Générateur de Systèmes Experts Flous - Smsi.rnu.tn

Méthodologie et Heuristiques pourl’Optimisation des SystèmesIndustrielsMHOSI’2005Proposition PapierTitreGénérateur deSystèmes Experts Flouspour la MaintenanceIndustrielleAuteursRaouf KETATA- Yosra NAJARInstitut National des Sciences Appliquées et de Technologie, B.P. N° 676, TunisCedex, TUNISIEe- mail: raouf.ketata@insat.rnu.tn 71 703 829 poste 6394 98 245 071

Générateur de Systèmes Experts Flouspour la Maintenance IndustrielleR. KETATA, Y. NAJARInstitut National des Sciences Appliquées et de Technologie, B.P. N° 676, Tunis Cedex, TUNISIEe-mail : raouf.ketata @ insat.rnu.tnRésumé — L’idée de base de ce travail était l’étude de l’apport de la logique floue dans l’amélioration des résultatsfournis par ces systèmes. Il s’agit de synthétiser, à partir d’une étude bibliographique, une logique permettantd’intégrer les notions floues dans les systèmes experts de diagnostic. Dés lors, un environnement informatiqueappliquant les méthodes déjà adoptées a été analysé, conçu et développé. Il permet de générer des systèmes expertsainsi que des systèmes experts flous dédiés au diagnostic. Par conséquent, on a pu conclure, à travers une étudecomparative, que l’intégration de la logique floue permet de donner des meilleures décisions lorsque le domaine dudiagnostic présente des données incertaines et subjectives. En fait, elle garantit l’unicité et la cohérence des résultatsmais surtout elle aide l’utilisateur dans son choix grâce à la pondération des solutions.Mots clés— Systèmes Experts, Logique floue, Diagnostic, Maintenance, Aide à la décision1. INTRODUCTIONDans les pays en voie de développement notamment laTunisie, seul un faible nombre d’individus détient unegrande expertise surtout en maintenance industrielle.Toutefois, la conduite lors d’un diagnostic industriel et laplanification d’une procédure de dépannage adéquatesont des actes dont les conséquences sont majeures car ilsmettent en jeu des sommes considérables. Diffuser pluslargement cette connaissance, grâce à des systèmesinformatiques d’aide à la décision, tel est le rôle dessystèmes experts en maintenance [7] [8].Ces systèmes présentent des limitations dont la plusimportante est celle due au raisonnement incertain. Pourrésoudre ce problème, deux approches ont étéutilisées :numérique et non numérique.L’approche numérique concerne la théorie de probabilitéet celle des ensembles flous [7]. La théorie de probabilitéa été utilisée pour définir un degré de vraisemblance àchaque fait. De nombreux systèmes experts ont étédéveloppés permettant d’associer un degré devraisemblance à un fait [27]. Or, ces derniers présententaussi des limites car ils permettent pas de fournir lesbonnes pondérations des causes éventuelles àl’utilisateur. Ceci est du essentiellement sur le fait que lediagnostic industriel est basé sur des connaissancessubjectives et incertaines. La théorie des ensembles flouspeut résoudre ce problème en raison de son point fortpour la manipulation de telles connaissances.Plusieurs études ont été faites pour exploiter la théoriedes ensembles flous dans les systèmes d’aide à ladécision et au diagnostic dans divers domaines surtoutdans la médicine et la maintenance [9] [10]. Dés lors, dessystèmes experts ont été développés exploitant lesméthodes introduites par Zadeh. L’intégration de lalogique floue dépendait de la nature de l’incertitude et dela manière de la modélisation des données. Ainsi,plusieurs systèmes experts flous différents sont exploitésdans des domaines diversifiés.L’idée de base de ce papier étant d’une part l’utilisationdes systèmes experts d’aide pour le diagnostic et ladécision et d’autre part l’introduction des nouvellestechniques et de voir son apport dans la décision, cetravail de synthèse et de recherche se propose de dégagerjusqu’à quelles limites l’intégration de la logique floue,dans des systèmes experts d’aide à la décision dédiés audiagnostic industriel, peut être bénéfique et enrichissante.La diversification des méthodes d’utilisation de la logiquefloue en fonction du domaine d’application, nous a menéà penser à la création d’un environnement informatiqueouvert et flexible. Pour ce faire, un générateur desystèmes experts flous de diagnostic a été conçu etdéveloppé.2. SYSTEMES EXPERTS D’AIDE A LADECISION DANS LE DIAGNOSTICINDUSTRIEL2.1 Diagnostic IndustrielLe processus du diagnostic industriel repose sur leprincipe de l’observation et de l’analyse des symptômesd’une défaillance, dans le but de trouver le remèdegarantissant sa réparation et réduire sa probabilité dedéfaillance[9][19]. Les décisions prises suite à undiagnostic sont généralement le fruit d’une expérience,d’un savoir-faire ou d’un historique. La criticité etl’importance des décisions de dépannage ont incité lesresponsables de la maintenance à investir pour adopterdes méthodes et des systèmes d’aide à la décision pour lediagnostic industriel.Les outils d’aide au diagnostic utilisés dans le mondeindustriel, sont nombreux [21], mais leur efficacité esttrès inégale. Ils sont classifier, essentiellement, en deuxcatégories : les outils de l’analyse fonctionnelle (Gemma,Grafcet etc.) et les outils d’analyse de la défaillance(AMDEC, arbres de défaillances, systèmes à base deconnaissances etc.) [34]. Les outils d’analyse dedéfaillance ont fait leur preuve au sein des entreprises.L’introduction et l’utilisation de l’outil informatique dansces méthodes heuristiques avaient fait preuvesd’efficacité mais surtout de souplesse dans plusieursdomaines. D’où l’intérêt que nous avons donné à cesméthodes dont les systèmes experts appliqués audiagnostic [6] [16].2.2 Systèmes Experts de Diagnostic et leraisonnement incertainUn système expert de diagnostic est un logicielconvenablement architecturé [7] utilisant de laconnaissance et des procédures d’inférence pour larésolution de problèmes de maintenance nécessitant unemasse importante de connaissances d’un expert humainPage 2 sur 7

