaines mises en oeuvre, le MMMC peut délivrer une pluralité de classements et une pluralité de notes d'aptitude respectivement associées à la pluralité de classements. La 25 pluralité de classements peut identifier un ordre chronologique d'activités différentes subies ou réalisées par le système (comme le démontrent les données introduites). La note d'aptitude respective pour chaque classement peut indiquer une confiance dans le fait que l'activité identifiée par le classement correspondant a été exécutée 30 sans anomalie. De la sorte, dans certaines mises en oeuvre, si la totalité des notes d'aptitude pour une série de classements sont 3037679 9 respectivement supérieures à une pluralité de valeurs seuils, il peut alors être supposé que toute la suite d'activités identifiées s'est déroulée dans des limites de paramètres de fonctionnement normal. Si, en revanche, une (ou plusieurs) des notes d'aptitude pour la série 5 de classements est inférieure à sa note de confiance respective, une anomalie peut alors être détectée quant à l'activité identifiée par le classement auquel correspond cette note d'aptitude. De ce fait, des aspects de la présente invention peuvent servir à réaliser un suivi d'états, dont la détection d'anomalies, pour des systèmes complexes 113 qui passent successivement, plusieurs fois, d'un état ou d'une activité à l'autre. Par ailleurs, dans certaines mises en oeuvre dans lesquelles chaque Modèle de Markov Caché (MMC) inclus dans le MMMC délivre une prédiction de classe et une note d'aptitude 15 correspondante, l'ordre chronologique, décrit plus haut, d'activités différentes prédite par le MMMC peut être identifié en sélectionnant, pour tout segment temporel ou partie particulier des données introduites, la prédiction de classe qui a la note d'aptitude correspondante la plus élevée délivrée par le MMMC. Ainsi, la 20 prédiction de classe la plus sûre pour chaque segment des données introduites peut servir pour être délivrée par le MMMC, ce qui donne un ordre chronologique de prédictions qui identifient respectivement la suite d'activités. Dans un exemple d'application de la présente invention, des 25 aspects de la présente invention peuvent être appliqués afin d'effectuer un suivi d'états pour un ou plusieurs blocs d'obturation de puits (BOP) d'un système de prospection ou d'extraction de pétrole et de gaz. Dans un exemple particulier, des hydrophones peuvent servir à recueillir des données acoustiques qui décrivent 30 des signaux acoustiques résultant du fonctionnement des BOP. Dans certaines mises en oeuvre, les données acoustiques peuvent être 3037679 10 transformées d'une façon appropriée et/ou partiellement marquées par des personnes compétentes. Ensuite, les données transformées et/ou marquées peuvent être employées pour l'apprentissage d'un MMMC avec une structure dérivée de la connaissance relative aux 5 données et au système et aux activités des BOP. Le MMMC qui a subi l'apprentissage peut ensuite servir à la prédiction d'activités et à la détection d'anomalies sur la base de nouvelles données fournies par les hydrophones et transformées de la même manière que les données d'apprentissage.

10 Dans un autre exemple d'application, des aspects de la présente invention peuvent être appliqués afin d'effectuer un suivi d'états pour un ou plusieurs système(s) aéronautique(s) tel(s) que des moteurs d'aéronefs. Par exemple, des données relatives à un vol complet peuvent être introduites dans un MMMC ayant subi un 15 apprentissage afin de recevoir des prédictions (p.ex. une vérification ou une détection d'anomalie) concernant la situation opérationnelle de divers systèmes aéronautiques. Comme indiqué plus haut, une telle utilisation du MMMC peut être particulièrement avantageuse pour le suivi d'états pour des systèmes qui passent par 20 une suite chronologique d'activités telles que le roulage, le décollage, la montée, etc., comme décrit plus haut. Par ailleurs, des aspects de la présente invention reposent en partie sur les notions de base de la théorie des probabilités et créent donc un cadre clair qui permet de modifier ou d'étendre des 25 modèles. Par exemple, des aspects de la présente invention permettent l'incorporation de données issues de nouveaux capteurs ou une combinaison avec d'autres modèles (probabilistes). De plus, des aspects de la présente invention offrent un avantage commercial en constituant une manière raisonnée de faire 30 face à l'incertitude propre à des modèles qui, sans aucune nécessité, sont construits à partir de données bruitées. Par exemple, des 3037679 11 aspects de la présente invention permettent l'association de différents coûts avec différents types d'erreurs de classement d'activités, qui peuvent être combinés aux prédictions probabilistes du modèle pour en tirer des stratégies de prise de décisions dont on 5 s'attend à ce qu'elles soient optimales dans le temps. Bien que des exemples d'aspects de la présente invention soient examinés en référence à des systèmes de prévention d'éruptions et/ou des systèmes aéronautiques, le sujet décrit ici peut être utilisé avec ou appliqué à d'autres systèmes, véhicules, 10 machines, équipements industriels ou mécaniques, ou organes sans s'écarter de la portée de la présente invention. Considérant maintenant les figures, on va examiner plus en détail des exemples d'aspects de la présente invention. La Figure 1 A représente un schéma de principe d'un exemple 15 de système 10 pour le suivi d'états de fonctionnement dans un système de prospection et d'extraction 20 de pétrole et de gaz selon des exemples de formes de réalisation de la présente invention. Par exemple, le système de prospection et d'extraction 20 de pétrole et de gaz peut être une installation de forage pétrolier.

20 Le système de prospection et d'extraction 20 de pétrole et de gaz peut comporter un ou plusieurs blocs d'obturation 22 de puits (BOP), lesquels peuvent servir, par exemple, à obturer, commander et/ou contrôler des puits de pétrole et/ou de gaz afin d'empêcher des éruptions. Dans certains cas, les BOP 22 peuvent être immergés 25 sous l'eau ou placés ailleurs à des endroits difficiles à observer. Chaque BOP 22 peut ordinairement comprendre un certain nombre d'organes différents (p.ex. des mâchoires, des obturateurs annulaires, etc.). De même, chaque BOP 22 peut normalement servir à exécuter un certain nombre de tâches ou activités différentes.

