Détection de défaillances fondée sur la modélisation des effets physiques dans l'ambiant
Auteur / Autrice : | Ahmed Mohamed |
Direction : | Yacine Bellik |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique (STIC) |
Date : | Soutenance le 19/11/2013 |
Etablissement(s) : | Supélec |
Ecole(s) doctorale(s) : | Ecole doctorale Sciences et Technologies de l'Information, des Télécommunications et des Systèmes (Orsay, Essonne ; 2000-2015) |
Jury : | Président / Présidente : Nicolas Sabouret |
Examinateurs / Examinatrices : Christophe Jacquet, Christophe Kolski | |
Rapporteurs / Rapporteuses : Hani Hagras, Amar Ramdane-Cherif |
Résumé
Cette thèse s’inscrit dans le domaine de l'intelligence ambiante (Ambient Intelligence - AmI). Les systèmes AmI sont des systèmes interactifs composés de plusieurs éléments hétérogènes. Principalement : les capteurs et les effecteurs.D'un point de vue fonctionnel, l'objectif des systèmes AmI est d'activer certains effecteurs, sur la base des mesures des capteurs. Toutefois, les capteurs et les effecteurs peuvent subir des défaillances. Notre motivation dans cette thèse est de munir les systèmes AmI de capacités d'auto-détection des pannes.Les ressources physiques ne sont pas nécessairement connues au moment de la conception, mais elles sont plutôt découvertes dynamiquement lors de l'exécution. Il est donc impossible d’appliquer les techniques classiques pour prédéterminer des boucles de régulation ad-hoc.Nous proposons une nouvelle approche où la stratégie de détection de défaillances est déterminée dynamiquement lors de l'exécution. Pour cela, les couplages entre capteurs et effecteurs sont déduits automatiquement lors de l’exécution. Ceci est rendu possible par la modélisation des caractéristiques des capteurs, des effecteurs, ainsi que des phénomènes physiques (que nous appelons effets) qui sont attendus dans l'environnement ambiant suite à une action d’un effecteur. Ces effets sont utilisés en run-time pour lier les effecteurs (produisant les effets) avec les capteurs correspondants (détectant ces effets). Nous introduisons une plateforme de détection des pannes qui génère à l’exécution un modèle de prédiction des valeurs attendues sur les capteurs. Ce modèle, de nature hétérogène (il mêle flots de données et automates finis) est exécuté par un outil adapté (ModHel’X) de façon à fournir les valeurs attendues à chaque instant. Notre plateforme compare alors ces valeurs avec les valeurs réellement mesurées de façon à détecter les défaillances.