WO2021234120A1 - Method and electronic device for determining a list of maintenance action(s), associated computer program - Google Patents

Method and electronic device for determining a list of maintenance action(s), associated computer program Download PDF

Info

Publication number
WO2021234120A1
WO2021234120A1 PCT/EP2021/063538 EP2021063538W WO2021234120A1 WO 2021234120 A1 WO2021234120 A1 WO 2021234120A1 EP 2021063538 W EP2021063538 W EP 2021063538W WO 2021234120 A1 WO2021234120 A1 WO 2021234120A1
Authority
WO
WIPO (PCT)
Prior art keywords
equipment
knowledge
symptom
vector
maintenance
Prior art date
Application number
PCT/EP2021/063538
Other languages
French (fr)
Inventor
Juliette Mattioli
Simon HALLE
Roger Brooks
Bénédicte GOUJON
Freddy Lecue
Jiye Li
Rana FARAH
Baptiste ABELOOS
Claire Laudy
Peng Wang
Original Assignee
Thales
Guavus, Inc.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thales, Guavus, Inc. filed Critical Thales
Publication of WO2021234120A1 publication Critical patent/WO2021234120A1/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions

Definitions

  • TITLE Method and electronic device for determining a list of maintenance action (s), associated computer program
  • the present invention relates to a method for determining a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptom (s), the method being implemented by a electronic determination device linked to a knowledge base.
  • the invention also relates to a computer program comprising software instructions which, when executed by a computer, implement such a determination method.
  • the invention also relates to an electronic determination device configured to determine a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptom (s), the device being able to be linked to a knowledge base.
  • maintenance covers all the actions of the life cycle of a system, intended to maintain it or restore it to a state in which it can perform required function. This includes the actions of troubleshooting and repair, adjustment, overhaul, control and verification of hardware systems (machines, vehicles, manufactured objects, computer equipment, etc.) or even intangible (software).
  • maintainability is the ability of an entity to be maintained or restored, over a given time interval in a state in which it can perform a required function, when maintenance is carried out under given conditions, with prescribed procedures and means.
  • equipment is understood to mean a mechanical, electronic or computer element, and a complex system is made up of a group of autonomous and interconnected equipment (s), and therefore very often heterogeneous.
  • s autonomous and interconnected equipment
  • Preventive maintenance consists of intervening on a system before it fails, in order to try to prevent any failure. It is in turn subdivided into systematic maintenance designating operations carried out systematically, such as a periodic check defined by a manufacturer; in conditional maintenance carried out following readings or measurements; and in predictive maintenance, carried out following an analysis of the evolution of the state of degradation of the system. Predictive maintenance is a special case of condition-based maintenance.
  • Corrective maintenance consists of intervening on a system once it is faulty or down. It is intended to restore the system to a state in which it can perform a required function. It is in turn subdivided into palliative maintenance and curative maintenance. Intervention on the system is temporary in the case of palliative maintenance, or final and immediate in the case of curative maintenance.
  • the invention relates more particularly to palliative maintenance which occurs once the technical problem has arisen, and must be distinguished from curative maintenance.
  • Palliative maintenance aims at the simple repair of faults and breakdowns, while curative maintenance aims at remedying their causes, knowing that such a distinction is difficult to apply in IT; the causes and effects of technical incidents cannot be dealt with separately.
  • the first step of corrective maintenance is the diagnosis, step which makes it possible to identify, from the symptoms of the malfunction, the cause which led to the breakdown or failure. Then, once the diagnosis has been made, the maintenance operator can intervene and repair according to a sequence of actions pre-established by various maintenance guides.
  • Symptom is understood to mean the visible effect or consequence of a failure.
  • CMMS Computer-Assisted Maintenance Management
  • CMMS Computer-Assisted Maintenance Management
  • the CMMS helps to guarantee the execution of a set of maintenance works based on the states of the equipment.
  • the CMMS automatically calculates and programs maintenance activities, in order to maintain proper operation of the equipment.
  • Maintenance books, deterioration curves and cost catalogs provide data to the CMMS to ensure that maintenance is performed at the right time. Maintenance is then controlled in real time by the CMMS by establishing equipment and data monitoring.
  • the identification step determines the type of fault that has arisen. Once the type of fault has been identified and depending on the knowledge available, it is sometimes possible to propagate the effects of a fault on the equipment of the system in order to predict the consequences of these faults.
  • Another very widely used technique is the analysis of failure modes and their effects. It is an inductive method which allows a systematic and complete analysis, component by component, of all the possible failure modes of the components and which specifies their causes and effects on the overall system. For this, all the possible failure modes of the components must be established, and for each failure mode, the possible causes of its occurrence are sought. Finally, a study of the effects on the system is made for each combination (cause, mode of failure).
  • FMEA analysis is an extension of the FMEA that includes a failure mode criticality analysis.
  • the use of this method for diagnostic purposes leads to the use of an abductive procedure. Indeed, assuming that a system is faulty, an abductive approach consists in seeking the causes which can explain the observed effects. The disadvantages are that it requires a lot of experience, and any modification of the equipment requires re-analysis.
  • Fault trees are commonly used in system reliability or security analyzes, as explained in the document “Reliability of structures: safety, variability, maintenance, security” by J. Baroth, F. Schoefs and D. Breysse, at Lavoisier editions in 2011. These are interesting tools for identifying the root causes leading to an unwanted failure. They are created using an optimized deductive procedure that determines critical paths corresponding to the various possible combinations of events leading to the occurrence of a single adverse event (fault event leading to system failure). The procedure that uses fault trees for diagnostic purposes is abductive, focusing first on adverse events and then identifying their causes. A fault tree is drawn up in the form of a logic diagram and has the undesirable event at the top.
  • the objective of database techniques is to associate a set of measurements with known operating states of the system. They make use of pattern recognition methods that use numerical learning and classification techniques to establish a reference model of the system based on experience (exploitation of data and measurements in the form of a historical ). The established model does not therefore come from a specification of the system during the design phase. It is not based on physical knowledge of the system. This reference model captures the normal behavior of the system and is used for detection and diagnosis.
  • the main classification techniques used to build such a model are discriminant analysis, neural networks and fuzzy logic. The classes thus obtained contain the information which characterizes the states and the failures of the system. The major limitation of this approach is that it requires the installation of supposedly reliable sensors, or probes, positioned on the various components of the equipment, making it possible to collect reliable data.
  • model-based diagnostic approaches are based on a deep physical knowledge of the system to be diagnosed, as indicated in the document “Dysfunctional models for the management of the quality of service of critical systems” by C. Sannino, J. Sprauel and C. Seguin, in 3R-Recherche et Industrie 1 in 2016.
  • the system is represented in the form of one or more models which describe the structure of the system and its nominal behavior, or even its behavior in the presence of fault (s).
  • the diagnostic method is based on the comparison of the actual behavior observed on the physical system with the behavior predicted using models. The detection of inconsistencies makes it possible to conclude on the occurrence of fault (s) in the system.
  • Two main approaches can be distinguished in model-based diagnostic methods.
  • the automatic community's FDI (Fault Detection and Isolation) approach uses quantitative models to describe the behavior pattern of the system. Algebra-differential equations make it possible to represent the continuous behavior of the system with a certain numerical precision.
  • the DX approach based on a logical diagnostic theory, comes from the artificial intelligence community. These two approaches use qualitative models which make it possible to represent effectively the interactions between components or systems, but are complex to implement, in particular for systems with strong software components.
  • the document CN102 799 171 B seeks to identify the root cause of the failures on the basis of the analysis of the symptoms to generate a set of rules allowing a first diagnosis.
  • the aim of the invention is then, in the context of palliative maintenance, to propose a method, and an associated electronic device, making it possible to determine a list of maintenance action (s) to be implemented for a group of equipment (s) showing a set of symptom (s), without prior diagnosis of the causes of the set of symptom (s).
  • the subject of the invention is a method for determining a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptom (s), the method being implemented by an electronic determination device linked to a knowledge base, the knowledge base comprising a plurality of knowledge items, each knowledge being in the form of an information tuple comprising a set of equipment (s ) reference, a set of symptom (s) associated with the set of reference equipment (s), and a set of maintenance action (s) associated with the set of reference equipment (s), the knowledge base further comprising, for each knowledge, a knowledge vector comprising a first component relating to the set of reference equipment (s) and a second component relating to the set of symptom (s), the method comprising the following steps:
  • the list of maintenance action (s) comprising the set (s) of maintenance action (s) contained in the information tuplet (s) for which, the distance between the representative vector and the respective knowledge vector is less than a threshold.
  • the method according to the invention makes it possible to provide one or more recommendations for actions intended to restore the group of equipment (s) to a state for which it can perform its function. It is not a question here of determining the origins (i.e. the causes) of the failures, but of prescribing the actions that could be carried out to repair the group of equipment (s) or improve its operation.
  • the invention therefore aims to propose a process for making recommendations for palliative maintenance by means of an automatic generation of prescription proposals, i.e. repair actions, established on the basis of the symptoms observed and without going through the diagnosis. It is therefore a matter of automatically producing, from the observed symptoms and current repair practices, contained in the knowledge base, one or more viable solutions for restoring to working order.
  • prescription proposals i.e. repair actions
  • the method according to the invention only uses the symptoms, no diagnostic phase being necessary, and therefore proposes a repair solution via the list of determined maintenance action (s), based on these symptoms and the knowledge base.
  • the knowledge base is preferably fed by automatic language processing modules automating the extraction of information and relevant knowledge with regard to a taxonomy and a business ontology predefined thanks to various documents, such as documents from the manufacturer, user forum, etc.
  • This repair solution is preferably established by a reasoning engine by analogies, such as an engine modeled by at least one first graph relating to the group of equipment (s) and at least one second graph relating to the symptom set. (s).
  • the method of determination comprises one or more of the following characteristics, taken in isolation or according to all the technically possible combinations: the method further comprises, between the acquisition step and the conversion step, a step of generating at least a first graph relating to the group of equipment (s) and at least one second relating graph at the set of symptom (s), and during the conversion step, the textual element (s) are converted into the representative vector from the first and second graphs;
  • the first and second graphs respectively comprise a first set of nodes, a first set of arcs connecting certain nodes of the first set of nodes, a second set of nodes, and a second set of arcs connecting certain nodes of the second set of nodes ; in the conversion step, each node of the first and second sets of nodes being converted into a respective intermediate vector; and the first and second components of the representative vector being respectively calculated by linear combination of the intermediate vectors associated with the first and second node sets;
  • c, n)) that a target node (c) is bound by an arc to said node (n) and a sum of logarithms of probabilities (P (D 0
  • P (D 0
  • c ', n) represents the probability that another target node c' is not linked by an arc to said node n, that is to say is not in the context of said node n;
  • the probability P (D 1
  • the knowledge base comprises knowledge determined from data extracted from textual documents using at least one learning algorithm applied to the extracted data;
  • the method further comprises, after the determination step, a step of receiving a validation instruction from a user; and in the event of receipt of said instruction, the method further comprises a step of adding, in the knowledge base, an N-tuple associated with said instruction;
  • the set of reference equipment (s) belongs to the same category of equipment specific to a predefined technical field, the group of equipment (s) also belonging to this same category of equipment;
  • the category of equipment is chosen from the group consisting of: a category of mechanical equipment, a category of electronic equipment, a category of computer equipment and a category of military equipment; the list of maintenance action (s) preferably being suitable for use by a telephone call center operator, when the equipment category is a category of electronic equipment or a category of computer equipment; the list of maintenance action (s) preferably being suitable for use during a maintenance operation on a field, when the category of equipment is a category of military equipment; and
  • the subject of the invention is also a computer program comprising software instructions which, when executed by a computer, implement a determination method, as defined above.
  • the subject of the invention is also an electronic determination device configured to determine a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptom (s), the device being capable of being linked to a knowledge base, the knowledge base comprising a plurality of knowledge items, each knowledge being in the form of an information tuple comprising a set of reference equipment (s), a set of symptom (s) associated with the set of reference equipment (s), and a set of maintenance action (s) associated with the set of reference equipment (s), the knowledge base further comprising, for each knowledge, a knowledge vector comprising a first component relating to the set of reference equipment (s) and a second component relating to the set of symptom (s), the device electronic determination comprising:
  • an acquisition module configured to acquire at least one textual element relating to the equipment group (s) and the symptom set (s);
  • a conversion module configured to convert the textual element (s) into a representative vector comprising a first component relating to the group of equipment (s) and a second component relating to the set of symptom (s);
  • a calculation module configured to calculate, for each knowledge vector, a distance between the respective knowledge vector and the representative vector
  • a determination module configured to determine the list of maintenance action (s) from the calculated distances, the list of maintenance action (s) comprising the set (s) of maintenance action (s) contained in the information tuplet (s) for which the distance between the representative vector and the respective knowledge vector is less than a threshold.
  • FIG. 1 is a schematic representation of an electronic system, according to the invention, for recommending palliative maintenance action (s), comprising an electronic device for determining a list of action (s) of maintenance ;
  • FIG. 2 is a flowchart of a method, according to the invention, for determining a list of palliative maintenance action (s), the method being implemented by the determining device of FIG. 1.
  • a system 5 for recommending palliative maintenance action (s) comprises at least a knowledge base 10 and an electronic device 12 for determining a list of palliative maintenance action (s) to be implemented. works for a group of equipment (s) presenting a set of symptom (s).
  • the electronic determination device 12 is linked to the knowledge base 10.
  • the knowledge base 10 comprises a plurality of knowledge relating to the same category of equipment (s).
  • the category of equipment (s) concerns, for example, mechanical equipment, electronic equipment, computer equipment or military equipment.
  • the equipment (s) are used in an individual, industrial or military setting.
  • the knowledge of the knowledge base 10 is each represented in the form of an information tuple.
  • Each information tuple comprises N information relating to a set of reference equipment (s), to a set of symptom (s) associated with the set of reference equipment (s), and to a set of maintenance action (s) associated with the set of reference equipment (s).
  • the information is typically groups of words taken from different documents.
  • the various documents are, for example, manufacturer's documentation, issued by companies having produced the equipment (s) and providing theoretical knowledge a priori.
  • the documents are, also or alternatively, from operators using the equipment (s) in the form of histories producing processes of use and internal reviews.
  • the documents are, also or alternatively, from maintenance reports of the equipment (s).
  • the documents are, also or alternatively, from discussion forums between users in the form of histories. These user histories constitute observations.
  • a confidence coefficient is associated with each knowledge of the knowledge base 10, such as with each of the manufacturer's knowledge, operator history and user history, allowing the electronic determination device 12 to weight the distances described below, between acquaintances.
  • Each confidence coefficient is, for example, defined manually by maintenance operators as a function of the source of the associated knowledge. These confidence coefficients are numerical values or qualitative levels such as “high confidence, medium confidence, low confidence” translated into numerical values within the knowledge base 10.
  • the confidence coefficients are calculated by a multicriteria aggregation approach from an elicitation of a business expertise, as described for example in the article "A decade of application of the Choquet and Sugeno integrates in multi-criteria decision aid ”by M. Grabisch and C. Labreuche in Annals of Operations Research.
  • the value of each confidence coefficient then aggregates qualitative criteria, such as the confidence given to a manufacturer or a forum user, and quantitative criteria, such as the frequency of occurrence of one or more maintenance actions in the maintenance reports.
  • the information from the documents is extracted according to a process analogous to the extraction process described below for the electronic device 12 for determining maintenance action (s) and providing SPO (Subject-Predicate-Object) triplets representative of the sets. reference equipment (s), symptom sets (s) and maintenance action sets (s).
  • SPO Subject-Predicate-Object
  • the SPO triples are grouped together in a training fact base intended to feed the knowledge base 10.
  • the structure of the knowledge base 10 comprises a taxonomy of the technical field itself comprising several classes. Each class relates to a reference equipment.
  • the structure of the knowledge base 10 also includes properties between the different classes of the taxonomy.
  • the knowledge base 10 is then populated with the information extracted.
  • the SPO facts are therefore transferred to the knowledge base 10 and organized by its structure. This makes it possible for each knowledge to generate a graph relating to the set of equipment (s) and a graph relating to the set of symptom (s) in a manner analogous to the method described below for the electronic determination device 12 d maintenance action (s).