30 Le fonctionnement des BOP 22 peut générer ou autrement aboutir à des signaux acoustiques 24. Au sens de la présente 3037679 12 description, les signaux acoustiques 24 peuvent comprendre tout signal amené à se propager mécaniquement dans un milieu. A titre d'exemples nullement limitatifs, les signaux acoustiques 24 peuvent comprendre une onde sonore amenée à se propager dans un milieu 5 fluide tel qu'un gaz ou de l'eau, des vibrations amenées à se propager dans un milieu solide et/ou quelque combinaison de celles-ci. Les signaux acoustiques 24 peuvent être perceptibles par l'homme ou non perceptibles par l'homme. Le système 10 comporte un système de suivi d'états 30 qui 10 contrôle des états dans le système de prospection et d'extraction 20 de pétrole et de gaz. Le système de suivi d'états 30 peut comprendre un ou plusieurs hydrophones 32 et un composant de vérification et de détection d'anomalies 34. Les hydrophones 32 peuvent contrôler des installations sous- 15 marines (p.ex. les BOP 22) et délivrer des données acoustiques relatives au fonctionnement d'organes (p.ex. des mâchoires, des obturateurs annulaires, etc.). En particulier, les hydrophones 32 peuvent recevoir les signaux acoustiques 24 et transformer les signaux acoustiques 24 en données acoustiques (p.ex. un signal 20 électronique numérique ou un signal électronique analogique). Les données transmises par les hydrophones 32 peuvent être fournies au composant de vérification et de détection d'anomalies (composant de VDA) 34. Le composant de VDA 34 peut détecter et classer des 25 activités survenant dans les BOP 22 sur la base d'une application d'un Mélange de Modèles de Markov Cachés aux données acoustiques. Le composant de VDA 34 peut communiquer des alarmes et/ou afficher des résultats à l'attention d'un utilisateur. En particulier, le composant de VDA 34 peut produire des indicateurs 30 de fonctionnement normal du système et/ou de détection d'anomalies.

3037679 13 Le composant de VDA 34 peut être identique ou similaire au composant de VDA 204 qui sera examiné plus en détail en référence à la Figure 2. Bien que des BOP 22 soient représentés sur la Figure 1A, le système de suivi d'états 30 peut servir à contrôler des états 5 pour d'autres organes - différents - du système de prospection et d'extraction 20 de pétrole et de gaz, en plus ou à la place des BOP 22. En outre, bien que des hydrophones 32 soient représentés sur la figure 1A, d'autres dispositifs de collecte de données peuvent être utilisés en plus ou à la place des hydrophones 32.

10 La Figure 1B représente un exemple d'organigramme d'un exemple de système de suivi d'états 100 selon des exemples de formes de réalisation de la présente invention. Le système de suivi d'états 100, tel qu'il est représenté, comporte une partie apprentissage 101 et une partie prédiction 102.

15 La partie apprentissage 101 comprend une série de données système 103 qui servent à l'extraction 104 d'éléments. Les données système 103 peuvent être obtenues, acquises ou encore reçues d'un ensemble de dispositifs de collecte de données. Par exemple, les dispositifs de collecte de données peuvent comprendre, à titre 20 nullement limitatif, une série de capteurs, un ou plusieurs imageurs, etc. L'extraction 104 d'éléments peut isoler, obtenir ou encore extraire une ou plusieurs valeurs ou caractéristiques utiles ou d'après une série de critères, règles ou paramètres d'extraction 25 d'éléments. Les paramètres d'extraction de paramètres peuvent être préétablis, appris ou ajustés d'une manière dynamique. Les éléments extraits peuvent être fournis à un Mélange de Modèles de Markov Cachés (MMMC) pour un apprentissage 106. En outre, une série de marques 105 de données système peuvent être 30 prévues pour faciliter l'apprentissage 106 du MMMC. Par exemple, une première marque parmi la série de marques 105 peut identifier 3037679 14 une activité ou une opération associée à un premier élément extrait ou à un premier ensemble d'éléments relevant d'un cas ou d'un exemple particulier. Un ou plusieurs MMC inclus dans le MMMC peut/peuvent subir un apprentissage pour reconnaître l'opération 5 d'après le premier élément extrait et la première marque. A titre d'exemples, l'apprentissage 106 du MMMC peut mettre en oeuvre une technique de Baum-Welch (qui peut aussi s'appeler technique Forward-Backward et/ou algorithme Espérance-Maximisation) pour l'apprentissage des MMC.

10 L'apprentissage 101 peut être temporaire ou continu. Par exemple, l'apprentissage 101 peut avoir lieu pendant le paramétrage ou l'installation du système de suivi d'états 100. De plus ou selon une autre possibilité, l'apprentissage 101 peut se poursuivre pendant le fonctionnement courant (p.ex. pendant la prédiction 102) du 15 système de suivi d'états 100 afin d'améliorer la prédiction 102. La partie prédiction 102 comprend de nouvelles données système 108. Comme les données système 103 utilisées dans la partie apprentissage 101, les nouvelles données système 108 peuvent être reçues du même ensemble de dispositifs de collecte de 20 données ou d'un ensemble élargi de dispositifs de collecte de données. Les nouvelles données système 108 sont prévues pour l'extraction 110 d'éléments. L'extraction 110 d'éléments peut employer une série de paramètres affinés pendant la partie apprentissage 101 pour l'extraction 104 d'éléments. Les éléments 25 extraits sont fournis (p.ex. introduits) dans le MMMC pour la prédiction 112, le MMMC comprenant des MMC qui ont subi un apprentissage pendant la partie apprentissage 101. La prédiction 112 peut générer, produire ou encore délivrer une prédiction de classe 114 et/ou une note d'aptitude 116. La 30 prédiction de classe 114 et la note d'aptitude 116 peuvent indiquer ou vérifier un fonctionnement normal d'un système associé aux 3037679 15 nouvelles données système 108. En outre ou selon une autre possibilité, la prédiction de classe 114 et/ou la note d'aptitude 116 peut/peuvent détecter une anomalie dans le fonctionnement du système associé. Par exemple, si un fonctionnement a une note 5 d'aptitude 116 non conforme à un seuil prédéterminé, cela peut indiquer une anomalie de fonctionnement. Selon un autre exemple, si le MMMC délivre un classement incertain dans lequel tous les classements possibles reçoivent une note d'aptitude basse (indiquant qu'ils sont d'une manière similaire non vraisemblable), cela peut 10 indiquer une anomalie de fonctionnement. Dans d'autres mises en oeuvre, la prédiction 112 peut délivrer de multiples prédictions de classe 114 et/ou notes d'aptitude 116. En particulier, dans certaines mises en oeuvre, les multiples prédictions de classe 114 peuvent respectivement 15 identifier des multiples activités potentielles auxquelles correspondent les nouvelles données système 108. Par exemple, les multiples classements/notes 114/116 peuvent identifier, dans le temps, une suite d'activités/opérations. Ainsi, dans certaines mises en oeuvre, la pluralité de 20 classements 114 peut identifier un ordre chronologique de différentes activités subies ou exécutées par le système (comme le démontrent les nouvelles données système 108). La note d'aptitude respective 116 pour chaque classement 114 peut indiquer une confiance dans le fait que l'activité identifiée par le classement 25 correspondant 114 a été exécutée sans anomalie. De la sorte, dans certaines mises en oeuvre, si la totalité des notes d'aptitude 116 dépassent respectivement une pluralité de valeurs seuils, il peut alors être supposé que toute la suite d'activités identifiées s'est déroulée dans les limites de paramètres de fonctionnement normal.

30 En revanche, si une (ou plusieurs) des notes d'aptitude 116 est inférieure à sa note de confiance respective, une anomalie peut alors 3037679 16 être détectée quant à l'activité identifiée par le classement 114 auquel correspond cette note d'aptitude. De la sorte, la partie prédiction 102 peut servir à réaliser un suivi d'états, comprenant une détection d'anomalies, pour des systèmes complexes qui, dans le 5 temps, passent de multiples fois d'une situation ou d'une activité à une autre. La partie apprentissage 101 (comprenant l'extraction 104 d'éléments et l'apprentissage 106 de MMMC) peut être exécutée ou encore mise en oeuvre par un ou plusieurs dispositifs informatiques, 10 lesquels comprennent un ou plusieurs processeurs exécutant des instructions stockées sur un support durable exploitable par ordinateur. Par exemple, dans certaines mises en oeuvre, l'extraction 104 d'éléments et l'apprentissage 106 du MMMC correspondent à ou encore comprennent une logique informatique utilisée pour assurer 15 des fonctions voulues. Ainsi, l'extraction 104 d'éléments et l'apprentissage 106 du MMMC peuvent chacun être mis en oeuvre dans des matériels, des circuits pour applications spécifiques, des microprogrammes et/ou des logiciels commandant un processeur polyvalent. Dans une forme de réalisation, l'extraction 104 20 d'éléments et l'apprentissage 106 du MMMC correspondent chacun à des fichiers d'un code de programme stockés dans un périphérique de stockage, chargés en mémoire et exécutés par un processeur ou peuvent réalisés à l'aide de produits formant programmes informatiques, par exemple des instructions exécutables par 25 ordinateur, qui sont stockés sur un support matériel de stockage exploitable par ordinateur tel qu'une mémoire vive, un disque dur ou des supports optiques ou magnétiques. De même, la partie prédiction 102 (comprenant l'extraction 110 d'éléments et la prédiction 112 par le MMMC) peut être 30 exécutée ou encore mise en oeuvre par le/les dispositif(s) informatique(s), qui comprend/comprennent un ou plusieurs 3037679 17 processeurs exécutant des instructions stockées sur un support durable exploitable par ordinateur. Le/les dispositif(s) informatique(s) qui met/mettent en oeuvre la partie prédiction 102 peut/peuvent être identique(s), différent(s) ou avoir des points 5 communs par rapport au(x) dispositif(s) informatique(s) mettant en oeuvre la partie apprentissage 101. Par exemple, dans certaines mises en oeuvre, l'extraction 110 d'éléments et la prédiction 112 par le MMMC correspondent à ou encore comprennent une logique informatique servant à assurer des fonctions voulues. Ainsi, 10 l'extraction 110 d'éléments et la prédiction 112 par le MMMC peuvent chacune être mises en oeuvre dans des matériels, des circuits pour applications spécifiques, des microprogrammes et/ou des logiciels commandant un processeur polyvalent. Dans une forme de réalisation, l'extraction 110 d'éléments et la prédiction 112 par le 15 MMMC correspondent chacune à des fichiers d'un code de programme stockés dans un périphérique de stockage, chargés en mémoire et exécutés par un processeur ou peuvent être réalisées à l'aide de produits formant programmes informatiques, par exemple des instructions exécutables par ordinateur, qui sont stockés sur un 20 support matériel de stockage exploitable par ordinateur tel qu'une mémoire vive, un disque dur ou des supports optiques ou magnétiques. Considérant maintenant la Figure 2, il y est illustré un exemple de système de suivi d'états 200 selon divers aspects décrits 25 ici. Le système de suivi d'états 200 peut comporter un ensemble de dispositifs de collecte de données 202 et un composant de vérification et de détection d'anomalies 204. L'ensemble de dispositifs de collecte 202 peut comprendre N dispositifs de collecte de données, N étant un entier. Les dispositifs 30 de collecte 202 peuvent comprendre, à titre nullement limitatif, un ensemble de capteurs. Par exemple, les dispositifs de collecte de 3037679 18 données 202 peuvent comprendre des systèmes acoustiques passifs qui utilisent des hydrophones. Les hydrophones peuvent contrôler des installations sous-marines (p.ex. des blocs d'obturation de puits (BOP)) et délivrer des données acoustiques relatives au 5 fonctionnement d'organes (p.ex. des mâchoires, des obturateurs annulaires, etc.). Les données issues des dispositifs de collecte de données 202 peuvent être fournies au composant de vérification et de détection d'anomalies (composant de VDA) 204. Le composant de VDA 204 comprend un composant d'entrée 10 206, un composant d'apprentissage 208, un composant d'extraction 210 d'éléments et un composant de prédiction 212 par le MMMC. Le composant de VDA 204 peut aussi comprendre un ou plusieurs processeurs (non représentés) et une mémoire (non représentée). Le/les processeur(s) peut/peuvent être tout dispositif de traitement 15 approprié (p.ex. un coeur de processeur, un microprocesseur, un circuit ASIC, un réseau prédiffusé programmable par l'utilisateur (FPGA), un contrôleur, un microcontrôleur, etc.) et peut/peuvent être un processeur unique ou une pluralité de processeurs coopérant les uns avec les autres. La mémoire peut comprendre un ou 20 plusieurs support(s) durable(s) exploitable(s) par ordinateur, tel(s) qu'une mémoire vive, une mémoire morte, une EEPROM, une EPROM, des dispositifs de mémoires flash, des disques magnétiques, etc., et des combinaisons de celles-ci. La mémoire peut stocker des instructions qui sont exécutées par le processeur 25 afin d'effectuer des opérations. Considérant à nouveau la Figure 2, le composant d'entrée 206 obtient, acquiert ou encore reçoit des données issues des dispositifs de collecte de données 202. Comme expliqué, les données peuvent comprendre, par exemple, des données acoustiques 30 relatives au fonctionnement d'organes de BOP. En outre, les données peuvent comprendre des données d'apprentissage et/ou des 3037679 19 données de fonctionnement réel. De plus, le composant d'entrée 206 peut réaliser ou mettre en oeuvre tout traitement nécessaire ou souhaitable. Le composant d'apprentissage 208 peut assurer 5 l'apprentissage des MMC au moins en partie d'après une série de données d'apprentissage. Le composant d'apprentissage 208 peut en outre comporter un composant de marques 209. Le composant de marques 209 peut recevoir ou gérer des marques qui facilitent l'apprentissage des MMC. Par exemple, une série de marques peut 10 être créée par un technicien pour identifier une opération incluse dans les données pour apprentissage. D'après les marques et les données, un ensemble de MMC peut subir un apprentissage pour reconnaître, identifier ou encore classer une opération. Le composant d'extraction 210 d'éléments peut isoler, 15 obtenir ou encore extraire des données un ou plusieurs valeur(s) ou élément(s) intéressant(s). Le composant d'extraction 210 d'éléments peut comprendre un composant de paramètres 211 qui détermine, reçoit ou gère un ensemble de critères, règles ou paramètres d'extraction d'éléments. Par exemple, les paramètres peuvent être 20 introduits ou saisis dans le composant de paramètres 211 par un utilisateur, un professionnel ou un technicien. De plus ou selon une autre possibilité, les paramètres peuvent être appris ou choisis d'une manière dynamique par le composant de paramètres 211. Le composant d'extraction 210 d'éléments peut utiliser les critères, 25 règles ou paramètres pour identifier les éléments et les extraire des données. Le composant de Prédiction par MMMC 212 applique, exploite ou encore utilise des MMC ayant subi un apprentissage (p.ex. à l'aide du composant d'apprentissage 208) pour la 30 vérification et la détection d'anomalies de fonctionnement dans les éléments extraits. Le composant de prédiction par MMMC peut 3037679 20 comprendre un composant de classe 214 et un composant d'aptitude 216. Revenant à un exemple précédent, un MMC inclus dans le MMMC peut identifier et vérifier un élément extrait tel qu'une ouverture annulaire d'un BOP. De plus ou selon une autre 5 possibilité, si aucune des MMC ne peut identifier d'une manière fiable ou satisfaisante une opération associée à un élément extrait (p.ex. toutes les classes reçoivent une note également basse), le composant de prédiction 212 par MMMC peut alors déterminer que l'opération est une anomalie. Le composant de classe 214 peut 10 indiquer si une opération appartient à une classe connue ou encore réaliser une prédiction de classe et le composant d'aptitude 216 détermine et fournit une note concernant l'aptitude d'un MMC potentiel identifiant l'opération. Par exemple, le composant d'aptitude 216 peut fournir une note comme valeur indiquant une 15 vraisemblance d'identification correcte de l'opération par un MMC. Si la note ne respecte pas un seuil prédéterminé, le composant de prédiction 212 par MMMC peut déterminer que l'opération est une anomalie. Les résultats émanant du composant de prédiction 212 par 20 MMMC peuvent être fournis à un utilisateur 220 et/ou servir à déclencher une alarme 218. Par exemple, s'il est déterminé qu'une opération associée à un BOP est une anomalie, l'alarme 218 peut être déclenchée pour avertir, alerter ou encore aviser le personnel. En outre ou selon une autre possibilité, les résultats peuvent être 25 fournis à l'utilisateur 220, par exemple par l'intermédiaire d'une interface d'ordinateur. Le composant de VDA 204 (comprenant le composant d'entrée 206, le composant d'apprentissage 208, le composant de marques 209, le composant d'extraction 210 d'éléments, le 30 composant de paramètres 211, le composant de prédiction 212 par MMMC, le composant de classe 214 et le composant d'aptitude 216) 3037679 21 peut correspondre à ou encore comprendre une logique informatique servant à assurer les fonctions voulues. Ainsi, chacun de ces composants peut être mis en oeuvre dans des matériels, des circuits pour applications spécifiques, des microprogrammes et/ou des 5 logiciels commandant un processeur polyvalent. Dans une forme de réalisation, chacun de ces composants correspond à des fichiers d'un code de programme stockés dans un périphérique de stockage, chargés en mémoire et exécutés par un processeur ou peuvent réalisés à l'aide de produits formant programmes informatiques, par 10 exemple des instructions exécutables par ordinateur, qui sont stockés sur un support matériel de stockage exploitable par ordinateur tel qu'une mémoire vive, un disque dur ou des supports optiques ou magnétiques. La Figure 3 représente un organigramme d'un exemple de 15 procédé 300 pour effectuer un suivi d'états selon des exemples de formes de réalisation de la présente invention. En 302, le système de suivi d'états obtient du système à contrôler une série de données d'apprentissage. Par exemple, la série de données d'apprentissage peut comprendre des données 20 transmises par divers types de capteurs ou autres dispositifs de rétroaction qui contrôlent des états dans pour le système tout entier. Dans certaines mises en un ou plusieurs organes et oeuvre, une pluralité d'éléments peuvent être extraits, en 302, de la série de données. Par exemple, 25 une ou plusieurs valeurs intéressantes ou d'autres éléments peuvent être isolés, obtenus ou encore extraits d'après un ensemble de critères, règles ou paramètres d'extraction d'éléments. Les paramètres d'extraction d'éléments peuvent être préétablis, appris ou ajustés d'une manière dynamique.