  • the knowledge base 10 comprises, for each knowledge, a knowledge vector with numerical value, a first component of which relates to the set of equipment (s) and of which a second component relates to the set of symptoms. (s).
  • the electronic determination device 12 is connected to the knowledge base 10 described above.
  • the electronic determination device 12 is configured to determine a list of palliative maintenance action (s) from at least one text item relating to the equipment group (s) and symptom set (s), and knowledge base 10 .
  • the electronic determination device 12 comprises a module 16 for acquiring at least one textual element, a module 20 for converting the textual element (s) into a representative vector, a module 22 for calculating a distance between the representative vector and each of the knowledge vectors, and a module 24 for determining a list of maintenance action (s).
  • the electronic determination device 12 advantageously comprises a module 18 for generating a first graph and respectively a second graph relating to the group of equipment (s) and respectively to the set of symptom (s), the generation module 18 being connected at the output of the acquisition module 16 and at the input of the conversion module 20.
  • the electronic determination device 12 optionally comprises a feedback module 26 for the knowledge base 10, connected to the output of the determination module 24.
  • the electronic determination device 12 optionally also includes a module 32 for identifying symptoms missing in the game. symptom (s).
  • the electronic determination device 12 comprises an information processing unit 34 formed, for example, of a memory 36 and of a processor 38 associated with the memory 36.
  • the acquisition module 16, the conversion module 20, the calculation module 22, the determination module 24, as well as, as an optional complement, the generation module 18, the feedback module 26 and the identification module 32 are each produced in the form of software, or a software brick, and can be executed by the processor 38.
  • the memory 36 of the determination device 12 is then able to store acquisition software. at least one textual element, software for converting the textual element (s) into a representative vector, software for calculating the distance between the representative vector and each knowledge vector, and determination software a list of action (s) from the calculated distances.
  • the memory 36 of the determination device 12 is able to store software for generating a first and a second graph from the textual element (s), a feedback software to feed knowledge base 10 from the list of action (s), and software for identifying the symptom (s) missing from the symptom set (s).
  • the processor 38 is then able to execute each of the software among the acquisition software, the conversion software, the calculation software, and the determination software, as well as, as an optional complement, the generation software, the feedback software, and the identification software.
  • the software bricks are connected by arrows each typically representing a function call.
  • the acquisition module 16, the conversion module 20, the calculation module 22, and the determination module 24, as well as, as an optional complement, the generation module 18, the feedback module 26, and the identification module 32 are each made in the form of a programmable logic component, such as an FPGA (standing for Field Programmable Gâte Arra ⁇ ), or even an integrated circuit, such as an ASIC (for English Application Specifies Integrated Circuit).
  • a programmable logic component such as an FPGA (standing for Field Programmable Gâte Arra ⁇ ), or even an integrated circuit, such as an ASIC (for English Application Specifies Integrated Circuit).
  • the determination device 12 When the determination device 12 is produced in the form of one or more software (s), that is to say in the form of a computer program, it is also capable of being recorded on a medium, not shown, computer readable.
  • the computer readable medium is, for example, a medium capable of memorizing electronic instructions and of being coupled to a bus of a computer system.
  • the readable medium is an optical disc, a magneto-optical disc, a ROM memory, a RAM memory, any type of non-volatile memory (for example EPROM, EEPROM, FLASH, NVRAM), a magnetic card or an optical card.
  • a computer program including software instructions is then stored on the readable medium.
  • the acquisition module 16 is configured to acquire at least one textual element relating to the equipment group (s) and the symptom set (s).
  • the acquisition module 16 is notably configured to acquire the textual element (s) in the form of a text describing the situation faced by a user 14 of the group of equipment (s).
  • Textual elements are, for example, expressions or sentences such as: "I have connected all my devices to the network but I cannot access the Internet from my television” or "My remote control does not work fully. Only basic functions work “, or” I have turned on my television but “no signal” is indicated ".
  • the acquisition module 16 is for example able to be connected to a conversational agent (English chat bot) or to a man-machine interface.
  • the generation module 18 is configured to generate, from the acquired textual element (s), at least a first graph relating to the group of equipment (s) and a second graph relating to the set of symptom (s).
  • the Generation 18 module is advantageously configured to extract information from the textual element (s) by application of linguistic grammar (s) constructed specifically for the technical field of application of the electronic determination device 12. These grammars have aim to bring out important concepts relating to the field of application.
  • the generation 18 module is also configured to build SPO triples for Subject Predicate Object (from the English Resource Description Framework) allowing to highlight the relationships between the identified concepts.
  • an extracted SPO triplet includes, for example, in particular the terms “devices” (the subject), “network” (the object) and “being connected” (the predicate).
  • the generation module 18 is also configured to generate a first graph relating to the group of equipment (s) in which nodes are formed from the subjects and objects, and arcs connect the nodes appearing in the same SPO triplets. Similarly, the generation module 18 is configured to generate a second graph relating to the set of symptoms.
  • the conversion module 20 is connected to the output of the acquisition module 16 and, if applicable, to the output of the generation module 18.
  • the conversion module 20 is configured to convert the textual element (s) into a representative vector comprising a first component relating to the group of equipment (s) and a second component relating to the symptom set (s).
  • the conversion module 20 is for example configured to convert each node into a respective intermediate vector.
  • the optimization goal function preferably satisfies the following equation:
  • P (D 1
  • c, n) represents the probability that a target node c is linked by an arc to said node n;
  • P (D 0
  • c ', n) represents the probability that another target node c' is not linked by an arc to said node n, that is to say is not in the context of said node n;
  • the probability P (D 1
  • c, n) that a target node c is linked by an arc to node n being preferably defined as the sigmoid of the scalar product of the intermediate vectors of the two nodes, according to the following equation:
  • the conversion module 20 is configured to calculate the representative vector as being the concatenation of a weighted average of the intermediate vectors of the first graph and a weighted average of the intermediate vectors of the second graph.
  • the calculation module 22 is configured to calculate, for each knowledge, the distance between the knowledge vector and the representative vector.
  • the calculation module 22 is in particular configured to determine whether there is a piece of knowledge in the knowledge base 10 for which the set of reference equipment (s) is identical to the group of equipment (s) and for which the symptom set (s) is identical to symptom set (s). In such a case, the distance between this knowledge vector and the representative vector is zero.
  • the calculation module 22 is for example configured to calculate each distance by applying a predefined distance function F to the representative vector and to the respective knowledge vector.
  • the distance function F is configured to take into account the confidence coefficient associated with each knowledge, making it possible to weight the distance between the representative vector and each knowledge vector.
  • the confidence coefficient is high, as indicated previously.
  • the value of the distance between the representative vector and each knowledge vector associated with unreliable knowledge is therefore important.
  • the confidence coefficient is low.
  • the value of the distance between the representative vector and each knowledge vector associated with reliable knowledge is therefore smaller.
  • the calculation module 22 is also configured to calculate a complementary distance, or even two partial complementary distances, between the representative vector and each cluster of partially similar knowledge vectors. According to this optional complement, the calculation module 22 is configured to calculate the complementary distance using a complementary distance function G.
  • the complementary distance function G is also configured to take into account the confidence coefficient associated with each knowledge of each cluster, analogously to the distance function F.
  • the calculation module 22 is also optionally configured to calculate a first partial complementary distance between the first component of the representative vector and the first components of the knowledge vectors of each cluster, from a first function of partial complementary distance H 1 .
  • the calculation module 22 is also configured to calculate a second partial complementary distance between the second component of the representative vector and the second components of the knowledge vectors of each cluster.
  • the calculation module 22 is then configured to calculate the second partial complementary distance from a second partial complementary distance function H 2 .
  • the first and second H 2 functions of partial complementary distances are also configured to take into account the confidence coefficient associated with each knowledge of each cluster, in a manner analogous to the distance function F.
  • the determination module 24 is connected to the output of the calculation module 22, and is configured to determine the list of maintenance action (s) from the distances calculated, by the calculation module 22.
  • the determination module 24 is in particular configured to determine, from among the knowledge vectors, those whose distance from the representative vector is less than a first threshold. The determination module 24 is then configured to prioritize the sets of maintenance action (s) contained in this or these information tuples.
  • the determination module 24 is also configured to determine, in the case where no knowledge vector has a distance less than the first threshold with the representative vector, the cluster of knowledge vectors exhibiting the smallest complementary distance with the representative vector. The determination module 24 is then configured to determine the list of maintenance action (s) as being a combination of the maintenance actions present in the sets of action (s) of the information tuples of the vectors of the cluster. .
  • the determination module 24 is also configured to determine, in the case where no knowledge vector cluster has any complementary distance with the representative vector less than a second threshold, the cluster of knowledge vectors minimizing the first partial complementary distance with the representative vector. In this case, the determination module 24 is also configured to determine the cluster of knowledge vectors minimizing the second partial complementary distance with the representative vector. The determination module 24 is then configured to determine the list of action (s) by combining the hierarchical elements of the sets of action (s) of the knowledge of the determined clusters. The hierarchy is for example carried out according to the frequency of appearance of each action in the N-tuples of information relating to each vector of the determined clusters.
  • the feedback module 26 is connected to the output of the determination module 24 and to the knowledge base 10.
  • the feedback module 26 is configured to integrate the equipment group (s) into the knowledge base 10, the symptom set (s) and the maintenance action list (s) according to a criterion.
  • the reception unit 28 is connected to the output of the determination module 24 and to a user interface, not shown.
  • the reception unit 28 is configured to receive from the user 14 a validation instruction as to the success of the maintenance operation implemented on the group of equipment (s) exhibiting the symptom set. , according to the list of action (s) determined by the determination module.
  • Adding unit 30 is connected to receiving unit 28 and knowledge base 10.
  • the addition unit 30 is configured to provide the knowledge base 10 with an information tuple associated with the validation instruction of the user 14.
  • the information tuple comprising the equipment group (s), symptom set (s) and maintenance action list (s) validated by user 14.
  • the reception unit 28 is also configured to receive from the user 14 an instruction to invalidate the list of action (s) determined.
  • the addition unit 30 is then also configured to provide, in the event of receipt of the invalidation instruction, the information tuple described above and an indication of a negative weighting of the knowledge vector associated with. this information tuple to the knowledge base 10.
  • the identification module 32 is connected to the determination module 24. The identification module 32 is configured to identify, among the symptoms, knowledge which led to the list of action (s) determined, which are missing in the symptom set (s).
  • a missing symptom is "the password entered does not match not to the password associated with the Wi-Fi wireless network ”.
  • This information is then able to be communicated to the user 14 by a man-machine interface, not shown.
  • User 14 is able to confirm or deny the presence of this symptom which he had not previously noticed.
  • the electronic determination device 12 is then configured to determine a new list of action (s) from the textual element (s) and from information relating to the presence or absence of this missing symptom. .
  • the electronic determination device 12 acquires at least one textual element relating to the group of equipment (s) and to the symptom set (s).
  • the electronic determination device 12 then optionally passes to step 120 of generation.
  • step 120 the electronic determination device 12 generates, via its generation module 18, from the textual element (s), at least a first graph relating to the group of equipment (s) and a second graph relating to the set of symptom (s), from the textual element (s).
  • the generation module 18 extracts the textual element (s) of the SPO triplets relating to the equipment group (s) and to the symptom set (s). Then, the SPO triples are converted to the first and second graphs in which the subjects and objects of the SPO triples form the nodes, and the predicates form arcs.
  • the electronic determination device 12 initializes the intermediate vector, via its conversion module 20 and in a random manner for each node of the first graph, respectively of the second graph. Then, the electronic determination device 12 calculates the value of each intermediate vector from the optimization objective function which verifies for example equation (1). The electronic determination device 12 then applies, for example, an algorithm for increasing the gradient on the optimization objective function in order to digitally bring together the intermediate vectors representing semantically close concepts and to digitally move away the intermediate vectors representing semantically distant concepts. .
  • the conversion module 20 constructs the representative vector by concatenation of a weighted average of the intermediate vectors linked to the first graph, and of a weighted average of the intermediate vectors linked to the second graph.
  • the electronic determination device 12 seeks, initially and via its calculation module 22, a knowledge for which the set of reference equipment (s) is identical to the group of equipment (s), and the set of symptom (s) is identical to the set of symptom (s), via its computation module 22. In this case, the distance between the representative vector and this knowledge vector is zero.
  • the calculation module 22 calculates, for each knowledge, a distance between the respective knowledge vector and the representative vector using the distance function F as described above.
  • the calculation module 22 calculates the complementary distance between the representative vector and clusters of knowledge vectors. Each knowledge vector constituting a cluster is similar to the others.
  • the calculation module 22 calculates the first and second partial complementary distances between the first component of the representative vector and the first components of the knowledge vectors of each of the clusters.
  • the calculation module 22 also calculates the second partial complementary distance between the second component of the representative vector and the second components of the knowledge vectors of each of the clusters.
  • the first partial complementary distance concerns only the reference equipment set (s) and the equipment group (s)
  • the second partial complementary distance concerns only the set of symptom (s) and the set of symptom (s).
  • the electronic determination device 12 then proceeds to the next determination step 150, in which it determines, via its determination module 24, the list of maintenance action (s).
  • step 150 for each knowledge vector whose distance from the representative vector is less than the first threshold, the determination module 24 selects the set of action (s) of the associated knowledge. Then, the determination module 24 determines the action list (s) as being composed of the selected action (s) ranked according to the distance function F.
  • the determination module 24 determines the list of maintenance actions as being a combination elements of the sets of action (s) of the knowledge of each cluster whose complementary distance with the representative vector is less than the second threshold.
  • the electronic determination device 12 passes to the identification step 160, during which it identifies, via its identification module 32, the symptoms of the knowledge from which the list of action (s) was drawn. , missing in symptom set (s). These missing symptom (s) are then communicated to user 14 by a man-machine interface (not shown). The process is then reiterated on the basis of the textual element (s) and information relating to the missing symptom (s) transmitted by the identification module 32 following an interaction of the user 14, in order to obtain a list of action (s) more appropriate to the situation encountered by user 14.
  • the electronic determination device 12 then proceeds to step 170 for receiving an instruction, in which it waits and receives, where appropriate, a validation instruction from the user 14, via its unit of reception 28.
  • the validation instruction of the user 14 indicates that the list of action (s) determined has made it possible to remedy the set of symptom (s) observed on the group of equipment (s).
  • the electronic determination device 12 then proceeds to the addition step 180, in which it adds to the knowledge base 10 the N-tuple comprising the group of equipment (s) , symptom set (s) and maintenance action list (s).
  • the method for determining maintenance action (s) according to the invention, and the associated electronic device 12, make it possible to determine a list of maintenance action (s) to be implemented for a group of equipment ( s) showing a set of symptom (s), without diagnosing the causes of the symptom (s).
  • the method according to the invention provides action (s) making it possible to alleviate the symptom (s) for the time that A technician identifies the causes of the symptom (s). This leads to a better user experience 14.
  • the quantity of knowledge in the knowledge base 10 increases as it goes, and then makes it possible to improve the relevance of the list of action (s) determined by the electronic determination device 12.
  • the optional step 160 of identifying the symptom (s) missing in the symptom (s) set makes it possible to provide an indication to the user 14 who has not noticed this or these symptom (s). ) during its analysis, even though they are present. This allows the user 14 to reiterate the process by adding this symptom, missing from the previous set of symptom (s), to the text element in order to obtain a list of action (s) more suited to the situation than 'he meets.
  • the determination of the maintenance action (s) to be provided does not require the diagnosis of the cause (s) of the symptom (s) observed.
  • the method according to the invention therefore makes it possible to determine maintenance action (s) without prior in-depth knowledge of the equipment, or sensor (s) or model (s) making it possible to monitor the condition of the equipment.