30 Dans certaines mises en oeuvre, la série de donnée s d'apprentissage peut aussi être partiellement ou entièrement 3037679 22 marquée en 302. Par exemple, le marquage de données peut être effectué manuellement, pendant la collecte de données, par des personnes compétentes et/ou d'après des informations factuelles connues.

5 En 304, le système de suivi d'états soumet un Mélange de Modèles de Markov Cachés (MMMC) à un apprentissage à l'aide des données d'apprentissage. A titre d'exemples, l'apprentissage 106 du MMMC peut mettre en oeuvre une technique de Baum-Welch (qui peut aussi s'appeler technique Forward-Backward et/ou algorithme 10 Espérance-Maximisation) pour l'apprentissage des MMC. En 306, le système de suivi d'états obtient une série de nouvelles données système. Par exemple, comme les données système obtenues en 302, les nouvelles données système obtenues en 306 peuvent être reçues du même ensemble de dispositifs de 15 collecte de données ou d'un ensemble élargi de dispositifs de collecte de données. Dans certaines mises en oeuvre, les nouvelles données système peuvent être produites pour l'extraction d'éléments en 306. L'extraction d'éléments peut employer, un ensemble de paramètres affinés pendant l'apprentissage 304.

20 En 308, le système de suivi d'états introduit au moins une partie de la série de données système dans le MMMC. En 310, le système de suivi d'états reçoit un classement et/ou au moins une note d'aptitude délivré(s) par le MMMC. Dans certaines mises en oeuvre, le classement peut identifier une activité, une action ou une 25 opération particulière à laquelle ressemble le plus la série de données système introduite. Par ailleurs, dans certaines mises en oeuvre, la note d'aptitude peut indiquer une confiance dans le classement ou autre mesure qui indique le degré de ressemblance de la série de données système introduite avec l'activité ou l'opération 30 identifiée par le classement.

3037679 23 En 312, le système de suivi d'états détermine une situation opérationnelle du système à contrôler au moins en partie d'après le classement et/ou la note d'aptitude reçu(s). A titre d'exemple, dans certaines mises en oeuvre, le MMMC peut délivrer, en 310, un 5 classement et/ou une note d'aptitude unique(s) indiquant simplement si les données introduites sont classées comme indiquant un fonctionnement normal du système ou sont classées comme indiquant un fonctionnement anormal du système. Par exemple, dans certaines mises en oeuvre, pour déterminer la situation 10 opérationnelle en 312, le système de suivi d'états peut comparer avec une valeur seuil la note d'aptitude unique délivrée par le MMMC. Une note d'aptitude supérieure à la valeur seuil peut indiquer que le système fonctionne correctement, tandis qu'une note d'aptitude inférieure à la valeur seuil peut indiquer que le système 15 ne fonctionne pas correctement (p.ex. qu'une anomalie est survenue). Dans certaines mises en oeuvre, la valeur seuil particulière utilisée peut dépendre de la prédiction de classe réalisée par le MMMC. Dans d'autres mises en oeuvre, le MMMC peut délivrer de 20 multiples prédictions de classe et/ou notes d'aptitude en 310. A titre d'exemple, dans certaines mises en oeuvre, chaque Modèle de Markov Caché (MMC) inclus dans le MMMC peut délivrer une prédiction de classe et une note d'aptitude correspondante pour la série de données introduites. La prédiction de classe qui a la note 25 d'aptitude correspondante la plus haute peut être sélectionnée en 312 pour servir à déterminer la situation opérationnelle du système (p.ex. par comparaison avec une valeur seuil). Ainsi, la prédiction délivrée par le MMMC peut être la prédiction la plus sûre réalisée par l'un quelconque des MMC inclus dans le MMMC.

30 Selon un autre exemple, dans certaines mises en oeuvre, les multiples classements/notes délivrés par le MMMC peuvent 3037679 24 respectivement identifier, dans le temps, de multiples activités potentielles auxquelles correspondent les données introduites. En particulier, les multiples classements/notes peuvent indiquer un ordre chronologique d'activités/opérations.

5 Ainsi, dans certaines mises en oeuvre, en 310, le MM.4C peut délivrer une pluralité de classements et une pluralité de notes d'aptitude respectivement associées à la pluralité de classements. La pluralité de classements peut identifier un ordre chronologique de différentes activités subies ou exécutées par le système (comme le 10 démontrent les données introduites). La note d'aptitude respective pour chaque classement peut indiquer une confiance dans .le fait que l'activité identifiée par le classement correspondant a été-exécutée sans anomalie. De la sorte, dans certaines mises en oeuvre, pour déterminer 15 la situation opérationnelle du système en 312, le système de suivi d'états peut respectivement comparer la pluralité de notes d'aptitude.avec une pluralité de valeurs seuils. Si la totalité des no tes d'aptitude pour une série de classements smit, respectivement supérieures à la valeur seuil, il peut alors être supposé que toute la_ 20 suite d'activités identifiées s'est déroulée dans les limites de paramètres de fonctionnement normal. Si, en revanche, une (ou_ plusieurs) des notes d'aptitude pour la série de classements est inférieure à sa note de confiance respective, une anomalie peut alors être détectée dans l'activité identifiée par le classement auq ueL 25 correspond cette note d'aptitude. De la sorte, des aspects de lai présente invention peuvent servir à réaliser un suivi d'états, dont la_ détection d'anomalies, pour des systèmes complexes qui, dans le/ temps, passent plusieurs fois d'une situation ou d'une activité à une autre.

30 Par ailleurs, dans certaines mises en oeuvre dans lesque 1 les chaque Modèle de Markov Caché (MMC) inclus dans le MM NIC 3037679 25 délivre une prédiction de classe et une note d'aptitude correspondante en 310, l'ordre chronologique, décrite plus haut , de différentes activités prédite par le MMMC peut être identifié en 312 en sélectionnant, pour tout segment chronologique ou toute partie 5 particulier(e) de données introduites, la prédiction de classe qui a la note d'aptitude correspondance la plus haute délivrée par le MMIVIC. Ainsi, la prédiction de classe la plus sûre pour chaque segment des données introduites peut servir de prédiction délivrée par- le MMMC, ce qui donne un ordre chronologique de prédictions qui 10 identifient respectivement la suite d'activités. L'ordre chronologique des prédictions peut faire l'objet d'une analyse pour une détection d'anomalie comme décrit plus haut (p.ex. en comparant les notes . d'aptitude issues des prédictions sélectionnées avec des val eurs seuils respectives).

15 La Figure 4 illustre sous une forme schématique un exemple d'environnement informatique en réseau ou distribué. L'environnement informatique distribué comprend des objets informatiques 1510, 1512, etc. et des objets- ou ,,dispositifs informatiques 1520, 1522, 1524, 1526, 1528, etc. qui peu vent 20 comprendre des programmes, des procédés, des mémoires de données, une logique programmable, etc., représentés par des applications 1530, 1532, 1534, 1536, 1538 et une/des mémoire(s) 1540 de données. Les objets informatiques 1510, 1512, etc. et les objets ou dispositifs informatiques 1520, 1522, 1524, 1526, 1 528, 25 etc. peuvent comprendre différents dispositifs tels que des assistants numériques personnels (ANP), des dispositifs audio/vidéo, des téléphones mobiles, des lecteurs MP3, des ordinateurs personnels, des ordinateurs portatifs, etc. Chaque objet informatique 1510, 1512, etc., et les objets ou 30 dispositifs informatiques 1520, 1522, 1524, 1526, 1528, etc., peuvent communiquer, directement ou indirectement, avec un ou 3037679 26 plusieurs autres objets informatiques 1510, 1512, etc., et objets ou dispositifs informatiques 1520, 1522, 1524, 1526, 1528, etc., par l'intermédiaire du réseau de communication 1550. Bien que le réseau de communication 1550 soit représenté sous la forme d'un 5 unique élément sur la Figure 4, il peut comprendre d'autres objets informatiques et dispositifs informatiques qui assurent des services pour le système de la Figure 4, et/ou il peut représenter de multiples réseaux interconnectés, non figurés. Chaque objet informatique 1510, 1512, etc. ou objet ou dispositif informatique 1520, 1522, 10 1524, 1526, 1528, etc. peut aussi contenir une application telle que les applications 1530, 1532, 1534, 1536, 1538, qui pourrait recourir à une API, ou à un autre objet, logiciel, microprogramme et/ou matériel, permettant une communication avec ou une mise en oeuvre des techniques de création de codes dynamiques et de gestion de 15 mémoire pour objets COM selon diverses formes de réalisation de la présente invention. Il existe toutes sortes de systèmes, composants et configurations de réseaux à l'appui d'environnements informatiques distribués. Par exemple, les systèmes informatiques peuvent être 20 connectés les uns aux autres par des systèmes câblés ou radioélectriques, par des réseaux locaux ou des réseaux étendus. Actuellement, de nombreux réseaux sont couplés à l'Internet, ce qui constitue une infrastructure pour informatique largement distribuée et englobe de nombreux réseaux différents, bien que n'importe 25 quelle infrastructure de réseau puisse être utilisée pour des exemples de communications parvenant aux systèmes pour la création de codes dynamiques et la gestion de mémoire pour des objets COM décrits dans diverses formes de réalisation. Ainsi, il est possible de recourir à un grand nombre de 30 topologies de réseaux et d'infrastructures de réseaux, telles que des architectures client/serveur, égal-à-égal ou hybrides. Le "client" est 3037679 27 un membre d'une classe ou d'un groupe qui utilise les services d'une autre classe ou d'un autre groupe à laquelle/auquel il n'est pas lié . Un client peut être un processus, c'est-à-dire en bref une série d'instructions ou de tâches qui demande un service assuré par un 5 autre programme ou processus. Le processus client utilise le service demandé sans avoir à "connaître" des détails pratiques sur l'autre programme ou le service lui-même. Dans une architecture client/serveur, en particulier dans un système en réseau, un client est généralement un ordinateur qui 10 accède à des ressources partagées du réseau fournies par un autre ordinateur, p.ex. un serveur. Sur l'illustration de la Figure 4, à titre d'exemple nullement limitatif, des objets ou- dispositifs informatiques 1520, 1522, 1524, 1526, 1528, etc. peuvent êtr e considérés comme des clients et les objets informatiques 1510, 15 1512, etc. peuvent être considérés comme des serveurs où les objet s informatiques 1510, 1512, etc. tenant le rôle de serveurs assurant des services de données, notamment en recevant des données des objets ou dispositifs informatiques 1520, 1522, 1-524, 1526, 152$, etc., en stockant des données, en traitant des données, e n 20 transmettant des données aux objets ou dispositifs informatiques clients 1520, 1522, 1524, 1526, 1528, etc., encore que, selon les circonstances, tout ordinateur puisse être considéré comme étant u n client, un serveur, ou les deux. Un serveur est ordinairement un système informatique 25 distant accessible via un réseau distant ou local tel que l'Internet o u des infrastructures de réseaux radioélectriques. Le processus client peut être actif dans un premier système informatique et le proces sus serveur peut être actif dans un second système informatique, ceu communiquant l'un avec l'autre par l'intermédiaire d'un moyen de 30 communication, ce qui assure une répartition des fonctions et permet à de multiples clients de bénéficier des capacités de 3037679 28 regroupement d'informations du serveur. N'importe quels objets logiciels utilisés en application des techniques décrites ici peuvent être présents isolément ou être répartis entre de multiples dispositifs ou objets informatiques.