Abstract

The invention relates to a method for determining a list of maintenance action(s) to be implemented for a group of device(s) having a set of symptom(s) based on pieces of knowledge contained in a knowledge base. Each piece of knowledge relates to a collection of reference device(s), as well as to a collection of symptom(s) and a collection of maintenance action(s) each associated with the collection of reference device(s). The knowledge base comprises a knowledge vector for each piece of knowledge. The method comprises the following steps: - acquisition (110) of textual element(s) relative to the group of device(s) and to the set of symptom(s); - conversion (130) of the textual element(s) into a representative vector; - calculation (140) of distance(s) between the representative vector and the knowledge vectors; and - determination (150) of the list of maintenance action(s) based on the calculated distances and the collection of action(s) of each piece of knowledge.

Description

TITRE : Procédé et dispositif électronique de détermination d’une liste d’action(s) de maintenance, programme d’ordinateur associé TITLE: Method and electronic device for determining a list of maintenance action (s), associated computer program
La présente invention concerne un procédé de détermination d’une liste d’action(s) de maintenance à mettre en œuvre pour un groupe d’équipement(s) présentant un jeu de symptôme(s), le procédé étant mis en œuvre par un dispositif électronique de détermination relié à une base de connaissances. The present invention relates to a method for determining a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptom (s), the method being implemented by a electronic determination device linked to a knowledge base.
L’invention concerne également un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un tel procédé de détermination. The invention also relates to a computer program comprising software instructions which, when executed by a computer, implement such a determination method.
L’invention concerne également un dispositif électronique de détermination configuré pour déterminer une liste d’action(s) de maintenance à mettre en œuvre pour un groupe d’équipement(s) présentant un jeu de symptôme(s), le dispositif étant apte à être relié à une base de connaissances. The invention also relates to an electronic determination device configured to determine a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptom (s), the device being able to be linked to a knowledge base.
L’invention s’applique au domaine de la maintenance. Selon la définition dans la norme NF X 60-010 de l'AFNOR, la maintenance couvre l'ensemble des actions du cycle de vie d'un système, destinées à le maintenir ou à le rétablir dans un état dans lequel il peut accomplir la fonction requise. Cela inclut les actions de dépannage et de réparation, de réglage, de révision, de contrôle et de vérification des systèmes matériels (machines, véhicules, objets manufacturés, équipements informatiques, etc.) ou même immatériels (logiciels). The invention applies to the field of maintenance. According to the definition in standard NF X 60-010 of AFNOR, maintenance covers all the actions of the life cycle of a system, intended to maintain it or restore it to a state in which it can perform required function. This includes the actions of troubleshooting and repair, adjustment, overhaul, control and verification of hardware systems (machines, vehicles, manufactured objects, computer equipment, etc.) or even intangible (software).
D’après le document « Maintenance: concepts et définitions » de B. Mechin, aux éditions Techniques Ingénieur en 2007, la maintenance est liée à deux facteurs, l'un interne correspondant à la maintenabilité intrinsèque de l'équipement reposant sur la conception de l'entité, l'autre externe, correspondant aux conditions d'usage et à la capacité technique et organisationnelle de l'utilisateur final. Selon la norme NF X 60-500 de l'AFNOR, la maintenabilité est l'aptitude d'une entité à être maintenue ou rétablie, sur un intervalle de temps donné dans un état dans lequel elle peut accomplir une fonction requise, lorsque la maintenance est accomplie dans des conditions données, avec des procédures et des moyens prescrits. According to the document “Maintenance: concepts and definitions” by B. Mechin, published by Techniques Ingénieur in 2007, maintenance is linked to two factors, one internal corresponding to the intrinsic maintainability of the equipment based on the design of the entity, the other external, corresponding to the conditions of use and the technical and organizational capacity of the end user. According to AFNOR standard NF X 60-500, maintainability is the ability of an entity to be maintained or restored, over a given time interval in a state in which it can perform a required function, when maintenance is carried out under given conditions, with prescribed procedures and means.
Par équipement, on entend alors un élément mécanique, électronique ou informatique, et un système complexe se compose d’un groupe d’équipement(s) autonome(s) et interconnecté(s), et alors très souvent hétérogène(s). D’après le document « Maintenance of complex Systems: From préventive to prédictive » de S. Fossier et P. Robic en 2017, il existe généralement deux façons complémentaires d'organiser les actions de maintenance, à savoir la maintenance préventive et la maintenance corrective. The term “equipment” is understood to mean a mechanical, electronic or computer element, and a complex system is made up of a group of autonomous and interconnected equipment (s), and therefore very often heterogeneous. According to the document “Maintenance of complex Systems: From preventive to predictive” by S. Fossier and P. Robic in 2017, there are generally two complementary ways of organizing maintenance actions, namely preventive maintenance and corrective maintenance. .
La maintenance préventive consiste à intervenir sur un système avant que celui-ci ne soit défaillant, afin de tenter de prévenir toute panne. Elle se subdivise à son tour en une maintenance systématique désignant des opérations effectuées systématiquement, telles qu’un contrôle périodique défini par un constructeur ; en une maintenance conditionnelle réalisée à la suite de relevés ou de mesures ; et en une maintenance prévisionnelle, réalisée à la suite d'une analyse de l'évolution de l'état de dégradation du système. La maintenance prédictive est un cas particulier de la maintenance conditionnelle. Preventive maintenance consists of intervening on a system before it fails, in order to try to prevent any failure. It is in turn subdivided into systematic maintenance designating operations carried out systematically, such as a periodic check defined by a manufacturer; in conditional maintenance carried out following readings or measurements; and in predictive maintenance, carried out following an analysis of the evolution of the state of degradation of the system. Predictive maintenance is a special case of condition-based maintenance.
La maintenance corrective consiste à intervenir sur un système une fois que celui-ci est défaillant, ou en panne. Elle est destinée à remettre le système dans un état dans lequel il peut accomplir une fonction requise. Elle se subdivise à son tour en une maintenance palliative et en une maintenance curative. L’intervention sur le système est à caractère provisoire dans le cas d’une maintenance palliative, ou définitif et immédiat dans le cas d’une maintenance curative. Corrective maintenance consists of intervening on a system once it is faulty or down. It is intended to restore the system to a state in which it can perform a required function. It is in turn subdivided into palliative maintenance and curative maintenance. Intervention on the system is temporary in the case of palliative maintenance, or final and immediate in the case of curative maintenance.
L’invention concerne plus particulièrement la maintenance palliative qui intervient une fois que le problème technique est survenu, et doit être distinguée de la maintenance curative. La maintenance palliative vise la simple réparation des défauts et des pannes, tandis que la maintenance curative a pour objet de remédier à leurs causes, sachant qu'une telle distinction s'applique difficilement en matière informatique ; les causes et les effets des incidents techniques n'étant pas susceptibles d'être traitées séparément. En général, la première étape d'une maintenance corrective est le diagnostic, étape qui permet d'identifier à partir des symptômes du dysfonctionnement, la cause ayant entraînée la panne ou la défaillance. Ensuite, une fois le diagnostic posé, l'opérateur de maintenance peut intervenir et réparer selon une séquence d'actions préétablies par différents guides de maintenance. The invention relates more particularly to palliative maintenance which occurs once the technical problem has arisen, and must be distinguished from curative maintenance. Palliative maintenance aims at the simple repair of faults and breakdowns, while curative maintenance aims at remedying their causes, knowing that such a distinction is difficult to apply in IT; the causes and effects of technical incidents cannot be dealt with separately. In general, the first step of corrective maintenance is the diagnosis, step which makes it possible to identify, from the symptoms of the malfunction, the cause which led to the breakdown or failure. Then, once the diagnosis has been made, the maintenance operator can intervene and repair according to a sequence of actions pre-established by various maintenance guides.
Par symptôme, on entend l'effet ou la conséquence visible d'une défaillance. Symptom is understood to mean the visible effect or consequence of a failure.
Selon le document « Mettre en oeuvre une GMAO: Maintenance industrielle, service après-vente, maintenance immobilière » de M. Frédéric, aux éditions Dunod en 2011 , la Gestion de Maintenance Assistée par Ordinateur, également notée GMAO, désigne de manière générale toute méthode de gestion des opérations et des informations de maintenance à l'aide d'un outil informatique. On l'utilise généralement comme support permettant de tracer, archiver, analyser et prendre des décisions dans le cadre de missions de service de maintenance. Ainsi, la GMAO aide à garantir l'exécution d’un ensemble de travaux de maintenance en se basant sur les états des équipements. Dès que l'état d'un équipement est connu, la GMAO calcule et programme automatiquement les activités de maintenance, afin de maintenir un bon fonctionnement des équipements. Des livrets d'entretien, courbes de détérioration et catalogues de coûts fournissent des données à la GMAO, afin de garantir une exécution de l'entretien au bon moment. La maintenance est alors contrôlée en temps réel par la GMAO en établissant un suivi des équipements et des données. According to the document “Implementing a CMMS: Industrial maintenance, after-sales service, real estate maintenance” by Mr. Frédéric, published by Dunod in 2011, Computer-Assisted Maintenance Management, also known as CMMS, refers to in general, any method of managing maintenance operations and information using a computer tool. It is generally used as a support for tracking, archiving, analyzing and making decisions in the context of maintenance service assignments. Thus, the CMMS helps to guarantee the execution of a set of maintenance works based on the states of the equipment. As soon as the status of an item of equipment is known, the CMMS automatically calculates and programs maintenance activities, in order to maintain proper operation of the equipment. Maintenance books, deterioration curves and cost catalogs provide data to the CMMS to ensure that maintenance is performed at the right time. Maintenance is then controlled in real time by the CMMS by establishing equipment and data monitoring.
D’après le document « La maintenance basée sur la fiabilité » de G. Zwingelstein, Hermès, vol. 199 en 1996, les vibrations, l'humidité, la poussière, un mauvais paramétrage, les détériorations de toutes sortes sont susceptibles de produire des défaillances d'un système, et l'opération de maintenance corrective repose alors usuellement sur le diagnostic relatif au(x) symptôme(s) constaté(s). Ainsi, il est nécessaire d'identifier la cause probable de la (ou des) défaillance(s) à l'aide d'un raisonnement logique fondé sur un ensemble d'informations provenant d'une inspection, d'un contrôle ou d'un test. Deux étapes sont alors essentielles : l'observation des symptômes et l'identification de la cause à l'aide d'un raisonnement fondé sur des observations du système. From the document "Maintenance Based on Reliability" by G. Zwingelstein, Hermès, vol. 199 in 1996, vibrations, humidity, dust, incorrect parameterization, deterioration of all kinds are liable to produce system failures, and the corrective maintenance operation is then usually based on the diagnosis relating to ( x) symptom (s) observed. Thus, it is necessary to identify the probable cause of the failure (s) using logical reasoning based on a set of information from an inspection, control or inspection. a test. Two steps are then essential: observing the symptoms and identifying the cause using reasoning based on observations of the system.
Pour établir un bon diagnostic, il faut donc localiser et identifier la ou les fautes sur les composants responsables d'une ou de plusieurs défaillances. Cette étape permet d'isoler les équipements en panne. L'étape d'identification détermine le type de faute apparue. Une fois le type de faute identifié et selon la connaissance disponible, il est parfois possible de propager les effets d'une faute sur les équipements du système afin de prédire les conséquences de ces défaillances. To establish a good diagnosis, it is therefore necessary to locate and identify the fault (s) on the components responsible for one or more faults. This step makes it possible to isolate the faulty equipment. The identification step determines the type of fault that has arisen. Once the type of fault has been identified and depending on the knowledge available, it is sometimes possible to propagate the effects of a fault on the equipment of the system in order to predict the consequences of these faults.
Plusieurs techniques permettent de diagnostiquer les fautes qui provoquent des défaillances. Parmi celles-ci, les approches à base d'expertise métier utilisent une connaissance explicite de relations causales entre les symptômes, les défaillances et les fautes, comme décrit dans le document « Maintenance » de F. Monchy et J. Vernier, Méthodes et Organisations en 2000. Cette connaissance est souvent acquise durant la phase de conception et provient d'une analyse fonctionnelle et structurelle du système. Elle peut résulter d'une analyse des modes de défaillance et de leurs effets, également connue sous l’acronyme AMDE, ou bien d'un historique des mauvais fonctionnements par un arbre de défaillances par exemple. Cette analyse repose sur des techniques issues du domaine de la sûreté de fonctionnement et d'études de risque. Les outils d'aide au diagnostic qui utilisent ce type d'approche reposent sur des systèmes à bases de règles, comme par exemple les systèmes experts. Several techniques are used to diagnose faults that cause failures. Among these, business expertise-based approaches use an explicit knowledge of causal relationships between symptoms, failures and faults, as described in the “Maintenance” document by F. Monchy and J. Vernier, Methods and Organizations. in 2000. This knowledge is often acquired during the design phase and comes from a functional and structural analysis of the system. It can result from an analysis of failure modes and their effects, also known by the acronym AMDE, or a history of malfunctions by a fault tree for example. This analysis is based on techniques from the field of dependability and risk studies. The diagnostic aid tools that use this type of approach are based on rule-based systems, such as expert systems, for example.
L'analyse des modes de défaillance et de leurs effets est une autre technique, très largement utilisée. C'est une méthode inductive qui permet une analyse systématique et complète, composant par composant, de tous les modes de défaillance possibles des composants et qui précise leurs causes et effets sur le système global. Pour cela, l'ensemble des modes de défaillance possibles des composants doit être établi, et pour chaque mode de défaillance sont recherchées les causes possibles de son apparition. Finalement, une étude des effets sur le système est faite pour chaque combinaison (cause, mode de défaillance). L'analyse de ces modes, de leurs effets et de leur criticité, également appelée analyse AMDEC, est une extension de l'AMDE qui inclut une analyse de criticité des modes de défaillance. L'utilisation de cette méthode à des fins de diagnostic conduit à utiliser une procédure abductive. En effet, supposant qu'un système est défaillant, une démarche abductive consiste à rechercher les causes pouvant expliquer les effets observés. Les inconvénients sont qu'elle nécessite une longue expérience et que toute modification de l'équipement nécessite une nouvelle analyse. Another very widely used technique is the analysis of failure modes and their effects. It is an inductive method which allows a systematic and complete analysis, component by component, of all the possible failure modes of the components and which specifies their causes and effects on the overall system. For this, all the possible failure modes of the components must be established, and for each failure mode, the possible causes of its occurrence are sought. Finally, a study of the effects on the system is made for each combination (cause, mode of failure). The analysis of these modes, their effects and their criticality, also called FMEA analysis, is an extension of the FMEA that includes a failure mode criticality analysis. The use of this method for diagnostic purposes leads to the use of an abductive procedure. Indeed, assuming that a system is faulty, an abductive approach consists in seeking the causes which can explain the observed effects. The disadvantages are that it requires a lot of experience, and any modification of the equipment requires re-analysis.
Les arbres de défaillance sont couramment utilisés dans les analyses de fiabilité ou de sécurité des systèmes, comme expliqué dans le document « Fiabilité des ouvrages: sûreté, variabilité, maintenance, sécurité » de J. Baroth, F. Schoefs et D. Breysse, aux éditions Lavoisier en 2011. Ce sont des outils intéressants pour identifier les causes premières conduisant à une défaillance indésirable. Ils sont créés à l'aide d'une procédure déductive optimisée qui détermine des chemins critiques correspondant aux diverses combinaisons possibles d'événements entraînant la réalisation d'un événement indésirable unique (événement de faute entraînant une panne du système). La procédure qui utilise les arbres de défaillance à des fins de diagnostic est abductive, elle se focalise d'abord sur les événements indésirables pour identifier ensuite leurs causes. Un arbre de défaillance est établi sous la forme d'un diagramme logique et comporte au sommet l'événement indésirable. Pour exécuter un diagnostic correct à partir des arbres de défaillances, ceux-ci doivent largement représenter toutes les relations causales du système, capables d'expliquer tous les scénarios de fautes possibles. Cette méthode déductive s'utilise difficilement pour les systèmes qui dépendent du temps. L'objectif des techniques à base de données est d'associer un ensemble de mesures à des états de fonctionnement connus du système. Elles font appel à des méthodes de reconnaissance de formes qui utilisent des techniques d'apprentissage numérique et de classification afin d'établir un modèle de référence du système fondé sur l'expérience (exploitation des données et des mesures sous la forme d'un historique). Le modèle établi ne provient donc pas d'une spécification du système durant la phase de conception. Il ne repose pas sur une connaissance physique du système. Ce modèle de référence capture le comportement normal du système et est utilisé pour la détection et le diagnostic. Les principales techniques de classification utilisées pour construire un tel modèle sont l'analyse discriminante, les réseaux de neurones et la logique floue. Les classes ainsi obtenues contiennent l'information qui caractérise les états et les défaillances du système. La limite majeure de cette approche est qu'elle nécessite la mise en place de capteurs, ou sondes, supposés fiables, positionnés sur les différents composants de l'équipement permettant de collecter des données fiables. Fault trees are commonly used in system reliability or security analyzes, as explained in the document “Reliability of structures: safety, variability, maintenance, security” by J. Baroth, F. Schoefs and D. Breysse, at Lavoisier editions in 2011. These are interesting tools for identifying the root causes leading to an unwanted failure. They are created using an optimized deductive procedure that determines critical paths corresponding to the various possible combinations of events leading to the occurrence of a single adverse event (fault event leading to system failure). The procedure that uses fault trees for diagnostic purposes is abductive, focusing first on adverse events and then identifying their causes. A fault tree is drawn up in the form of a logic diagram and has the undesirable event at the top. To perform a correct diagnosis from fault trees, they must broadly represent all the causal relationships of the system, capable of explaining all possible fault scenarios. This deductive method is difficult to use for time-dependent systems. The objective of database techniques is to associate a set of measurements with known operating states of the system. They make use of pattern recognition methods that use numerical learning and classification techniques to establish a reference model of the system based on experience (exploitation of data and measurements in the form of a historical ). The established model does not therefore come from a specification of the system during the design phase. It is not based on physical knowledge of the system. This reference model captures the normal behavior of the system and is used for detection and diagnosis. The main classification techniques used to build such a model are discriminant analysis, neural networks and fuzzy logic. The classes thus obtained contain the information which characterizes the states and the failures of the system. The major limitation of this approach is that it requires the installation of supposedly reliable sensors, or probes, positioned on the various components of the equipment, making it possible to collect reliable data.