5 Dans un environnement en réseau dans lequel le réseau de communication 1550 ou le bus est l'Internet, par exemple, les objets informatiques 1510, 1512, etc. peuvent êtres serveurs Web avec lesquels d'autres objets ou dispositifs informatiques 1520, 1522, 1524, 1526, 1528, etc. communiquent à l'aide de l'un quelconque 10 d'un certain nombre de protocoles connus, tel que le protocole de transfert hypertexte (http). Les objets informatiques 1510, 1 5 12, etc. tenant le rôle de serveurs peuvent aussi servir de clients, p.ex. d'objets ou dispositifs informatiques 1520, 1522, 1524, 1526, 1528, etc., ce qui peut être caractéristique d'un environnement 15 informatique distribué. Les techniques décrites ici peuvent avantageusement être appliquées à tout dispositif ou système pour effectuer le suivi d'états décrit ici. Par conséquent, il est envisagé que toutes sortes de dispositifs informatiques et objets informatiques de poche, 20 portatifs et autres servent dans le cadre des diverses formes de réalisation. L'ordinateur polyvalent distant décrit ci-après en référence à la Figure 5 ne constitue donc qu'un exemple de dispositif informatique. Bien que ce ne soit pas indispensable, les formes de 25 réalisation peuvent être partiellement mises en oeuvre à l'aide d'un système d'exploitation destiné à être utilisé par un concepteur de services pour un dispositif ou un objet, et/ou être incluses dans un logiciel d'application qui sert à exécuter un ou plusieurs aspects fonctionnels des diverses formes de réalisation décrites ici. Le 30 logiciel peut être décrit dans le contexte général d'instructions exécutables par ordinateur, telles que des modules de programmes, 3037679 29 exécutées par un ou plusieurs ordinateurs tels que des postes de travail, serveurs ou autres dispositifs clients. Les hommes de l'art comprendront que les systèmes informatiques ont diverses configurations et divers protocoles peuvent servir à communiquer 5 des données, aussi ne doit-on considérer aucune configuration particulière ni aucun protocole particulier comme limitant. La Figure 5 illustre un exemple d'environnement de système informatique approprié 1600 dans lequel un ou plusieurs aspects des formes de réalisation décrites ici peut/peuvent être mis en oeuvre, 10 quoique, comme précisé plus haut, l'environnement de système informatique 1600 ne constitue qu'un exemple d'environnement informatique approprié aat_queie soit pas destiné à laisser entrevoir de limitation quant à l'étendue de son utilisation ou de ses fonctionnalités. L'environnement de système informatique 1600 ne 15 doit pas non plus être interprété comme ayant une dépendance ou une exigence quelconque par rapport à un composant quelconque ou à une combinaison de composants illustrée dans l'exemple d'environnement de système informatique 1600. Considérant la Figure 5, un exemple de dispositif distant 20 pour mettre en oeuvre une ou plusieurs formes de réalisation comprend un dispositif informatique polyvalent sous la forme d'un ordinateur 1610. Les composants de l'ordinateur 1610 peuvent comprendre, à titre nullement limitatif, une unité centrale 1620, une mémoire système 1630 et un bus système 1621 qui couple à l'unité 25 centrale 1620 divers composants du système dont la mémoire système. L'ordinateur 1610 comprend ordinairement divers supports exploitables par ordinateur et pouvant être tous supports existants accessibles à l'ordinateur 1610. La mémoire système 1630 peut 30 comprendre des supports de stockage informatique sous la forme d'une mémoire volatile et/ou rémanente telle qu'une mémoire morte 3037679 30 (ROM) et/ou une mémoire vive (RAM). A titre d'exemple nullement limitatif, la mémoire système 1630 peut aussi comprendre un système d'exploitation, des programmes d'applications, d'autres modules de programmes et des données de programmes. Selon un 5 autre exemple, l'ordinateur 1610 peut aussi comprendre divers autres supports (non représentés), lesquels peuvent comprendre, à titre nullement limitatif, une RAM, une ROM, une EEPROM, une mémoire flash ou autre technologie de mémoire, un CD-ROM, un disque numérique polyvalent (DVD) ou autre disque optique de 10 stockage, des cassettes magnétiques, une bande magnétique, un disque magnétique de stockage ou d'autres dispositifs de stockage magnétique, ou d'autres supports matériels et/ou non temporaires utilisables pour stocker des informations voulues. Un utilisateur peut saisir des instructions et des informations 15 dans l'ordinateur 1610 à l'aide de périphériques de saisie 1640. Un écran ou autre type de périphérique d'affichage est également connecté au bus système 1621 par une interface telle que l'interface de sortie 1650. Outre un écran, les ordinateurs peuvent comprendre d'autre périphériques de sortie tels que des enceintes acoustiques et 20 une imprimante, lesquelles peut être connectées par l'interface de sortie 1650. L'ordinateur 1610 peut fonctionner dans un environnement en réseau ou distribué à l'aide de connexions logiques, telles que des interfaces réseau 1660, à un ou plusieurs autres ordinateurs 25 distants tels que l'ordinateur distant 1670. L'ordinateur distant 1670 peut être un ordinateur personnel, un serveur, un routeur, un PC en réseau, un dispositif homologue ou autre noeud de réseau commun, ou tout autre dispositif distant de consommation de support ou de transmission, et peut comprendre l'un quelconque ou la totalité des 30 éléments décrits plus haut à propos de l'ordinateur 1610. Les connexions logiques représentées sur la Figure 5 comprennent un 3037679 31 réseau 1671 tel qu'un réseau local (LAN) ou un réseau étendu (WAN), mais peuvent aussi comprendre d'autres réseaux/bus. Ces environnements en réseau sont courants dans les habitations, les bureaux, les réseaux informatiques d'entreprises, les intranets et 5 l'Internet. La technologie examinée ici fait référence à des serveurs, des bases de données, des applications logicielles et autres systèmes à base d'ordinateurs, ainsi qu'à des actions menées et des informations envoyées vers et depuis ces systèmes. Un homme de 10 l'art ordinaire comprendra que la souplesse inhérente aux systèmes à base d'ordinateurs permet une grande diversité de configurations, combinaisons et divisions possibles de tâches et de fonctions entre et parmi les composants. Par exemple, les processus exécutés par des serveurs et examinés ici peuvent être mis en oeuvre à l'aide d'un 15 seul serveur ou de multiples serveurs fonctionnant en combinaison. Les bases de données et les applications peuvent être mises en oeuvre sur un seul système ou être réparties entre de multiples systèmes. Les composants répartis peuvent fonctionner en série ou en parallèle.

20 Bien que des éléments spécifiques de diverses formes de réalisation puissent être représentés sur certains dessins et pas sur d'autres, ce n'est que par commodité. Selon les principes de la présente invention, tout élément d'un dessin peut être cité et/ou revendiqué en combinaison avec tout élément de n'importe quel 25 autre dessin. La description écrite utilise des exemples pour présenter l'invention, dont la solution la meilleure, ainsi que pour permettre à tout homme de l'art de mettre l'invention en pratique, notamment de réaliser et d'utiliser tous dispositifs et systèmes et l'exécuter tous 30 procédés faisant partie de celle-ci. La portée brevetable de l'invention est définie par les revendications et peut comprendre 3037679 32 d'autres exemples qui apparaîtront aux hommes de l'art. Il est entendu que ces autres exemples entrent dans le cadre des revendications s'ils comprennent des éléments constitutifs qui ne vont pas à l'encontre de la formulation des revendications, ou s'ils 5 comprennent des éléments constitutifs équivalents présentant des différences mineures par rapport à la formulation des revendications. De la sorte, l'invention ne se limite à aucune forme de réalisation ou mise en oeuvre particulière, mais peut au contraire être interprétée, quant à son étendue, son esprit et la portée, selon 10 les revendications annexées.

Claims (20)