Enfin, les approches de diagnostic à base de modèles reposent sur une connaissance physique profonde du système à diagnostiquer, comme indiqué dans le document « Modèles dysfonctionnels pour la gestion de la qualité de service des systèmes critiques » de C. Sannino, J. Sprauel et C. Seguin, dans 3R-Recherche et Industrie 1 en 2016. Le système est représenté sous forme d'un ou plusieurs modèles qui décrivent la structure du système et son comportement nominal, ou encore son comportement en présence de faute(s). La méthode de diagnostic s'appuie sur la comparaison du comportement réel observé sur le système physique avec le comportement prédit à l'aide de modèles. La détection d'incohérences permet de conclure sur l'occurrence de faute(s) dans le système. Deux principales approches peuvent se distinguer dans les méthodes de diagnostic à base de modèles. L'approche FDI (de l’anglais Fault Détection and Isolation) issue de la communauté automatique utilise des modèles quantitatifs pour décrire le modèle de comportement du système. Des équations algébro-différentielles permettent de représenter le comportement continu du système avec une certaine précision numérique. L'approche DX, fondée sur une théorie logique du diagnostic, provient de la communauté de l'intelligence artificielle. Ces deux approches utilisent des modèles qualitatifs qui permettent de représenter de manière efficace les interactions entre composants ou systèmes, mais sont complexes à mettre en œuvre en particulier pour des systèmes à forte composantes logicielles. Finally, model-based diagnostic approaches are based on a deep physical knowledge of the system to be diagnosed, as indicated in the document “Dysfunctional models for the management of the quality of service of critical systems” by C. Sannino, J. Sprauel and C. Seguin, in 3R-Recherche et Industrie 1 in 2016. The system is represented in the form of one or more models which describe the structure of the system and its nominal behavior, or even its behavior in the presence of fault (s). The diagnostic method is based on the comparison of the actual behavior observed on the physical system with the behavior predicted using models. The detection of inconsistencies makes it possible to conclude on the occurrence of fault (s) in the system. Two main approaches can be distinguished in model-based diagnostic methods. The automatic community's FDI (Fault Detection and Isolation) approach uses quantitative models to describe the behavior pattern of the system. Algebra-differential equations make it possible to represent the continuous behavior of the system with a certain numerical precision. The DX approach, based on a logical diagnostic theory, comes from the artificial intelligence community. These two approaches use qualitative models which make it possible to represent effectively the interactions between components or systems, but are complex to implement, in particular for systems with strong software components.
Le document WO 2017/046530 A1 concerne également ce dernier type d’approches. Cependant, il cherche seulement à établir des preuves de diagnostic supplémentaires, en utilisant la connaissance d'actions correctives infructueuses et en les corrélant à des symptômes. Document WO 2017/046530 A1 also relates to this latter type of approach. However, he only seeks to establish diagnostic evidence additional, using knowledge of unsuccessful corrective actions and correlating them to symptoms.
Le document CN102 799 171 B cherche à identifier la cause première des défaillances sur la base de l'analyse des symptômes pour générer un ensemble de règles permettant un premier diagnostic. The document CN102 799 171 B seeks to identify the root cause of the failures on the basis of the analysis of the symptoms to generate a set of rules allowing a first diagnosis.
Le but de l’invention est alors, dans le cadre d’une maintenance palliative, de proposer un procédé, et un dispositif électronique associé, permettant de déterminer une liste d’action(s) de maintenance à mettre en œuvre pour un groupe d’équipement(s) présentant un jeu de symptôme(s), sans diagnostic préalable des causes du jeu de symptôme(s). The aim of the invention is then, in the context of palliative maintenance, to propose a method, and an associated electronic device, making it possible to determine a list of maintenance action (s) to be implemented for a group of equipment (s) showing a set of symptom (s), without prior diagnosis of the causes of the set of symptom (s).
A cet effet, l’invention a pour objet un procédé de détermination d’une liste d’action(s) de maintenance à mettre en œuvre pour un groupe d’équipement(s) présentant un jeu de symptôme(s), le procédé étant mis en œuvre par un dispositif électronique de détermination relié à une base de connaissances, la base de connaissances comportant une pluralité de connaissances, chaque connaissance étant sous la forme d’un N-uplet d’informations comportant un ensemble d’équipement(s) de référence, un ensemble de symptôme(s) associé à l’ensemble d’équipement(s) de référence, et un ensemble d’action(s) de maintenance associé à l’ensemble d’équipement(s) de référence, la base de connaissances comprenant en outre, pour chaque connaissance, un vecteur de connaissance comportant une première composante relative à l’ensemble d’équipement(s) de référence et une deuxième composante relative à l’ensemble de symptôme(s), le procédé comprenant les étapes suivantes : To this end, the subject of the invention is a method for determining a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptom (s), the method being implemented by an electronic determination device linked to a knowledge base, the knowledge base comprising a plurality of knowledge items, each knowledge being in the form of an information tuple comprising a set of equipment (s ) reference, a set of symptom (s) associated with the set of reference equipment (s), and a set of maintenance action (s) associated with the set of reference equipment (s), the knowledge base further comprising, for each knowledge, a knowledge vector comprising a first component relating to the set of reference equipment (s) and a second component relating to the set of symptom (s), the method comprising the following steps:
- acquisition d’au moins un élément textuel relatif au groupe d’équipement(s) et au jeu de symptôme(s) ; - acquisition of at least one textual element relating to the equipment group (s) and the symptom set (s);
- conversion du ou des élément(s) textuel(s) en un vecteur représentatif comportant une première composante relative au groupe d’équipement(s) et une deuxième composante relative au jeu de symptôme(s) ; - conversion of the textual element (s) into a representative vector comprising a first component relating to the group of equipment (s) and a second component relating to the set of symptom (s);
- calcul, pour chaque vecteur de connaissance, d’une distance entre le vecteur de connaissance respectif et le vecteur représentatif ; et - calculation, for each knowledge vector, of a distance between the respective knowledge vector and the representative vector; and
- détermination de la liste d’action(s) de maintenance à partir des distances calculées, la liste d’action(s) de maintenance comportant le ou les ensemble(s) d’action(s) de maintenance contenu(s) dans le ou les N-uplets d’informations pour lesquels, la distance entre le vecteur représentatif et le vecteur de connaissance respectif est inférieure à un seuil. - determination of the list of maintenance action (s) from the calculated distances, the list of maintenance action (s) comprising the set (s) of maintenance action (s) contained in the information tuplet (s) for which, the distance between the representative vector and the respective knowledge vector is less than a threshold.
Ainsi, le procédé selon l’invention permet de fournir une ou plusieurs recommandations d'actions destinées à remettre le groupe d’équipement(s) dans un état pour lequel il peut accomplir sa fonction. Il ne s'agit pas ici de déterminer les origines (i.e. les causes) des pannes, mais bien de prescrire les actions qui pourraient être réalisées pour réparer le groupe d’équipement(s) ou améliorer son fonctionnement. Thus, the method according to the invention makes it possible to provide one or more recommendations for actions intended to restore the group of equipment (s) to a state for which it can perform its function. It is not a question here of determining the origins (i.e. the causes) of the failures, but of prescribing the actions that could be carried out to repair the group of equipment (s) or improve its operation.
Au vu des procédés de l’état de la technique ci-dessus, le choix d'une méthode de diagnostic dépend fortement de la connaissance du système, de la présence de capteurs ou de modèles qui permettent de suivre l'état réel de l'équipement, il est donc difficile de concevoir un système générique de maintenance palliative reposant sur une phase de diagnostic. In view of the methods of the state of the art above, the choice of a diagnostic method strongly depends on knowledge of the system, on the presence of sensors or models which make it possible to follow the actual state of the device. equipment, it is therefore difficult to design a generic palliative maintenance system based on a diagnostic phase.
L’invention vise alors à proposer un procédé de recommandations de maintenances palliatives par le biais d’une génération automatique de propositions de prescriptions, i.e. d'actions de réparations, établie à partir des symptômes observés et cela sans passer par le diagnostic. Il s'agit donc de produire automatiquement à partir des symptômes observés et des pratiques courantes de réparations, contenues dans la base de connaissances, une ou plusieurs solutions viables de remise en état de fonctionnement. The invention therefore aims to propose a process for making recommendations for palliative maintenance by means of an automatic generation of prescription proposals, i.e. repair actions, established on the basis of the symptoms observed and without going through the diagnosis. It is therefore a matter of automatically producing, from the observed symptoms and current repair practices, contained in the knowledge base, one or more viable solutions for restoring to working order.
En effet, contrairement à certains procédés de l’état de la technique, notamment celui décrit dans le document CN102 799 171 B, le procédé selon l’invention utilise seulement les symptômes, aucune phase de diagnostic n’étant nécessaire, et propose alors une solution de réparation via la liste d’action(s) de maintenance déterminée, à partir de ces symptômes et de la base de connaissances. In fact, unlike certain methods of the state of the art, in particular that described in document CN102 799 171 B, the method according to the invention only uses the symptoms, no diagnostic phase being necessary, and therefore proposes a repair solution via the list of determined maintenance action (s), based on these symptoms and the knowledge base.
La base de connaissances est de préférence alimentée par des modules de traitement automatique du langage automatisant l’extraction des informations et des connaissances pertinentes au regard d’une taxonomie et d’une ontologie métier prédéfinies grâce à différents documents, tels que documents du fabricant, forum utilisateur, etc. The knowledge base is preferably fed by automatic language processing modules automating the extraction of information and relevant knowledge with regard to a taxonomy and a business ontology predefined thanks to various documents, such as documents from the manufacturer, user forum, etc.
Cette solution de réparation est de préférence établie par un moteur de raisonnement par analogies, tel qu’un moteur modélisé par au moins au moins un premier graphe relatif au groupe d’équipement(s) et au moins un deuxième graphe relatif au jeu de symptôme(s). This repair solution is preferably established by a reasoning engine by analogies, such as an engine modeled by at least one first graph relating to the group of equipment (s) and at least one second graph relating to the symptom set. (s).
Suivant d’autres aspects avantageux de l’invention, le procédé de détermination comprend une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles : - le procédé comprend en outre, entre l’étape d’acquisition et l’étape de conversion, une étape de génération d’au moins un premier graphe relatif au groupe d’équipement(s) et d’au moins un deuxième graphe relatif au jeu de symptôme(s), et lors de l’étape de conversion, le ou les éléments textuels sont convertis en le vecteur représentatif à partir des premier et deuxième graphes ; According to other advantageous aspects of the invention, the method of determination comprises one or more of the following characteristics, taken in isolation or according to all the technically possible combinations: the method further comprises, between the acquisition step and the conversion step, a step of generating at least a first graph relating to the group of equipment (s) and at least one second relating graph at the set of symptom (s), and during the conversion step, the textual element (s) are converted into the representative vector from the first and second graphs;
- les premier et deuxième graphes comprennent respectivement un premier ensemble de nœuds, un premier ensemble d’arcs reliant certains nœuds du premier ensemble de nœuds, un deuxième ensemble de nœuds, et un deuxième ensemble d’arcs reliant certains nœuds du deuxième ensemble de nœuds ; lors de l’étape de conversion, chaque nœud des premier et deuxième ensembles de nœuds étant converti en un vecteur intermédiaire respectif ; et les première et deuxième composantes du vecteur représentatif étant respectivement calculées par combinaison linéaire des vecteurs intermédiaires associés aux premier et deuxième ensembles nœud ; - the first and second graphs respectively comprise a first set of nodes, a first set of arcs connecting certain nodes of the first set of nodes, a second set of nodes, and a second set of arcs connecting certain nodes of the second set of nodes ; in the conversion step, each node of the first and second sets of nodes being converted into a respective intermediate vector; and the first and second components of the representative vector being respectively calculated by linear combination of the intermediate vectors associated with the first and second node sets;
- lors de l’étape de conversion de chaque nœud en un vecteur intermédiaire respectif, chaque vecteur intermédiaire est obtenu à partir d’une fonction d’objectif d’optimisation égale à la différence entre une somme de logarithmes de probabilités (P (P = 1 | c,n)) qu’un nœud cible (c) soit lié par un arc audit nœud (n) et une somme de logarithmes de probabilités (P(D = 0 | d,n )) qu’un autre nœud cible (c’) ne soit pas dans le contexte dudit nœud (n) et n’y soit donc pas lié par un arc ; la fonction d’objectif d’optimisation vérifiant de préférence l’équation suivante :
Figure imgf000010_0002
où V représente l’ensemble de tous les vecteurs intermédiaires v desdits nœuds n ; P(D = 1 |c, n) représente la probabilité qu’un nœud cible c soit lié par un arc audit nœud n ; - during the step of converting each node into a respective intermediate vector, each intermediate vector is obtained from an optimization objective function equal to the difference between a sum of logarithms of probabilities (P (P = 1 | c, n)) that a target node (c) is bound by an arc to said node (n) and a sum of logarithms of probabilities (P (D = 0 | d, n)) than another target node (c ') is not in the context of said node (n) and therefore is not linked to it by an arc; the optimization objective function preferably satisfying the following equation:
Figure imgf000010_0002
where V represents the set of all intermediate vectors v of said nodes n; P (D = 1 | c, n) represents the probability that a target node c is linked by an arc to said node n;
P(D = 0|c', n) représente la probabilité qu’un autre nœud cible c' ne soit pas lié par un arc audit nœud n, c’est-à-dire ne soit pas dans le contexte dudit nœud n ; la probabilité P(D = 1 | c,n) qu’un nœud cible c soit lié par un arc au nœud n étant de préférence définie comme la sigmoïde du produit scalaire des vecteurs intermédiaires des deux nœuds, selon l’équation suivante :
Figure imgf000010_0001
la probabilité P(D = 0| c',n) qu’un autre nœud cible d ne soit pas lié par un arc au nœud n vérifiant de préférence l’équation suivante : P (D = 0 | c ', n) represents the probability that another target node c' is not linked by an arc to said node n, that is to say is not in the context of said node n; the probability P (D = 1 | c, n) that a target node c is linked by an arc to node n being preferably defined as the sigmoid of the scalar product of the intermediate vectors of the two nodes, according to the following equation:
Figure imgf000010_0001
the probability P (D = 0 | c ', n) that another target node d is not linked by an arc to node n preferably satisfying the following equation:
P(D = 0| d,n ) = 1 - P(D = 1| d,n ) - la base de connaissances comporte des connaissances déterminées à partir de données extraites de documents textuels à l’aide d’au moins un algorithme d’apprentissage appliqué aux données extraites ; P (D = 0 | d, n) = 1 - P (D = 1 | d, n) the knowledge base comprises knowledge determined from data extracted from textual documents using at least one learning algorithm applied to the extracted data;
- le procédé comprend en outre, après l’étape de détermination, une étape de réception d’une instruction de validation d’un utilisateur ; et en cas de réception de ladite instruction, le procédé comprend en outre une étape d’ajout, dans la base de connaissances, d’un N-uplet associé à ladite instruction ; - The method further comprises, after the determination step, a step of receiving a validation instruction from a user; and in the event of receipt of said instruction, the method further comprises a step of adding, in the knowledge base, an N-tuple associated with said instruction;
- l’ensemble d’équipement(s) de référence appartient à une même catégorie d’équipements propre à un domaine technique prédéfini, le groupe d’équipement(s) appartenant en outre à cette même catégorie d’équipements ; - the set of reference equipment (s) belongs to the same category of equipment specific to a predefined technical field, the group of equipment (s) also belonging to this same category of equipment;
- la catégorie d’équipements est choisie parmi le groupe consistant en : une catégorie d’équipements mécaniques, une catégorie d’équipements électroniques, une catégorie d’équipements informatiques et une catégorie d’équipements militaires ; la liste d’action(s) de maintenance étant de préférence apte à être utilisée par un opérateur en centre d’appels téléphoniques, lorsque la catégorie d’équipements est une catégorie d’équipements électroniques ou une catégorie d’équipements informatiques ; la liste d’action(s) de maintenance étant de préférence apte à être utilisée lors d’une opération de maintenance sur un terrain, lorsque la catégorie d’équipements est une catégorie d’équipements militaires ; et - the category of equipment is chosen from the group consisting of: a category of mechanical equipment, a category of electronic equipment, a category of computer equipment and a category of military equipment; the list of maintenance action (s) preferably being suitable for use by a telephone call center operator, when the equipment category is a category of electronic equipment or a category of computer equipment; the list of maintenance action (s) preferably being suitable for use during a maintenance operation on a field, when the category of equipment is a category of military equipment; and
- après l’étape de détermination, une étape d’identification de symptôme(s) absents du jeu de symptôme(s) mais contenu(s) dans les N-uplets d’informations pour lesquels, la distance entre le vecteur représentatif et le vecteur de connaissance respectif est inférieure au seuil. - after the determination step, a step of identifying symptom (s) absent from the set of symptom (s) but contained in the information tuples for which, the distance between the representative vector and the respective knowledge vector is below the threshold.
L’invention a également pour objet un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un procédé de détermination, tel que défini ci-dessus. The subject of the invention is also a computer program comprising software instructions which, when executed by a computer, implement a determination method, as defined above.
L’invention a également pour objet un dispositif électronique de détermination configuré pour déterminer une liste d’action(s) de maintenance à mettre en œuvre pour un groupe d’équipement(s) présentant un jeu de symptôme(s), le dispositif étant apte à être relié à une base de connaissances, la base de connaissances comportant une pluralité de connaissances, chaque connaissance étant sous la forme d’un N-uplet d’informations comportant un ensemble d’équipement(s) de référence, un ensemble de symptôme(s) associé à l’ensemble d’équipement(s) de référence, et un ensemble d’action(s) de maintenance associé à l’ensemble d’équipement(s) de référence, la base de connaissances comprenant en outre, pour chaque connaissance, un vecteur de connaissance comportant une première composante relative à l’ensemble d’équipement(s) de référence et une deuxième composante relative à l’ensemble de symptôme(s), le dispositif électronique de détermination comprenant : The subject of the invention is also an electronic determination device configured to determine a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptom (s), the device being capable of being linked to a knowledge base, the knowledge base comprising a plurality of knowledge items, each knowledge being in the form of an information tuple comprising a set of reference equipment (s), a set of symptom (s) associated with the set of reference equipment (s), and a set of maintenance action (s) associated with the set of reference equipment (s), the knowledge base further comprising, for each knowledge, a knowledge vector comprising a first component relating to the set of reference equipment (s) and a second component relating to the set of symptom (s), the device electronic determination comprising:
- un module d’acquisition configuré pour acquérir au moins un élément textuel relatif au groupe d’équipement(s) et au jeu de symptôme(s) ; - an acquisition module configured to acquire at least one textual element relating to the equipment group (s) and the symptom set (s);
- un module de conversion configuré pour convertir le ou les élément(s) textuel(s) en un vecteur représentatif comportant une première composante relative au groupe d’équipement(s) et une deuxième composante relative au jeu de symptôme(s) ; - a conversion module configured to convert the textual element (s) into a representative vector comprising a first component relating to the group of equipment (s) and a second component relating to the set of symptom (s);
- un module de calcul configuré pour calculer, pour chaque vecteur de connaissance, une distance entre le vecteur de connaissance respectif et le vecteur représentatif ; et a calculation module configured to calculate, for each knowledge vector, a distance between the respective knowledge vector and the representative vector; and
- un module de détermination configuré pour déterminer la liste d’action(s) de maintenance à partir des distances calculées, la liste d’action(s) de maintenance comportant le ou les ensemble(s) d’action(s) de maintenance contenu(s) dans le ou les N- uplets d’informations pour lesquels, la distance entre le vecteur représentatif et le vecteur de connaissance respectif est inférieure à un seuil. - a determination module configured to determine the list of maintenance action (s) from the calculated distances, the list of maintenance action (s) comprising the set (s) of maintenance action (s) contained in the information tuplet (s) for which the distance between the representative vector and the respective knowledge vector is less than a threshold.
Ces caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple non limitatif, et faite en référence aux dessins annexés, sur lesquels : These characteristics and advantages of the invention will appear more clearly on reading the description which follows, given solely by way of non-limiting example, and made with reference to the accompanying drawings, in which:
[Fig 1] la figure 1 est une représentation schématique d’un système électronique, selon l’invention, de préconisation d’action(s) de maintenance palliative, comprenant un dispositif électronique de détermination d’une liste d’action(s) de maintenance ; et[Fig 1] FIG. 1 is a schematic representation of an electronic system, according to the invention, for recommending palliative maintenance action (s), comprising an electronic device for determining a list of action (s) of maintenance ; and
[Fig 2] la figure 2 est un organigramme d’un procédé, selon l’invention, de détermination d’une liste d’actions(s) de maintenance palliative, le procédé étant mis en œuvre par le dispositif de détermination de la figure 1. [Fig 2] FIG. 2 is a flowchart of a method, according to the invention, for determining a list of palliative maintenance action (s), the method being implemented by the determining device of FIG. 1.
Sur la figure 1 , un système 5 de préconisation d’action(s) de maintenance palliative comprend au moins une base de connaissances 10 et un dispositif électronique 12 de détermination d’une liste d’action(s) de maintenance palliative à mettre en œuvre pour un groupe d’équipement(s) présentant un jeu de symptôme(s). Le dispositif électronique de détermination 12 est relié à la base de connaissances 10. In FIG. 1, a system 5 for recommending palliative maintenance action (s) comprises at least a knowledge base 10 and an electronic device 12 for determining a list of palliative maintenance action (s) to be implemented. works for a group of equipment (s) presenting a set of symptom (s). The electronic determination device 12 is linked to the knowledge base 10.
La base de connaissances 10 comprend une pluralité de connaissances relative à une même catégorie d’équipement(s). La catégorie d’équipement(s) concerne par exemple les équipements mécaniques, les équipements électroniques, les équipements informatiques ou les équipements militaires. Les équipement(s) sont utilisés dans un cadre individuel, industriel ou militaire. The knowledge base 10 comprises a plurality of knowledge relating to the same category of equipment (s). The category of equipment (s) concerns, for example, mechanical equipment, electronic equipment, computer equipment or military equipment. The equipment (s) are used in an individual, industrial or military setting.
Les connaissances de la base de connaissances 10 sont représentées chacune sous la forme d’un N-uplet d’informations. Chaque N-uplet d’informations comporte N informations relatives à un ensemble d’équipement(s) de référence, à un ensemble de symptôme(s) associé à l’ensemble d’équipement(s) de référence, et à un ensemble d’action(s) de maintenance associé à l’ensemble d’équipement(s) de référence. The knowledge of the knowledge base 10 is each represented in the form of an information tuple. Each information tuple comprises N information relating to a set of reference equipment (s), to a set of symptom (s) associated with the set of reference equipment (s), and to a set of maintenance action (s) associated with the set of reference equipment (s).
Les informations sont typiquement des groupes de mots extraits de différents documents. Les différents documents sont par exemple des documentations fabriquant, issues des entreprises ayant produits le ou les équipement(s) et fournissant des connaissances théoriques à priori. Les documents sont, aussi ou en variante, issus d’opérateurs utilisant les équipement(s) sous la forme d’historiques produisant des processus d’utilisation et de revues internes. Les documents sont, également ou en variante, issus de rapports de maintenance du ou des équipement(s). Les documents sont, également ou en variante, issus de forums de discussion entre utilisateurs sous la forme d’historiques. Ces historiques utilisateur constituent des observations. The information is typically groups of words taken from different documents. The various documents are, for example, manufacturer's documentation, issued by companies having produced the equipment (s) and providing theoretical knowledge a priori. The documents are, also or alternatively, from operators using the equipment (s) in the form of histories producing processes of use and internal reviews. The documents are, also or alternatively, from maintenance reports of the equipment (s). The documents are, also or alternatively, from discussion forums between users in the form of histories. These user histories constitute observations.
En outre, un coefficient de confiance est associé à chaque connaissance de la base de connaissances 10, tel qu’à chacun des connaissances fabriquant, historiques opérateur et historiques utilisateur, permettant au dispositif électronique de détermination 12 de pondérer des distances décrites ci-après, entre des connaissances. In addition, a confidence coefficient is associated with each knowledge of the knowledge base 10, such as with each of the manufacturer's knowledge, operator history and user history, allowing the electronic determination device 12 to weight the distances described below, between acquaintances.
Chaque coefficient de confiance est, par exemple, défini manuellement par des opérateurs de maintenance en fonction de la provenance de la connaissance associée. Ces coefficients de confiance sont des valeurs numériques ou des niveaux qualitatifs tels que « grande confiance, moyenne confiance, faible confiance » traduits en valeurs numériques au sein de la base de connaissances 10. Each confidence coefficient is, for example, defined manually by maintenance operators as a function of the source of the associated knowledge. These confidence coefficients are numerical values or qualitative levels such as “high confidence, medium confidence, low confidence” translated into numerical values within the knowledge base 10.
A titre d’exemple, les connaissances issues de documentation fabricant sont considérées comme fiables, et le coefficient de confiance associé à chacune est faible, de sorte que les distances calculées associées à de telles connaissances fiables sont faibles. Inversement, les connaissances issues d’historiques utilisateur sont considérées comme peu fiables, et le coefficient de confiance associé est élevé, conduisant à des distances calculées associées plus importantes. For example, knowledge from manufacturer's literature is considered reliable, and the confidence coefficient associated with each is low, so the calculated distances associated with such reliable knowledge are low. Conversely, knowledge from user history is considered unreliable, and the associated confidence coefficient is high, leading to greater associated calculated distances.
En variante, les coefficients de confiance sont calculés par une approche d’agrégation multicritère à partir d’une élicitation d’une expertise métier, telle que décrite par exemple dans l’article « A decade of application of the Choquet and Sugeno intégrais in multi-criteria decision aid » de M. Grabisch et C. Labreuche dans Annals of Operations Research. La valeur de chaque coefficient de confiance agrège alors des critères qualitatifs, tels que la confiance accordée à un fabricant ou à un utilisateur de forum, et des critères quantitatifs, tels que la fréquence d’apparition d’une ou plusieurs actions de maintenance dans les rapports de maintenance. As a variant, the confidence coefficients are calculated by a multicriteria aggregation approach from an elicitation of a business expertise, as described for example in the article "A decade of application of the Choquet and Sugeno integrates in multi-criteria decision aid ”by M. Grabisch and C. Labreuche in Annals of Operations Research. The value of each confidence coefficient then aggregates qualitative criteria, such as the confidence given to a manufacturer or a forum user, and quantitative criteria, such as the frequency of occurrence of one or more maintenance actions in the maintenance reports.
Les informations issues des documents sont extraites selon un procédé analogue au procédé d’extraction décrit ci-après pour le dispositif électronique de détermination 12 d’action(s) de maintenance et fournissant des triplets SPO (Sujet-Prédicat-Objet) représentatifs des ensembles d’équipement(s) de référence, des ensembles de symptôme(s) et des ensembles d’action(s) de maintenance. Les triplets SPO sont regroupés dans une base de faits d’entrainement destinée à alimenter la base de connaissances 10. The information from the documents is extracted according to a process analogous to the extraction process described below for the electronic device 12 for determining maintenance action (s) and providing SPO (Subject-Predicate-Object) triplets representative of the sets. reference equipment (s), symptom sets (s) and maintenance action sets (s). The SPO triples are grouped together in a training fact base intended to feed the knowledge base 10.
La structure de la base de connaissances 10 comprend une taxonomie du domaine technique comportant elle-même plusieurs classes. Chaque classe étant relative à un équipement de référence. The structure of the knowledge base 10 comprises a taxonomy of the technical field itself comprising several classes. Each class relates to a reference equipment.
La structure de la base de connaissances 10 comprend également des propriétés entre les différentes classes de la taxonomie. The structure of the knowledge base 10 also includes properties between the different classes of the taxonomy.
La base de connaissances 10 est ensuite alimentée par les informations extraites.The knowledge base 10 is then populated with the information extracted.
Les faits SPO sont donc transférés dans la base de connaissances 10 et organisés par sa structure. Ceci permet pour chaque connaissance de générer un graphe relatif à l’ensemble d’équipement(s) et un graphe relatif à l’ensemble de symptôme(s) de manière analogue au procédé décrit ci-après pour le dispositif électronique de détermination 12 d’action(s) de maintenance. The SPO facts are therefore transferred to the knowledge base 10 and organized by its structure. This makes it possible for each knowledge to generate a graph relating to the set of equipment (s) and a graph relating to the set of symptom (s) in a manner analogous to the method described below for the electronic determination device 12 d maintenance action (s).
En outre, la base de connaissances 10 comporte, pour chaque connaissance, un vecteur de connaissance à valeur numérique dont une première composante est relative à l’ensemble d’équipement(s) et dont une deuxième composante est relative à l’ensemble de symptôme(s). In addition, the knowledge base 10 comprises, for each knowledge, a knowledge vector with numerical value, a first component of which relates to the set of equipment (s) and of which a second component relates to the set of symptoms. (s).
Ces vecteurs de connaissances sont produits à partir des graphes par application d’un algorithme d’entrainement similaire à celui décrit ci-après pour le dispositif électronique de détermination 12 d’action(s) de maintenance. Les valeurs numériques associées à chaque ensemble d’équipement(s) et ensemble de symptôme(s) traduisent numériquement un éloignement sémantique aux autres ensembles d’équipement(s) et ensembles de symptôme(s). These knowledge vectors are produced from the graphs by applying a training algorithm similar to that described below for the electronic device 12 for determining maintenance action (s). The numerical values associated with each set of equipment (s) and set of symptom (s) numerically translate a semantic distance from other sets of equipment (s) and sets of symptom (s).
Le dispositif électronique de détermination 12 est connecté à la base de connaissances 10 décrite plus haut. Le dispositif électronique de détermination 12 est configuré pour déterminer une liste d’action(s) de maintenance palliative à partir d’au moins un élément textuel relatif au groupe d’équipement(s) et au jeu de symptôme(s), et des connaissances de la base de connaissances 10. The electronic determination device 12 is connected to the knowledge base 10 described above. The electronic determination device 12 is configured to determine a list of palliative maintenance action (s) from at least one text item relating to the equipment group (s) and symptom set (s), and knowledge base 10 .
Le dispositif électronique de détermination 12 comprend un module 16 d’acquisition d’au moins un élément textuel, un module 20 de conversion du ou des élément(s) textuel(s) en un vecteur représentatif, un module 22 de calcul d’une distance entre le vecteur représentatif et chacun des vecteurs de connaissances, et un module 24 de détermination d’une liste d’action(s) de maintenance. The electronic determination device 12 comprises a module 16 for acquiring at least one textual element, a module 20 for converting the textual element (s) into a representative vector, a module 22 for calculating a distance between the representative vector and each of the knowledge vectors, and a module 24 for determining a list of maintenance action (s).
Le dispositif électronique de détermination 12 comprend avantageusement un module 18 de génération d’un premier graphe et respectivement d’un deuxième graphe relatif au groupe d’équipement(s) et respectivement au jeu de symptôme(s), le module de génération 18 étant connecté en sortie du module d’acquisition 16 et en entrée du module de conversion 20. The electronic determination device 12 advantageously comprises a module 18 for generating a first graph and respectively a second graph relating to the group of equipment (s) and respectively to the set of symptom (s), the generation module 18 being connected at the output of the acquisition module 16 and at the input of the conversion module 20.
Le dispositif électronique de détermination 12 comprend optionnellement un module 26 de rétroaction de la base de connaissances 10, connecté en sortie du module de détermination 24. Le dispositif électronique de détermination 12 comprend optionnellement également un module 32 d’identification de symptômes manquants dans le jeu de symptôme(s). The electronic determination device 12 optionally comprises a feedback module 26 for the knowledge base 10, connected to the output of the determination module 24. The electronic determination device 12 optionally also includes a module 32 for identifying symptoms missing in the game. symptom (s).
Dans l’exemple de la figure 1, le dispositif électronique de détermination 12 comprend une unité de traitement d’informations 34 formée par exemple d’une mémoire 36 et d’un processeur 38 associé à la mémoire 36. In the example of FIG. 1, the electronic determination device 12 comprises an information processing unit 34 formed, for example, of a memory 36 and of a processor 38 associated with the memory 36.
Dans cet exemple de la figure 1 , le module d'acquisition 16, le module de conversion 20, le module de calcul 22, le module de détermination 24, ainsi qu’en complément facultatif le module de génération 18, le module de rétroaction 26 et le module d’identification 32, sont réalisés chacun sous forme d’un logiciel, ou d’une brique logicielle, et exécutables par le processeur 38. La mémoire 36 du dispositif de détermination 12 est alors apte à stocker un logiciel d’acquisition d’au moins un élément textuel, un logiciel de conversion du ou des élément(s) textuel(s) en un vecteur représentatif, un logiciel de calcul de la distance entre le vecteur représentatif et chaque vecteur de connaissance, et un logiciel de détermination d’une liste d’action(s) à partir des distances calculées. En complément facultatif, la mémoire 36 du dispositif de détermination 12 est apte à stocker un logiciel de génération d’un premier et d’un deuxième graphe à partir du ou des élément(s) textuel(s), un logiciel de rétroaction pour alimenter la base de connaissances 10 à partir de la liste d’action(s), et un logiciel d’indentification de symptôme(s) manquant(s) dans le jeu de symptôme(s). Le processeur 38 est alors apte à exécuter chacun des logiciels parmi le logiciel d’acquisition, le logiciel de conversion, le logiciel de calcul, et le logiciel de détermination, ainsi qu’en complément facultatif le logiciel de génération, le logiciel de rétroaction, et le logiciel d’identification. In this example of FIG. 1, the acquisition module 16, the conversion module 20, the calculation module 22, the determination module 24, as well as, as an optional complement, the generation module 18, the feedback module 26 and the identification module 32, are each produced in the form of software, or a software brick, and can be executed by the processor 38. The memory 36 of the determination device 12 is then able to store acquisition software. at least one textual element, software for converting the textual element (s) into a representative vector, software for calculating the distance between the representative vector and each knowledge vector, and determination software a list of action (s) from the calculated distances. As an optional addition, the memory 36 of the determination device 12 is able to store software for generating a first and a second graph from the textual element (s), a feedback software to feed knowledge base 10 from the list of action (s), and software for identifying the symptom (s) missing from the symptom set (s). The processor 38 is then able to execute each of the software among the acquisition software, the conversion software, the calculation software, and the determination software, as well as, as an optional complement, the generation software, the feedback software, and the identification software.
Sur la figure 1 , les briques logicielles sont reliées par des flèches représentant chacune typiquement un appel de fonction. In FIG. 1, the software bricks are connected by arrows each typically representing a function call.
En variante non représentée, le module d'acquisition 16, le module de conversion 20, le module de calcul 22, et le module de détermination 24, ainsi qu’en complément facultatif le module de génération 18, le module de rétroaction 26, et le module d’identification 32, sont réalisés chacun sous forme d’un composant logique programmable, tel qu’un FPGA (de l’anglais Field Programmable Gâte Arraÿ), ou encore d’un circuit intégré, tel qu’un ASIC (de l’anglais Application Spécifie Integrated Circuit). In a variant not shown, the acquisition module 16, the conversion module 20, the calculation module 22, and the determination module 24, as well as, as an optional complement, the generation module 18, the feedback module 26, and the identification module 32, are each made in the form of a programmable logic component, such as an FPGA (standing for Field Programmable Gâte Arraÿ), or even an integrated circuit, such as an ASIC (for English Application Specifies Integrated Circuit).