1. REVENDICATIONS1. Système de suivi d'états (30, 100, 200) pour contrôler des états dans un système de prospection ou d'extraction (20) de pétrole et de gaz qui comporte un ou plusieurs bloc(s) d'obturation de puits (22), le système de suivi d'états (30, 100, 200) comportant : un ou plusieurs hydrophone(s) (32) qui : reçoit/reçoivent des signaux acoustiques (24) provoqués par le fonctionnement du/des bloc(s) d'obturation de puits (22) ; et produit/produisent, d'après les signaux acoustiques (24), une série de données acoustiques indiquant des états de fonctionnement dans le/les bloc(s) d'obturation de puits (22) ; et un organe de vérification et de détection d'anomalie (34) mis en oeuvre par un ou plusieurs processeur(s), l'organe de vérification et de détection d'anomalie (34) utilisant un Mélange de Modèles de Markov Cachés pour : vérifie/vérifient le fonctionnement du/des bloc(s) d'obturation de puits (22) d'après les données acoustiques ; et détermine/déterminent, d'après les données acoustiques, qu'une anomalie est survenue dans le/les bloc(s) d'obturation de puits (22).
2. 2. Système de suivi d'états (30, 100, 200) selon la revendication 1, comportant en outre : un composant d'extraction (210) d'éléments mis en oeuvre par un ou plusieurs processeurs, le composant d'extraction (210) d'éléments extrayant un ou plusieurs éléments des données acoustiques d'après une série de paramètres.
3. 3. Système de suivi d'états (30, 100, 200) selon la revendication 1, comportant en outre : 3037679 34 un composant d'apprentissage (208) mis en oeuvre par un ou plusieurs processeurs, le composant d'apprentissage (208) assurant l'apprentissage d'une pluralité de Modèles de Markov Cachés pour leur inclusion dans le Mélange de Modèles de Markov Cachés. 5
4. 4. Système de suivi d'états (30, 100, 200) selon la revendication 1, dans lequel l'organe de vérification et de détection d'anomalie (34) déclenche une alarme (218) en réponse à une détermination de ce qu'une anomalie est survenue.
5. 5. Procédé informatisé (300) servant à exécuter un suivi 10 d'états pour un système (20), le procédé (300) comportant : l'obtention (302), par un ou plusieurs dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), d'une série de données système (103, 108) indiquant des états de fonctionnement dans un ou plusieurs organe(s) du système (20) ; 15 l'introduction (308) dans un Mélange de Modèles de Markov Cachés, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), d'au moins une partie de la série de données système (103, 108); la réception (310), par le/les dispositif(s) informatique(s) 20 (1520, 1522, 1524, 1526, 1528), d'au moins un classement (114) et d'au moins une note d'aptitude (116) délivrés par le Mélange de Modèles de Markov Cachés ; la détermination (312), par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), au moins en partie 25 d'après le/les classement(s) (114) et la/les note(s) d'aptitude (116), d'une situation opérationnelle du/des organe(s) du système (20), la situation opérationnelle indiquant si une anomalie est survenue dans le/les organe(s) du système (20).
6. 6. Procédé informatisé (300) selon la revendication 5, dans 30 lequel la détermination (312), par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), au moins en partie 3037679 d'après le/les classement(s) (114) et la/les note(s) d'aptitude (116), de la situation opérationnelle du/des organe(s) du système (20) comprend : la comparaison, par le/les dispositif(s) informatique(s) 5 (1520, 1522, 1524, 1526, 1528), de la note d'aptitude (116) avec une valeur seuil ; en réponse à une détermination de ce que la note d'aptitude (116) est supérieure à la valeur seuil, la détermination, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de ce 10 qu'une activité identifiée par le classement (114) s'est déroulée sans anomalie dans le système (20) ; et en réponse à une détermination de ce que la note d'aptitude (116) est inférieure à la valeur seuil, la détermination, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de ce 15 qu'une anomalie est survenue dans le/les organe(s) du système (20).
7. 7. Procédé informatisé (300) selon la revendication 5, dans lequel l'obtention (302), par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la série de données système (103, 108) comprend l'obtention, par le/les dispositif(s) 20 informatique(s) (1520, 1522, 1524, 1526, 1528), d'une série de données acoustiques indiquant des états de fonctionnement dans un ou plusieurs blocs d'obturation de puits (22) d'un système de forage pétrolier, la série de données acoustiques étant recueillie par un ou plusieurs hydrophones (32). 25
8. 8. Procédé informatisé (300) selon la revendication 5, dans lequel l'obtention (302), par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la série de données système (103, 108) comprend l'obtention, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), d'une série de 30 données aéronautiques relatives à un vol complet, indiquant des 3037679 36 états de fonctionnement dans un ou plusieurs organes d'un moteur d'aéronef.
9. 9. Procédé informatisé (300) selon la revendication 5, dans lequel l'obtention (302), par le/les dispositif(s) informatique(s) 5 (1520, 1522, 1524, 1526, 1528), de la série de données système (103, 108) comprend l'obtention, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la série de données système (103, 108) recueillies pendant les différents passages, dans le temps, du système (20) d'une activité à une autre. 10
10. 10. Procédé informatisé (300) selon la revendication 9, dans lequel la réception (310), par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), du/des classement (s) (114) et de la/des note(s) d'aptitude (116) comprend la réception, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 15 1526, 1528), d'une pluralité de classements (114) et d'une pluralité de notes d'aptitude (116) respectivement associées à la pluralité de classements (114) délivrés par le Mélange de Modèles de Markov Cachés, chacun des différents classements (114) identifiant l'une, respective, de la pluralité d'activités différentes, et la note 20 d'aptitude (116) pour chaque classement (114) indiquant que l'activité identifiée par le classement correspondant (114) a été exécutée sans anomalie.
11. 11. Procédé informatisé (300) selon la revendication 9, comportant en outre : 25 l'obtention, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), d'une pluralité de valeurs seuils respectivement pour la pluralité de classements (114) ; la détermination (312), par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la situation 30 opérationnelle du/des organe(s) du système(20) comprenant : 3037679 37 la comparaison, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de chacune des différentes notes d'aptitude (116) avec la valeur seuil respective pour le classement (114) auquel correspond cette note d'aptitude (116) ; 5 en réponse à une détermination de ce que toutes les notes d'aptitude (116) sont supérieures à leurs valeurs seuils respectives, la détermination, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de ce que les activités identifiées par les classements (114) se sont déroulées sans anomalie dans le système 10 (20); et en réponse à une détermination de ce que la/les note(s) d'aptitude (116) est/sont inférieure(s) à leurs valeurs seuils respectives, la détermination, de ce qu'une anomalie est survenue dans le/les organe(s) du système (20) pendant la/les activité(s) 15 respectivement identifiée(s) par le/les classement(s) (114) auquel/auxquels correspond/correspondent cette/ces note(s) d'aptitude (116).
12. 12. Procédé informatisé (300) selon la revendication 5, comportant en outre, avant l'introduction (308), par le/les 20 dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), d'au moins la partie de la série de données système (103, 108) dans le Mélange de Modèles de Markov Cachés : l'apprentissage (304), par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), du Mélange de Modèles de Markov 25 Cachés à l'aide d'une série de données d'apprentissage, la série de données d'apprentissage étant marquée.
13. 13. Procédé informatisé (300) pour réaliser une vérification et une détection d'anomalie, le procédé comportant : la réception (310), par un ou plusieurs dispositif(s) 30 informatique(s) (1520, 1522, 1524, 1526, 1528), d'une série de données système (103, 108) ; 3037679 38 l'extraction (104, 110) d'un ou de plusieurs élément(s) par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), à partir de la série de données système (103, 108) ; la détermination (312), par le/les dispositif(s) 5 informatique(s) (1520, 1522, 1524, 1526, 1528), d'une prédiction (114) de classe et/ou d'une note d'aptitude (116) pour la série de données système (103, 108) à l'aide d'un Mélange de Modèles de Markov Cachés ; et la détermination (312), par le/les dispositif(s) 10 informatique(s) (1520, 1522, 1524, 1526, 1528), de ce qu'une anomalie est survenue d'après la prédiction (114) de classe et/ou la note d'aptitude (116).
14. 14. Procédé (300) selon la revendication 13, comportant en outre : 15 le déclenchement, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), d'une alarme (218) en fonction de l'anomalie.
15. 15. Procédé (300) selon la revendication 13, dans lequel la réception (310), par le/les dispositif(s) informatique(s) (1520, 20 1522, 1524, 1526, 1528), de la série de données système (103, 108) comprend la réception, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la série de données systèmes (103, 108) fournies par un ou plusieurs capteurs.
16. 16. Procédé (300) selon la revendication 15, dans lequel 25 la réception (310), par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la série de données systèmes (103, 108) fournies par un ou plusieurs capteurs comprend la réception, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la série de données systèmes (103, 108) fournies par un ou 30 plusieurs hydrophones (32). 3037679 39
17. 17. Procédé (300) selon la revendication 16, dans lequel la réception (310), par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la série de données systèmes (103, 108) fournies par un ou plusieurs hydrophones (32) comprend la 5 réception, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), d'une série de données acoustiques fournies par un ou plusieurs hydrophones (32).
18. 18. Procédé (300) selon la revendication 17, dans lequel la réception (310), par le/les dispositif(s) informatique(s) (1520, 10 1522, 1524, 1526, 1528), de la série de données acoustiques fournies par un ou plusieurs hydrophone(s) (32) comprend la réception, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la série de données acoustiques associées au fonctionnement d'un bloc d'obturation de puits (22). 15
19. 19. Procédé (300) selon la revendication 13, comportant en outre : la fourniture à un utilisateur, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), de la prédiction (114) de classe et/ou de la note d'aptitude (116). 20
20. 20. Procédé (300) selon la revendication 13, dans lequel l'extraction, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), du/des éléments à partir de la série de données système (103, 108) comprend l'extraction des éléments, par le/les dispositif(s) informatique(s) (1520, 1522, 1524, 1526, 1528), 25 d'après un ensemble de paramètres d'extraction d'éléments.