Lorsque le dispositif de détermination 12 est réalisé sous forme d’un ou plusieurs logiciel(s), c’est-à-dire sous forme d’un programme d’ordinateur, il est en outre apte à être enregistré sur un support, non représenté, lisible par ordinateur. Le support lisible par ordinateur est par exemple, un médium apte à mémoriser les instructions électroniques et à être couplé à un bus d’un système informatique. A titre d’exemple, le support lisible est un disque optique, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, tout type de mémoire non volatile (par exemple EPROM, EEPROM, FLASH, NVRAM), une carte magnétique ou une carte optique. Sur le support lisible est alors mémorisé un programme d’ordinateur comprenant des instructions logicielles. When the determination device 12 is produced in the form of one or more software (s), that is to say in the form of a computer program, it is also capable of being recorded on a medium, not shown, computer readable. The computer readable medium is, for example, a medium capable of memorizing electronic instructions and of being coupled to a bus of a computer system. By way of example, the readable medium is an optical disc, a magneto-optical disc, a ROM memory, a RAM memory, any type of non-volatile memory (for example EPROM, EEPROM, FLASH, NVRAM), a magnetic card or an optical card. A computer program including software instructions is then stored on the readable medium.
Le module d’acquisition 16 est configuré pour acquérir au moins un élément textuel relatif au groupe d’équipement(s) et au jeu de symptôme(s). Le module d’acquisition 16 est notamment configuré pour acquérir le ou les élément(s) textuel(s) sous la forme d’un texte décrivant la situation à laquelle est confronté un utilisateur 14 du groupe d’équipement(s). The acquisition module 16 is configured to acquire at least one textual element relating to the equipment group (s) and the symptom set (s). The acquisition module 16 is notably configured to acquire the textual element (s) in the form of a text describing the situation faced by a user 14 of the group of equipment (s).
Les éléments textuels sont par exemple des expressions ou phrases du type : « J’ai connecté tous mes appareils au réseau mais je n’arrive pas à avoir accès à Internet à partir de ma télévision » ou « Ma télécommande ne fonctionne pas totalement. Seules des fonctionnalités basiques marchent », ou encore « J’ai allumé ma télévision mais la mention « pas de signal » est indiquée ». Textual elements are, for example, expressions or sentences such as: "I have connected all my devices to the network but I cannot access the Internet from my television" or "My remote control does not work fully. Only basic functions work ", or" I have turned on my television but "no signal" is indicated ".
Le module d’acquisition 16 est par exemple apte à être connecté à un agent conversationnel (de l’anglais chat bot) ou à une interface homme-machine. The acquisition module 16 is for example able to be connected to a conversational agent (English chat bot) or to a man-machine interface.
Le module de génération 18 est configuré pour générer, à partir du ou des éléments textuels acquis, au moins un premier graphe relatif au groupe d’équipement(s) et un deuxième graphe relatif au jeu de symptôme(s). Le module de génération 18 est avantageusement configuré pour extraire des informations du ou des élément(s) textuel(s) par application de grammaire(s) linguistique(s) construite(s) spécifiquement pour le domaine technique d’application du dispositif électronique de détermination 12. Ces grammaires ont pour but de faire ressortir des concepts importants relatifs au domaine d’application. The generation module 18 is configured to generate, from the acquired textual element (s), at least a first graph relating to the group of equipment (s) and a second graph relating to the set of symptom (s). The Generation 18 module is advantageously configured to extract information from the textual element (s) by application of linguistic grammar (s) constructed specifically for the technical field of application of the electronic determination device 12. These grammars have aim to bring out important concepts relating to the field of application.
Le module de génération 18 est également configuré pour construire des triplets SPO pour Sujet Prédicat Objet (de l’anglais Ressource Description Framework) permettant de mettre en lumière les relations entre les concepts identifiés. The generation 18 module is also configured to build SPO triples for Subject Predicate Object (from the English Resource Description Framework) allowing to highlight the relationships between the identified concepts.
A partir du premier exemple d’élément textuel, un triplet SPO extrait comprend par exemple notamment les termes « appareils » (le sujet), « réseau » (l’objet) et « être connecté » (le prédicat). From the first example of a textual element, an extracted SPO triplet includes, for example, in particular the terms "devices" (the subject), "network" (the object) and "being connected" (the predicate).
Le module de génération 18 est aussi configuré pour générer un premier graphe relatif au groupe d’équipement(s) dans lequel des nœuds sont formés à partir des sujets et objets, et des arcs relient les nœuds apparaissant dans les mêmes triplets SPO. De manière analogue, le module de génération 18 est configuré pour générer un deuxième graphe relatif au jeu de symptômes. The generation module 18 is also configured to generate a first graph relating to the group of equipment (s) in which nodes are formed from the subjects and objects, and arcs connect the nodes appearing in the same SPO triplets. Similarly, the generation module 18 is configured to generate a second graph relating to the set of symptoms.
Le module de conversion 20 est connecté en sortie du module d’acquisition 16 et le cas échéant en sortie du module de génération 18. The conversion module 20 is connected to the output of the acquisition module 16 and, if applicable, to the output of the generation module 18.
Le module de conversion 20 est configuré pour convertir le ou les éléments textuel(s) en un vecteur représentatif comportant une première composante relative au groupe d’équipement(s) et une deuxième composante relative au jeu de symptôme(s). The conversion module 20 is configured to convert the textual element (s) into a representative vector comprising a first component relating to the group of equipment (s) and a second component relating to the symptom set (s).
Pour cela, le module de conversion 20 est par exemple configuré pour convertir chaque nœud en un vecteur intermédiaire respectif. Chaque vecteur intermédiaire est obtenu à partir d’une fonction d’objectif d’optimisation égale à la différence entre une somme de logarithmes de probabilités (P(D = 1 \ c,n )) qu’un nœud cible (c) soit lié par un arc audit nœud (n) et une somme de logarithmes de probabilités ( P(D = 0 | c',n )) qu’un autre nœud cible (c’) ne soit pas dans le contexte dudit nœud (n) et n’y soit donc pas lié par un arc. La fonction d’objectif d’optimisation vérifie de préférence l’équation suivante : For this, the conversion module 20 is for example configured to convert each node into a respective intermediate vector. Each intermediate vector is obtained from an optimization goal function equal to the difference between a sum of logarithms of probabilities (P (D = 1 \ c, n)) that a target node (c) is bound by an arc to said node (n) and a sum of logarithms of probabilities (P (D = 0 | c ', n)) that another target node (c') is not in the context of said node (n) and is therefore not bound to it by an arc. The optimization goal function preferably satisfies the following equation:
[Math 1]
Figure imgf000017_0001
où V représente l’ensemble de tous les vecteurs intermédiaires v desdits nœuds n ;[Math 1]
Figure imgf000017_0001
where V represents the set of all intermediate vectors v of said nodes n;
P(D = 1| c,n) représente la probabilité qu’un nœud cible c soit lié par un arc audit nœud n ; P (D = 1 | c, n) represents the probability that a target node c is linked by an arc to said node n;
P(D = 0|c',n) représente la probabilité qu’un autre nœud cible c' ne soit pas lié par un arc audit nœud n, c’est-à-dire ne soit pas dans le contexte dudit nœud n ; la probabilité P(D = 1| c,n) qu’un nœud cible c soit lié par un arc au nœud n étant de préférence définie comme la sigmoïde du produit scalaire des vecteurs intermédiaires des deux nœuds, selon l’équation suivante : P (D = 0 | c ', n) represents the probability that another target node c' is not linked by an arc to said node n, that is to say is not in the context of said node n; the probability P (D = 1 | c, n) that a target node c is linked by an arc to node n being preferably defined as the sigmoid of the scalar product of the intermediate vectors of the two nodes, according to the following equation:
[Math 2]
Figure imgf000018_0001
[Math 2]
Figure imgf000018_0001
Le module de conversion 20 est configuré pour calculer le vecteur représentatif comme étant la concaténation d’une moyenne pondérée des vecteurs intermédiaires du premier graphe et d’une moyenne pondérée des vecteurs intermédiaires du deuxième graphe. Ainsi, deux concepts représentés par deux nœuds pour lesquels il existe un grand nombre d’arcs les joignant dans la base de connaissances 10, conduiront à des vecteurs numériquement proches, tandis que deux autres concepts représentés par deux autres nœuds pour lesquels il existe un faible nombre d’arcs les reliant, conduiront à des vecteurs numériquement éloignés. The conversion module 20 is configured to calculate the representative vector as being the concatenation of a weighted average of the intermediate vectors of the first graph and a weighted average of the intermediate vectors of the second graph. Thus, two concepts represented by two nodes for which there is a large number of arcs joining them in the knowledge base 10, will lead to numerically close vectors, while two other concepts represented by two other nodes for which there is a weak number of arcs connecting them, will lead to numerically distant vectors.
Le module de calcul 22 est configuré pour calculer, pour chaque connaissance, la distance entre le vecteur de connaissance et le vecteur représentatif. The calculation module 22 is configured to calculate, for each knowledge, the distance between the knowledge vector and the representative vector.
Le module de calcul 22 est notamment configuré pour déterminer s’il existe une connaissance dans la base de connaissances 10 pour laquelle l’ensemble d’équipement(s) de référence est identique au groupe d’équipement(s) et pour laquelle l’ensemble de symptôme(s) est identique au jeu de symptôme(s). Dans un tel cas, la distance entre ce vecteur de connaissance et le vecteur représentatif est nulle. The calculation module 22 is in particular configured to determine whether there is a piece of knowledge in the knowledge base 10 for which the set of reference equipment (s) is identical to the group of equipment (s) and for which the symptom set (s) is identical to symptom set (s). In such a case, the distance between this knowledge vector and the representative vector is zero.
Le module de calcul 22 est par exemple configuré pour calculer chaque distance par application d’une fonction distance F prédéfinie au vecteur représentatif et au vecteur de connaissance respectif. La fonction distance F est configurée pour prendre en compte le coefficient de confiance associé à chaque connaissance, permettant de pondérer la distance entre le vecteur représentatif et chaque vecteur de connaissance. The calculation module 22 is for example configured to calculate each distance by applying a predefined distance function F to the representative vector and to the respective knowledge vector. The distance function F is configured to take into account the confidence coefficient associated with each knowledge, making it possible to weight the distance between the representative vector and each knowledge vector.
Pour une connaissance peu fiable, le coefficient de confiance est élevé, comme indiqué précédemment. La valeur de la distance entre le vecteur représentatif et chaque vecteur de connaissance associée à une connaissance peu fiable est donc importante. For unreliable knowledge, the confidence coefficient is high, as indicated previously. The value of the distance between the representative vector and each knowledge vector associated with unreliable knowledge is therefore important.
Inversement, pour une connaissance fiable, le coefficient de confiance est faible. La valeur de la distance entre le vecteur représentatif et chaque vecteur de connaissance associée à une connaissance fiable est donc plus faible. Conversely, for a reliable knowledge, the confidence coefficient is low. The value of the distance between the representative vector and each knowledge vector associated with reliable knowledge is therefore smaller.
En complément facultatif, le module de calcul 22 est également configuré pour calculer une distance complémentaire, voire deux distances complémentaires partielles, entre le vecteur représentatif et chaque grappe (de l’anglais cluster ) de vecteurs de connaissances partiellement similaires. Selon ce complément facultatif, le module de calcul 22 est configuré pour calculer la distance complémentaire à l’aide d’une fonction de distance complémentaire G. La fonction de distance complémentaire G est aussi configurée pour prendre en compte le coefficient de confiance associé à chaque connaissance de chaque grappe, de manière analogue à la fonction distance F. As an optional complement, the calculation module 22 is also configured to calculate a complementary distance, or even two partial complementary distances, between the representative vector and each cluster of partially similar knowledge vectors. According to this optional complement, the calculation module 22 is configured to calculate the complementary distance using a complementary distance function G. The complementary distance function G is also configured to take into account the confidence coefficient associated with each knowledge of each cluster, analogously to the distance function F.
Selon ce même complément facultatif, le module de calcul 22 est en outre optionnellement configuré pour calculer une première distance complémentaire partielle entre la première composante du vecteur représentatif et les premières composantes des vecteurs de connaissance de chaque grappe, à partir d’une première fonction de distance complémentaire partielle H1. Le module de calcul 22 est également configuré pour calculer une deuxième distance complémentaire partielle entre la deuxième composante du vecteur représentatif et les deuxièmes composantes des vecteurs de connaissance de chaque grappe. Le module de calcul 22 est alors configuré pour calculer la deuxième distance complémentaire partielle à partir d’une deuxième fonction de distance complémentaire partielle H2. According to this same optional complement, the calculation module 22 is also optionally configured to calculate a first partial complementary distance between the first component of the representative vector and the first components of the knowledge vectors of each cluster, from a first function of partial complementary distance H 1 . The calculation module 22 is also configured to calculate a second partial complementary distance between the second component of the representative vector and the second components of the knowledge vectors of each cluster. The calculation module 22 is then configured to calculate the second partial complementary distance from a second partial complementary distance function H 2 .
Les première et deuxième H2 fonctions de distances complémentaires partielles sont également configurées pour prendre en compte le coefficient de confiance associé à chaque connaissance de chaque grappe, de manière analogue à la fonction distance F. The first and second H 2 functions of partial complementary distances are also configured to take into account the confidence coefficient associated with each knowledge of each cluster, in a manner analogous to the distance function F.
Le module de détermination 24 est connecté en sortie du module de calcul 22, et est configuré pour déterminer la liste d’action(s) de maintenance à partir des distances calculées, par le module de calcul 22. The determination module 24 is connected to the output of the calculation module 22, and is configured to determine the list of maintenance action (s) from the distances calculated, by the calculation module 22.
Le module de détermination 24 est notamment configuré pour déterminer parmi les vecteurs de connaissance, ceux dont la distance avec le vecteur représentatif est inférieure à un premier seuil. Le module de détermination 24 est alors configuré pour hiérarchiser les ensembles d’action(s) de maintenance contenu(s) dans ce ou ces N- uplets d’informations. The determination module 24 is in particular configured to determine, from among the knowledge vectors, those whose distance from the representative vector is less than a first threshold. The determination module 24 is then configured to prioritize the sets of maintenance action (s) contained in this or these information tuples.
En complément facultatif, le module de détermination 24 est également configuré pour déterminer, dans le cas où aucun vecteur de connaissance n’a de distance inférieure au premier seuil avec le vecteur représentatif, la grappe de vecteurs de connaissance présentant la plus faible distance complémentaire avec le vecteur représentatif. Le module de détermination 24 est alors configuré pour déterminer la liste d’action(s) de maintenance comme étant une combinaison des actions de maintenance présentes dans les ensembles d’action(s) des N-uplets d’information des vecteurs de la grappe. As an optional complement, the determination module 24 is also configured to determine, in the case where no knowledge vector has a distance less than the first threshold with the representative vector, the cluster of knowledge vectors exhibiting the smallest complementary distance with the representative vector. The determination module 24 is then configured to determine the list of maintenance action (s) as being a combination of the maintenance actions present in the sets of action (s) of the information tuples of the vectors of the cluster. .
En complément facultatif, le module de détermination 24 est également configuré pour déterminer, dans le cas où aucune grappe de vecteur de connaissance n’a de distance complémentaire avec le vecteur représentatif inférieure à un deuxième seuil, la grappe de vecteurs de connaissance minimisant la première distance complémentaire partielle avec le vecteur représentatif. Dans ce cas, le module de détermination 24 est également configuré pour déterminer la grappe de vecteurs de connaissance minimisant la deuxième distance complémentaire partielle avec le vecteur représentatif. Le module de détermination 24 est alors configuré pour déterminer la liste d’action(s) par combinaison des éléments hiérarchisés des ensembles d’action(s) des connaissances des grappes déterminées. La hiérarchisation est par exemple réalisée selon la fréquence d’apparition de chaque action dans les N-uplets d’informations relatifs à chaque vecteur des grappes déterminées. As an optional addition, the determination module 24 is also configured to determine, in the case where no knowledge vector cluster has any complementary distance with the representative vector less than a second threshold, the cluster of knowledge vectors minimizing the first partial complementary distance with the representative vector. In this case, the determination module 24 is also configured to determine the cluster of knowledge vectors minimizing the second partial complementary distance with the representative vector. The determination module 24 is then configured to determine the list of action (s) by combining the hierarchical elements of the sets of action (s) of the knowledge of the determined clusters. The hierarchy is for example carried out according to the frequency of appearance of each action in the N-tuples of information relating to each vector of the determined clusters.
En complément facultatif, le module de rétroaction 26 est connecté en sortie du module de détermination 24 et à la base de connaissances 10. Le module de rétroaction 26 est configuré pour intégrer à la base de connaissances 10 le groupe d’équipement(s), le jeu de symptôme(s) et la liste d’action(s) de maintenance selon un critère. As an optional addition, the feedback module 26 is connected to the output of the determination module 24 and to the knowledge base 10. The feedback module 26 is configured to integrate the equipment group (s) into the knowledge base 10, the symptom set (s) and the maintenance action list (s) according to a criterion.
Le module de rétroaction 26 comporte une unité 28 de réception d’une instruction de validation d’un utilisateur 14 et une unité 30 d’ajout d’un N-uplet associé à ladite instruction. The feedback module 26 comprises a unit 28 for receiving a validation instruction from a user 14 and a unit 30 for adding an N-tuple associated with said instruction.
L’unité de réception 28 est connectée en sortie du module de détermination 24 et à une interface utilisateur, non représentée. The reception unit 28 is connected to the output of the determination module 24 and to a user interface, not shown.
L’unité de réception 28 est configurée pour recevoir de la part de l’utilisateur 14, une instruction de validation quant à la réussite de l’opération de maintenance mise en œuvre sur le groupe d’équipement(s) présentant le jeu de symptôme, selon la liste d’action(s) déterminée par le module de détermination. The reception unit 28 is configured to receive from the user 14 a validation instruction as to the success of the maintenance operation implemented on the group of equipment (s) exhibiting the symptom set. , according to the list of action (s) determined by the determination module.
L’unité d’ajout 30 est connectée à l’unité de réception 28 et à la base de connaissances 10. Adding unit 30 is connected to receiving unit 28 and knowledge base 10.
L’unité d’ajout 30 est configurée pour fournir à la base de connaissances 10 un N- uplet d’informations associé à l’instruction de validation de l’utilisateur 14. Le N-uplet d’informations comportant le groupe d’équipement(s), le jeu de symptôme(s) et la liste d’action(s) de maintenance validée par l’utilisateur 14. The addition unit 30 is configured to provide the knowledge base 10 with an information tuple associated with the validation instruction of the user 14. The information tuple comprising the equipment group (s), symptom set (s) and maintenance action list (s) validated by user 14.
En variante, l’unité de réception 28 est également configurée pour recevoir de la part de l’utilisateur 14 une instruction d’invalidation de la liste d’action(s) déterminée. L’unité d’ajout 30 est alors également configurée pour fournir, en cas de réception de l’instruction d’invalidation, le N-uplet d’information décrit plus haut et une indication d’une pondération négative du vecteur de connaissance associé à ce N-uplet d’information à la base de connaissances 10. En complément facultatif, le module d’identification 32 est connecté au module de détermination 24. Le module d’identification 32 est configuré pour identifier parmi les symptômes des connaissances ayant conduit à la liste d’action(s) déterminée, lesquels sont manquants dans le jeu de symptôme(s). As a variant, the reception unit 28 is also configured to receive from the user 14 an instruction to invalidate the list of action (s) determined. The addition unit 30 is then also configured to provide, in the event of receipt of the invalidation instruction, the information tuple described above and an indication of a negative weighting of the knowledge vector associated with. this information tuple to the knowledge base 10. As an optional addition, the identification module 32 is connected to the determination module 24. The identification module 32 is configured to identify, among the symptoms, knowledge which led to the list of action (s) determined, which are missing in the symptom set (s).
Dans l’exemple où l’élément textuel est « J’ai connecté tous mes appareils au réseau mais je n’arrive pas à avoir accès à Internet à partir de ma télévision », un symptôme manquant est « le mot de passe rentré ne correspond pas au mot de passe associé au réseau sans fil Wi-Fi ». Cette information est alors apte à être communiquée à l’utilisateur 14 par une interface homme-machine, non représentée. L’utilisateur 14 est apte à confirmer ou infirmer la présence de ce symptôme qu’il n’avait préalablement pas remarqué. Le dispositif électronique de détermination 12 est alors configuré pour déterminer un nouvelle liste d’action(s) à partir du ou des élément(s) textuel(s) et d’une information relative à la présence ou l’absence de ce symptôme manquant. In the example where the text element is "I have connected all my devices to the network but I cannot access the Internet from my television", a missing symptom is "the password entered does not match not to the password associated with the Wi-Fi wireless network ”. This information is then able to be communicated to the user 14 by a man-machine interface, not shown. User 14 is able to confirm or deny the presence of this symptom which he had not previously noticed. The electronic determination device 12 is then configured to determine a new list of action (s) from the textual element (s) and from information relating to the presence or absence of this missing symptom. .
Le fonctionnement du système de préconisation 5, et en particulier du dispositif électronique de détermination 12 selon l’invention, va être à présent décrit en regard de la figure 2 représentant un organigramme du procédé, selon l’invention, de détermination d’action(s) de maintenance palliative, le procédé étant mis en œuvre par le dispositif électronique de détermination 12 d’action(s) de maintenance palliative. The operation of the recommendation system 5, and in particular of the electronic determination device 12 according to the invention, will now be described with reference to FIG. 2 showing a flowchart of the method, according to the invention, for determining action ( s) palliative maintenance, the method being implemented by the electronic device 12 for determining palliative maintenance action (s).
Lors d’une l’étape d’acquisition 110, le dispositif électronique de détermination 12 acquiert au moins un élément textuel relatif au groupe d’équipement(s) et au jeu de symptôme(s). During an acquisition step 110, the electronic determination device 12 acquires at least one textual element relating to the group of equipment (s) and to the symptom set (s).
Le dispositif électronique de détermination 12 passe alors optionnellement à l’étape 120 de génération. Dans l’étape 120, le dispositif électronique de détermination 12 génère, via son module de génération 18, à partir du ou des élément(s) textuel(s), au moins un premier graphe relatif au groupe d’équipement(s) et un deuxième graphe relatif au jeu de symptôme(s), à partir du ou des élément(s) textuel(s). The electronic determination device 12 then optionally passes to step 120 of generation. In step 120, the electronic determination device 12 generates, via its generation module 18, from the textual element (s), at least a first graph relating to the group of equipment (s) and a second graph relating to the set of symptom (s), from the textual element (s).
Pour cela, le module de génération 18 extrait du ou des éléments(s) textuel(s) des triplets SPO relatifs au groupe d’équipement(s) et au jeu de symptôme(s). Puis, les triplets SPO sont convertis en les premier et deuxième graphes dans lesquels les sujets et objets des triplets SPO forment les nœuds, et les prédicats forment des arcs. For this, the generation module 18 extracts the textual element (s) of the SPO triplets relating to the equipment group (s) and to the symptom set (s). Then, the SPO triples are converted to the first and second graphs in which the subjects and objects of the SPO triples form the nodes, and the predicates form arcs.
Lors de l’étape 130 de conversion, le dispositif électronique de détermination 12 initialise le vecteur intermédiaire, via son module de conversion 20 et de manière aléatoire pour chaque nœud du premier graphe, respectivement du deuxième graphe. Puis, le dispositif électronique de détermination 12 calcule la valeur de chaque vecteur intermédiaire à partir de la fonction d’objectif d’optimisation qui vérifie par exemple l’équation (1). Le dispositif électronique de détermination 12 applique alors par exemple un algorithme de montée de gradient sur la fonction d’objectif d’optimisation afin de rapprocher numériquement les vecteurs intermédiaires représentant des concepts sémantiquement proches et d’éloigner numériquement les vecteurs intermédiaires représentant des concepts sémantiquement éloignés. During the conversion step 130, the electronic determination device 12 initializes the intermediate vector, via its conversion module 20 and in a random manner for each node of the first graph, respectively of the second graph. Then, the electronic determination device 12 calculates the value of each intermediate vector from the optimization objective function which verifies for example equation (1). The electronic determination device 12 then applies, for example, an algorithm for increasing the gradient on the optimization objective function in order to digitally bring together the intermediate vectors representing semantically close concepts and to digitally move away the intermediate vectors representing semantically distant concepts. .
Toujours lors de l’étape de conversion 130, le module de conversion 20 construit le vecteur représentatif par concaténation d’une moyenne pondérée des vecteurs intermédiaires liés au premier graphe, et d’une moyenne pondérée des vecteurs intermédiaires liés au deuxième graphe. Also during the conversion step 130, the conversion module 20 constructs the representative vector by concatenation of a weighted average of the intermediate vectors linked to the first graph, and of a weighted average of the intermediate vectors linked to the second graph.
Le dispositif électronique de détermination 12 passe ensuite à l’étape de calcul 140.The electronic determination device 12 then proceeds to the calculation step 140.
Lors de l’étape de calcul 140, le dispositif électronique de détermination 12 cherche, dans un premier temps et via son module de calcul 22, une connaissance pour laquelle l’ensemble d’équipement(s) de référence est identique au groupe d’équipement(s), et l’ensemble de symptôme(s) est identique au jeu de symptôme(s), via son module de calcul 22. Dans ce cas, la distance entre le vecteur représentatif et ce vecteur de connaissance est nulle. During the calculation step 140, the electronic determination device 12 seeks, initially and via its calculation module 22, a knowledge for which the set of reference equipment (s) is identical to the group of equipment (s), and the set of symptom (s) is identical to the set of symptom (s), via its computation module 22. In this case, the distance between the representative vector and this knowledge vector is zero.
S’il n’existe pas dans la base de connaissances 10, de telle connaissance, le module de calcul 22 calcule, pour chaque connaissance, une distance entre le vecteur de connaissance respectif et le vecteur représentatif à l’aide de la fonction distance F comme décrit plus haut. If there is no such knowledge in the knowledge base 10, the calculation module 22 calculates, for each knowledge, a distance between the respective knowledge vector and the representative vector using the distance function F as described above.
En complément facultatif si aucune des distances entre le vecteur représentatif et un des vecteurs de connaissance n’est inférieure au premier seuil, le module de calcul 22 calcule la distance complémentaire entre le vecteur représentatif et des grappes de vecteurs de connaissances. Chaque vecteur de connaissance constituant une grappe est similaire aux autres. As an optional complement if none of the distances between the representative vector and one of the knowledge vectors is less than the first threshold, the calculation module 22 calculates the complementary distance between the representative vector and clusters of knowledge vectors. Each knowledge vector constituting a cluster is similar to the others.
En complément facultatif, toujours dans l’étape de calcul 140, si aucune des distances complémentaires entre le vecteur représentatif et une grappe de vecteurs de connaissance n’est inférieure au deuxième seuil, le module de calcul 22 calcule les première et deuxième distances complémentaires partielles entre la première composante du vecteur représentatif et les premières composantes des vecteurs de connaissances de chacune des grappes. Le module de calcul 22 calcule également la deuxième distance complémentaire partielle entre la deuxième composante du vecteur représentatif et les deuxièmes composantes des vecteurs de connaissance de chacune des grappes. Autrement dit, la première distance complémentaire partielle ne concerne que l’ensemble d’équipement(s) de référence et le groupe d’équipement(s), tandis que la deuxième distance complémentaire partielle ne concerne que l’ensemble de symptôme(s) et le jeu de symptôme(s). As an optional complement, still in the calculation step 140, if none of the complementary distances between the representative vector and a cluster of knowledge vectors is less than the second threshold, the calculation module 22 calculates the first and second partial complementary distances between the first component of the representative vector and the first components of the knowledge vectors of each of the clusters. The calculation module 22 also calculates the second partial complementary distance between the second component of the representative vector and the second components of the knowledge vectors of each of the clusters. In other words, the first partial complementary distance concerns only the reference equipment set (s) and the equipment group (s), while the second partial complementary distance concerns only the set of symptom (s) and the set of symptom (s).
Le dispositif électronique de détermination 12 passe ensuite à l’étape suivante de détermination 150, dans laquelle il détermine, via son module de détermination 24, la liste d’action(s) de maintenance. The electronic determination device 12 then proceeds to the next determination step 150, in which it determines, via its determination module 24, the list of maintenance action (s).
Pour cela, lors de l’étape 150, pour chaque vecteur de connaissance dont la distance avec le vecteur représentatif est inférieure au premier seuil, le module de détermination 24 sélectionne l’ensemble d’action(s) de la connaissance associée. Puis, le module de détermination 24 détermine la liste d’action(s) comme étant composée des action(s) sélectionnées hiérarchisées selon la fonction distance F. For this, during step 150, for each knowledge vector whose distance from the representative vector is less than the first threshold, the determination module 24 selects the set of action (s) of the associated knowledge. Then, the determination module 24 determines the action list (s) as being composed of the selected action (s) ranked according to the distance function F.
En complément facultatif, lors de l’étape de détermination 150, si aucune distance entre le vecteur représentatif et un vecteur de connaissance n’est inférieure au premier seuil, le module de détermination 24 détermine la liste d’actions de maintenance comme étant une combinaison des éléments des ensembles d’action(s) des connaissances de chaque grappe dont la distance complémentaire avec le vecteur représentatif est inférieure au deuxième seuil. As an optional addition, during the determination step 150, if no distance between the representative vector and a knowledge vector is less than the first threshold, the determination module 24 determines the list of maintenance actions as being a combination elements of the sets of action (s) of the knowledge of each cluster whose complementary distance with the representative vector is less than the second threshold.
En complément facultatif, si la distance complémentaire entre le vecteur représentatif et chaque grappe de vecteur de connaissance est supérieure au deuxième seuil, le module de détermination 24 détermine la liste d’action(s) à partir des grappes de vecteurs de connaissance ayant les plus faibles première et deuxième distances complémentaires partielles avec le vecteur représentatif. La liste d’action(s) déterminée est une combinaison des ensembles d’action(s) des connaissances associées aux vecteurs de connaissances desdites grappes. As an optional complement, if the complementary distance between the representative vector and each cluster of knowledge vectors is greater than the second threshold, the determination module 24 determines the list of action (s) from the clusters of knowledge vectors having the most weak first and second partial complementary distances with the representative vector. The determined action list (s) is a combination of the sets of knowledge action (s) associated with the knowledge vectors of said clusters.
En complément facultatif, le dispositif électronique de détermination 12 passe à l’étape d’identification 160, lors de laquelle il identifie, via son module d’identification 32, les symptômes des connaissances dont a été tirée la liste d’action(s), manquants dans le jeu de symptôme(s). Ce(s) symptôme(s) manquant(s) sont alors communiqués à l’utilisateur 14 par une interface homme-machine non représentée. Le procédé est alors réitéré à partir du ou des élément(s) textuel(s) et d’une information relative au(x) symptôme(s) manquant(s) transmise par le module d’identification 32 suite à une interaction de l’utilisateur 14, afin d’obtenir une liste d’action(s) plus appropriée à la situation rencontrée par l’utilisateur 14. As an optional addition, the electronic determination device 12 passes to the identification step 160, during which it identifies, via its identification module 32, the symptoms of the knowledge from which the list of action (s) was drawn. , missing in symptom set (s). These missing symptom (s) are then communicated to user 14 by a man-machine interface (not shown). The process is then reiterated on the basis of the textual element (s) and information relating to the missing symptom (s) transmitted by the identification module 32 following an interaction of the user 14, in order to obtain a list of action (s) more appropriate to the situation encountered by user 14.
En complément facultatif également, le dispositif électronique de détermination 12 passe ensuite à l’étape 170 de réception d’une instruction, dans laquelle il attend et reçoit le cas échéant, une instruction de validation de la part de l’utilisateur 14, via son unité de réception 28. L’instruction de validation de l’utilisateur 14 indique que la liste d’action(s) déterminée a permis de remédier au jeu de symptôme(s) observé(s) sur le groupe d’équipement(s). Also as an optional addition, the electronic determination device 12 then proceeds to step 170 for receiving an instruction, in which it waits and receives, where appropriate, a validation instruction from the user 14, via its unit of reception 28. The validation instruction of the user 14 indicates that the list of action (s) determined has made it possible to remedy the set of symptom (s) observed on the group of equipment (s).
En cas de réception d’une telle information, le dispositif électronique de détermination 12 passe ensuite dans l’étape d’ajout 180, dans laquelle il ajoute à la base de connaissances 10 le N-uplet comportant le groupe d’équipement(s), le jeu de symptôme(s) et la liste d’action(s) de maintenance. In the event of receipt of such information, the electronic determination device 12 then proceeds to the addition step 180, in which it adds to the knowledge base 10 the N-tuple comprising the group of equipment (s) , symptom set (s) and maintenance action list (s).
Ainsi, le procédé de détermination d’action(s) de maintenance selon l’invention, et le dispositif électronique 12 associé, permettent de déterminer une liste d’action(s) de maintenance à mettre en œuvre pour un groupe d’équipement(s) présentant un jeu de symptôme(s), sans effectuer de diagnostic des causes du ou des symptôme(s). Thus, the method for determining maintenance action (s) according to the invention, and the associated electronic device 12, make it possible to determine a list of maintenance action (s) to be implemented for a group of equipment ( s) showing a set of symptom (s), without diagnosing the causes of the symptom (s).
Le procédé de détermination d’action(s) de maintenance selon l’invention permet alors de déterminer rapidement des actions de maintenance palliative et donc d’accélérer la remise en fonctionnement du groupe d’équipement(s). Ceci est particulièrement avantageux dans un contexte industriel où le temps d’immobilisation de certains équipements est critique. The method for determining maintenance action (s) according to the invention then makes it possible to quickly determine palliative maintenance actions and therefore to accelerate the return to operation of the group of equipment (s). This is particularly advantageous in an industrial context where the downtime of certain equipment is critical.
En outre dans le contexte d’équipement mécanique ou électrique dans lequel le temps d’immobilisation n’est pas critique, le procédé selon l’invention fournit des action(s) permettant de pallier au(x) symptôme(s) le temps qu’un technicien identifie les causes du ou des symptôme(s). Ceci conduit à une meilleure expérience de l’utilisateur 14. In addition, in the context of mechanical or electrical equipment in which the downtime is not critical, the method according to the invention provides action (s) making it possible to alleviate the symptom (s) for the time that A technician identifies the causes of the symptom (s). This leads to a better user experience 14.
Avec le procédé selon l’invention, et plus particulièrement avec les étapes de réception 170 et d’ajout 180 optionnelles, la quantité de connaissances dans la base de connaissances 10 s’accroît au fur et à mesure, et permet ensuite d’améliorer la pertinence de la liste d’action(s) déterminée par le dispositif électronique de détermination 12. With the method according to the invention, and more particularly with the optional reception 170 and addition 180 steps, the quantity of knowledge in the knowledge base 10 increases as it goes, and then makes it possible to improve the relevance of the list of action (s) determined by the electronic determination device 12.
De plus, l’étape optionnelle d’identification 160 de symptôme(s) manquant(s) dans le jeu de symptôme(s) permet de fournir une indication à l’utilisateur 14 qui n’aurait pas remarqué ce ou ces symptôme(s) lors de son analyse, alors qu’ils sont pourtant présents. Ceci permettant à l’utilisateur 14 de réitérer le procédé en ajoutant ce symptôme, manquant dans le précédent jeu de symptôme(s), à l’élément textuel afin d’obtenir une liste d’action(s) plus adaptée à la situation qu’il rencontre. In addition, the optional step 160 of identifying the symptom (s) missing in the symptom (s) set makes it possible to provide an indication to the user 14 who has not noticed this or these symptom (s). ) during its analysis, even though they are present. This allows the user 14 to reiterate the process by adding this symptom, missing from the previous set of symptom (s), to the text element in order to obtain a list of action (s) more suited to the situation than 'he meets.
Avec le procédé selon l’invention, la détermination d’action(s) de maintenance à prodiguer ne nécessite pas le diagnostic de la ou des cause(s) du ou des symptôme(s) observé(s). Le procédé selon l’invention permet donc de déterminer des action(s) de maintenance sans connaissance approfondie préalable de l’équipement, ni capteur(s) ou modèle(s) permettant de suivre l’état de l’équipement. With the method according to the invention, the determination of the maintenance action (s) to be provided does not require the diagnosis of the cause (s) of the symptom (s) observed. The method according to the invention therefore makes it possible to determine maintenance action (s) without prior in-depth knowledge of the equipment, or sensor (s) or model (s) making it possible to monitor the condition of the equipment.

Claims

REVENDICATIONS
1. Procédé de détermination d’une liste d’action(s) de maintenance à mettre en œuvre pour un groupe d’équipement(s) présentant un jeu de symptôme(s), le procédé étant mis en œuvre par un dispositif électronique de détermination (12) relié à une base de connaissances (10), la base de connaissances (10) comportant une pluralité de connaissances, chaque connaissance étant sous la forme d’un N-uplet d’informations comportant un ensemble d’équipement(s) de référence, un ensemble de symptôme(s) associé à l’ensemble d’équipement(s) de référence, et un ensemble d’action(s) de maintenance associé à l’ensemble d’équipement(s) de référence, la base de connaissances (10) comprenant en outre, pour chaque connaissance, un vecteur de connaissance comportant une première composante relative à l’ensemble d’équipement(s) de référence et une deuxième composante relative à l’ensemble de symptôme(s), le procédé comprenant les étapes suivantes : 1. Method for determining a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptoms, the method being implemented by an electronic control device. determination (12) linked to a knowledge base (10), the knowledge base (10) comprising a plurality of knowledge items, each knowledge being in the form of an information tuple comprising a set of equipment (s ) reference, a set of symptom (s) associated with the set of reference equipment (s), and a set of maintenance action (s) associated with the set of reference equipment (s), the knowledge base (10) further comprising, for each knowledge, a knowledge vector comprising a first component relating to the set of reference equipment (s) and a second component relating to the set of symptom (s) , the method comprising the following steps:
- acquisition (110) d’au moins un élément textuel relatif au groupe d’équipement(s) et au jeu de symptôme(s) ; - acquisition (110) of at least one textual element relating to the equipment group (s) and the symptom set (s);
- conversion (130) du ou des élément(s) textuel(s) en un vecteur représentatif comportant une première composante relative au groupe d’équipement(s) et une deuxième composante relative au jeu de symptôme(s) ; - conversion (130) of the textual element (s) into a representative vector comprising a first component relating to the group of equipment (s) and a second component relating to the set of symptom (s);
- calcul (140), pour chaque vecteur de connaissance, d’une distance entre le vecteur de connaissance respectif et le vecteur représentatif ; et - calculation (140), for each knowledge vector, of a distance between the respective knowledge vector and the representative vector; and
- détermination (150) de la liste d’action(s) de maintenance à partir des distances calculées, la liste d’action(s) de maintenance comportant le ou les ensemble(s) d’action(s) de maintenance contenu(s) dans le ou les N-uplets d’informations pour lesquels, la distance entre le vecteur représentatif et le vecteur de connaissance respectif est inférieure à un seuil. - determination (150) of the list of maintenance action (s) from the calculated distances, the list of maintenance action (s) comprising the set (s) of maintenance action (s) contained ( s) in the information N-tuplet (s) for which the distance between the representative vector and the respective knowledge vector is less than a threshold.
2. Procédé selon la revendication 1 , dans lequel le procédé comprend en outre, entre l’étape d’acquisition (110) et l’étape de conversion (130), une étape de génération (120) d’au moins un premier graphe relatif au groupe d’équipement(s) et d’au moins un deuxième graphe relatif au jeu de symptôme(s), et lors de l’étape de conversion (130), le ou les éléments textuels sont convertis en le vecteur représentatif à partir des premier et deuxième graphes. 2. The method of claim 1, wherein the method further comprises, between the acquisition step (110) and the conversion step (130), a step of generating (120) at least a first graph. relating to the group of equipment (s) and at least one second graph relating to the set of symptom (s), and during the conversion step (130), the textual element (s) are converted into the representative vector to from the first and second graphs.
3. Procédé selon la revendication 2, dans lequel les premier et deuxième graphes comprennent respectivement un premier ensemble de nœuds, un premier ensemble d’arcs reliant certains nœuds du premier ensemble de nœuds, un deuxième ensemble de nœuds, et un deuxième ensemble d’arcs reliant certains nœuds du deuxième ensemble de nœuds, lors de l’étape de conversion (130), chaque nœud des premier et deuxième ensembles de nœuds étant converti en un vecteur intermédiaire respectif, et les première et deuxième composantes du vecteur représentatif étant respectivement calculées par combinaison linéaire des vecteurs intermédiaires associés aux premier et deuxième ensembles nœud. 3. Method according to claim 2, wherein the first and second graphs respectively comprise a first set of nodes, a first set of arcs connecting certain nodes of the first set of nodes, a second set of nodes, and a second set of nodes. arcs connecting certain nodes of the second set of nodes, during the converting step (130), each node of the first and second sets of nodes being converted into a respective intermediate vector, and the first and second components of the representative vector being calculated respectively by linear combination of the intermediate vectors associated with the first and second node sets.
4. Procédé selon la revendication 3, dans lequel lors de l’étape de conversion (130) de chaque nœud en un vecteur intermédiaire respectif, chaque vecteur intermédiaire est obtenu à partir d’une fonction d’objectif d’optimisation égale à la différence entre une somme de logarithmes de probabilités (P(D = 1 \ c,n)) qu’un nœud cible (c) soit lié par un arc audit nœud (n) et une somme de logarithmes de probabilités (P(D = 0 | d,n )) qu’un autre nœud cible (c’) ne soit pas dans le contexte dudit nœud (n) et n’y soit donc pas lié par un arc ; la fonction d’objectif d’optimisation vérifiant de préférence l’équation suivante :
Figure imgf000026_0001
où V représente l’ensemble de tous les vecteurs intermédiaires v desdits nœuds n ; P(D = 1| c,n) représente la probabilité qu’un nœud cible c soit lié par un arc audit nœud n ; The method of claim 3, wherein in the step of converting (130) each node into a respective intermediate vector, each intermediate vector is obtained from an optimization objective function equal to the difference. between a sum of logarithms of probabilities (P (D = 1 \ c, n)) that a target node (c) is bound by an arc to said node (n) and a sum of logarithms of probabilities (P (D = 0 | d, n)) that another target node (c ') is not in the context of said node (n) and therefore is not linked to it by an arc; the optimization objective function preferably satisfying the following equation:
Figure imgf000026_0001
where V represents the set of all intermediate vectors v of said nodes n; P (D = 1 | c, n) represents the probability that a target node c is linked by an arc to said node n;
P(D = 0|c', n) représente la probabilité qu’un autre nœud cible d ne soit pas lié par un arc audit nœud n, c’est-à-dire ne soit pas dans le contexte dudit nœud n ; la probabilité P(D = 1 | c,n) qu’un nœud cible c soit lié par un arc au nœud n étant de préférence définie comme la sigmoïde du produit scalaire des vecteurs intermédiaires des deux nœuds, selon l’équation suivante :
Figure imgf000026_0002
la probabilité P(D = 0|c', n) qu’un autre nœud cible c' ne soit pas lié par un arc au nœud n vérifiant de préférence l’équation suivante : P (D = 0 | c ', n) represents the probability that another target node d is not linked by an arc to said node n, that is to say is not in the context of said node n; the probability P (D = 1 | c, n) that a target node c is linked by an arc to node n being preferably defined as the sigmoid of the scalar product of the intermediate vectors of the two nodes, according to the following equation:
Figure imgf000026_0002
the probability P (D = 0 | c ', n) that another target node c' is not linked by an arc to node n preferably satisfying the following equation:
P(D = 0| c’,n ) = 1 - P(D = 1| c’,n ) P (D = 0 | c ', n) = 1 - P (D = 1 | c', n)
5. Procédé selon l’une quelconque des revendications précédentes, dans lequel la base de connaissances (10) comporte des connaissances déterminées à partir de données extraites de documents textuels à l’aide d’au moins un algorithme d’apprentissage appliqué aux données extraites. 5. Method according to any one of the preceding claims, in which the knowledge base (10) comprises knowledge determined from data extracted from text documents using at least one learning algorithm applied to the extracted data. .
6. Procédé selon l’une quelconque des revendications précédentes, dans lequel le procédé comprend en outre, après l’étape de détermination (150), une étape de réception (170) d’une instruction de validation d’un utilisateur (14), et en cas de réception de ladite instruction, le procédé comprend en outre une étape d’ajout (180), dans la base de connaissances (10), d’un N-uplet associé à ladite instruction. The method according to any one of the preceding claims, wherein the method further comprises, after the determining step (150), a step of receiving (170) a validation instruction from a user (14). , and in the event of receipt of said instruction, the method further comprises a step of adding (180), in the knowledge base (10), an N-tuple associated with said instruction.
7. Procédé selon l’une quelconque des revendications précédentes, dans lequel l’ensemble d’équipement(s) de référence appartient à une même catégorie d’équipements propre à un domaine technique prédéfini, le groupe d’équipement(s) appartenant en outre à cette même catégorie d’équipements. 7. Method according to any one of the preceding claims, in which the set of reference equipment (s) belongs to the same category of equipment specific to a predefined technical field, the group of equipment (s) belonging to the same category. in addition to this same category of equipment.
8. Procédé selon la revendication 7, dans lequel la catégorie d’équipements est choisie parmi le groupe consistant en : une catégorie d’équipements mécaniques, une catégorie d’équipements électroniques, une catégorie d’équipements informatiques et une catégorie d’équipements militaires ; la liste d’action(s) de maintenance étant de préférence apte à être utilisée par un opérateur en centre d’appels téléphoniques, lorsque la catégorie d’équipements est une catégorie d’équipements électroniques ou une catégorie d’équipements informatiques ; la liste d’action(s) de maintenance étant de préférence apte à être utilisée lors d’une opération de maintenance sur un terrain, lorsque la catégorie d’équipements est une catégorie d’équipements militaires. 8. The method of claim 7, wherein the category of equipment is selected from the group consisting of: a category of mechanical equipment, a category of electronic equipment, a category of computer equipment and a category of military equipment. ; the list of maintenance action (s) preferably being suitable for use by a telephone call center operator, when the equipment category is a category of electronic equipment or a category of computer equipment; the list of maintenance action (s) preferably being suitable for use during a maintenance operation on a field, when the category of equipment is a category of military equipment.
9. Procédé selon l’une quelconque des revendications précédentes, comprenant en outre après l’étape de détermination (150), une étape d’identification (160) de symptôme(s) absents du jeu de symptôme(s) mais contenu(s) dans les N-uplets d’informations pour lesquels, la distance entre le vecteur représentatif et le vecteur de connaissance respectif est inférieure au seuil. 9. Method according to any one of the preceding claims, further comprising after the step of determining (150), a step of identifying (160) symptom (s) absent from the set of symptom (s) but contained. ) in the information tuples for which the distance between the representative vector and the respective knowledge vector is less than the threshold.
10. Programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un procédé selon l’une quelconque des revendications précédentes 10. A computer program comprising software instructions which, when executed by a computer, implement a method according to any one of the preceding claims
11. Dispositif électronique de détermination (12) configuré pour déterminer une liste d’action(s) de maintenance à mettre en œuvre pour un groupe d’équipement(s) présentant un jeu de symptôme(s), le dispositif étant apte à être relié à une base de connaissances (10), la base de connaissances (10) comportant une pluralité de connaissances, chaque connaissance étant sous la forme d’un N-uplet d’informations comportant un ensemble d’équipement(s) de référence, un ensemble de symptôme(s) associé à l’ensemble d’équipement(s) de référence, et un ensemble d’action(s) de maintenance associé à l’ensemble d’équipement(s) de référence, la base de connaissances (10) comprenant en outre, pour chaque connaissance, un vecteur de connaissance comportant une première composante relative à l’ensemble d’équipement(s) de référence et une deuxième composante relative à l’ensemble de symptôme(s), le dispositif électronique de détermination (12) comprenant : 11. Electronic determination device (12) configured to determine a list of maintenance action (s) to be implemented for a group of equipment (s) exhibiting a set of symptom (s), the device being able to be used. linked to a knowledge base (10), the knowledge base (10) comprising a plurality of knowledge items, each knowledge being in the form of an information tuple comprising a set of reference equipment (s), a set of symptom (s) associated with the set of reference equipment (s), and a set of maintenance action (s) associated with the set of reference equipment (s), the knowledge base (10) further comprising, for each knowledge, a knowledge vector comprising a first component relating to the set of reference equipment (s) and a second component relating to the set of symptom (s), the electronic device determination (12) comprising:
- un module d’acquisition (16) configuré pour acquérir au moins un élément textuel relatif au groupe d’équipement(s) et au jeu de symptôme(s) ; - an acquisition module (16) configured to acquire at least one textual element relating to the equipment group (s) and the symptom set (s);
- un module de conversion (20) configuré pour convertir le ou les élément(s) textuel(s) en un vecteur représentatif comportant une première composante relative au groupe d’équipement(s) et une deuxième composante relative au jeu de symptôme(s) ; - a conversion module (20) configured to convert the textual element (s) into a representative vector comprising a first component relating to the group of equipment (s) and a second component relating to the symptom set (s) );
- un module de calcul (22) configuré pour calculer, pour chaque vecteur de connaissance, une distance entre le vecteur de connaissance respectif et le vecteur représentatif ; et - a calculation module (22) configured to calculate, for each knowledge vector, a distance between the respective knowledge vector and the representative vector; and
- un module de détermination (24) configuré pour déterminer la liste d’action(s) de maintenance à partir des distances calculées, la liste d’action(s) de maintenance comportant le ou les ensemble(s) d’action(s) de maintenance contenu(s) dans le ou les N- uplets d’informations pour lesquels, la distance entre le vecteur représentatif et le vecteur de connaissance respectif est inférieure à un seuil. - a determination module (24) configured to determine the list of maintenance action (s) from the calculated distances, the list of maintenance action (s) comprising the set (s) of action (s) ) maintenance contained in the information tuplet (s) for which the distance between the representative vector and the respective knowledge vector is less than a threshold.
PCT/EP2021/063538 2020-05-20 2021-05-20 Method and electronic device for determining a list of maintenance action(s), associated computer program WO2021234120A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2005248A FR3110721B1 (en) 2020-05-20 2020-05-20 Method and electronic device for determining a list of maintenance action(s), associated computer program
FRFR2005248 2020-05-20

Publications (1)

Publication Number Publication Date
WO2021234120A1 true WO2021234120A1 (en) 2021-11-25

Family

ID=72644328

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/063538 WO2021234120A1 (en) 2020-05-20 2021-05-20 Method and electronic device for determining a list of maintenance action(s), associated computer program

Country Status (2)

Country Link
FR (1) FR3110721B1 (en)
WO (1) WO2021234120A1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070226540A1 (en) * 2004-05-15 2007-09-27 Daimierchrysler Ag Knowledge-Based Diagnostic System for a Complex Technical System, Comprising Two Separate Knowledge Bases for Processing Technical System Data and Customer Complaints
CN102799171A (en) 2011-05-25 2012-11-28 通用汽车环球科技运作有限责任公司 Detecting anomalies in fault code settings and enhancing service documents using analytical symptoms
US20160078012A1 (en) * 2014-09-11 2016-03-17 Bmc Software, Inc. Systems and methods for formless information technology and social support mechanics
WO2017046530A1 (en) 2015-09-18 2017-03-23 Safran Aircraft Engines Decision aid system and method for the maintenance of a machine with learning of a decision model supervised by expert opinion
US20200089586A1 (en) * 2018-09-19 2020-03-19 International Business Machines Corporation Cognitively triggering recovery actions during a component disruption in a production environment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070226540A1 (en) * 2004-05-15 2007-09-27 Daimierchrysler Ag Knowledge-Based Diagnostic System for a Complex Technical System, Comprising Two Separate Knowledge Bases for Processing Technical System Data and Customer Complaints
CN102799171A (en) 2011-05-25 2012-11-28 通用汽车环球科技运作有限责任公司 Detecting anomalies in fault code settings and enhancing service documents using analytical symptoms
US20160078012A1 (en) * 2014-09-11 2016-03-17 Bmc Software, Inc. Systems and methods for formless information technology and social support mechanics
WO2017046530A1 (en) 2015-09-18 2017-03-23 Safran Aircraft Engines Decision aid system and method for the maintenance of a machine with learning of a decision model supervised by expert opinion
US20200089586A1 (en) * 2018-09-19 2020-03-19 International Business Machines Corporation Cognitively triggering recovery actions during a component disruption in a production environment

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
C. SANNINOJ. SPRAUELC. SEGUIN: "Modèles dysfonctionnels pour la gestion de la qualité de service des systèmes critiques", DANS 3R-RECHERCHE ET INDUSTRIE 1, 2016
DE F. MONCHYJ. VERNIER: "Maintenance", MÉTHODES ET ORGANISATIONS, 2000
DE J. BAROTH, F. SCHOEFS: "Fiabilité des ouvrages: sûreté, variabilité, maintenance, sécurité", ET D. BREYSSE, AUX ÉDITIONS LAVOISIER EN, 2011
DE M. FRÉDÉRIC: "Mettre en oeuvre une GMAO: Maintenance industrielle, service après-vente, maintenance immobilière", AUX ÉDITIONS DUNOD EN, 2011
DE S. FOSSIER: "Maintenance of complex systems: From preventive to prédictive »", P. ROBIC EN, 2017
G. ZWINGELSTEIN: "La maintenance basée sur la fiabilité", HERMÈS, vol. 199, 1996

Also Published As

Publication number Publication date
FR3110721B1 (en) 2022-06-03
FR3110721A1 (en) 2021-11-26

Similar Documents

Publication Publication Date Title
Alkahtani et al. A decision support system based on ontology and data mining to improve design using warranty data
US10157347B1 (en) Adaptable systems and methods for processing enterprise data
EP2364467B1 (en) Method for recognising sequential patterns for a method for fault message processing
Karray et al. ROMAIN: Towards a BFO compliant reference ontology for industrial maintenance
Medina-Oliva et al. Predictive diagnosis based on a fleet-wide ontology approach
FR2989499A1 (en) METHOD, DEVICES AND COMPUTER PROGRAM FOR PREVENTIVE DIAGNOSTIC ASSISTANCE OF A SYSTEM OF AN AIRCRAFT USING REDUCED EVENT GRAPHICS
FR3013140A1 (en) SYSTEM AND METHOD FOR DIAGNOSING AIRCRAFT FAILURE
Zhang et al. Temporal data-driven failure prognostics using BiGRU for optical networks
Mykich et al. Uncertainty in situational awareness systems
Aikhuele et al. A modified exponential score function for troubleshooting an improved locally made Offshore Patrol Boat engine
Rashid et al. Completeness and consistency analysis for evolving knowledge bases
Singh et al. Trends in the development of system-level fault dependency matrices
US20210182606A1 (en) System and Method for Labeling Medical Data to Generate Labeled Training Data
FR3043463A1 (en) SYSTEM AND METHOD FOR MONITORING TURBOMACHINE WITH FUSION OF INDICATORS FOR SYNTHESIS OF ALARM CONFIRMATION
WO2021234120A1 (en) Method and electronic device for determining a list of maintenance action(s), associated computer program
Taşcı et al. Remaining useful lifetime prediction for predictive maintenance in manufacturing
Woods et al. An ontology for maintenance activities and its application to data quality
Tibermacine et al. A process to identify relevant substitutes for healing failed WS-* orchestrations
Jesmeen et al. AUTO-CDD: automatic cleaning dirty data using machine learning techniques
US20230376795A1 (en) Device, computing platform and method of analyzing log files of an industrial plant
CN114265891A (en) Intelligent workshop system and method based on multi-source data fusion and storage medium
Corallo et al. Processing Big Data in streaming for fault prediction: an industrial application
Kamm et al. A Concept for Dynamic and Robust Machine Learning with Context Modeling for Heterogeneous Manufacturing Data
Son et al. An integrated knowledge representation scheme and query processing mechanism for fault diagnosis in heterogeneous manufacturing environments
Medinacelli Knowledge Discovery for Avionics Maintenance: An Unsupervised Concept Learning Approach

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21726666

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21726666

Country of ref document: EP

Kind code of ref document: A1