[14]. Le schéma de principe de tel système est représentépar la figure1. On y trouve les trois composants de base àsavoir la base des faits, celle des règles et le moteurd’inférence.Effet (s) depanneconstatéBase des règlesSi cause alors effetMoteur d’inférenceChaînage mixte ouChaînage arrièreBase des faitsFaits permanents +Faits non permanentsPas de réponseUne seule causeUn ensemble de causesConnaissanceInformatiqueProcessExpert (s)AcquisitionInterface ExpertsSYSTEME EXPERT FLOUReprésentationInterface UtilisateursIngénieur de laConnaissanceSystème Expert de DiagnosticFigure 1. Principe d’un système expert de diagnosticLa connaissance d’un système expert d’aide audiagnostic, dans le cas d’un formalisme de règles deproduction, peut se présenter sous la forme suivante :Règle de Production : Si (Cause 1) et (Cause 2) et ….et(Cause n) alors Effet (conséquence)Cette expertise peut être formulée directement parl’expert et le cogniticien ou bien elle peut être déduite àpartir des méthodes d’aide au diagnostic qui se basent surl’analyse de la défaillance.Ainsi, l’écriture sous forme de règles de production detoutes les relations causes effets des pannes connues d’unprocédé ou d’un système permet d’une part de lemodéliser sous forme linguistique et d’autre part de créerla base des règles du système expert.Afin d’arriver à identifier la bonne cause de défaillance, ilsuffit d’appliquer un mécanisme d’inférence qui définitune démarche de diagnostic. Le mécanisme appliqué pourle diagnostic est un mécanisme qui vise à déterminer unecause à partir d’un effet ou d’un ensemble d’effets. Cettelogique coïncide avec celles du chaînage arrière ou biendu chaînage mixte qui sont des algorithmes « goaloriented » [7]. Autrement dit, on cherche à dégagerl’ensemble des prémisses qui peuvent être à l’origined’un fait ou d’un ensemble des faits constaté par unutilisateur.Avec le recul du temps et la confrontation à la réalité,l’utilisation des systèmes experts avait dégagé unensemble de limitations [31], dont la plus importante estcelle du raisonnement incertain. En fait, un des plusgrands problèmes que rencontre le cogniticien lorsqu'iltente de formaliser le savoir d'un expert, c'est que celui-ciest capable de raisonner sur des connaissances incertainesou imprécises et qu'on ne dispose que de très peu d'outilspour rendre compte de cette capacité [20].Il s’agit d’une problématique différente de la scienceobjective. On assiste, alors, à la naissance d’unediscipline scientifique appelée logique floue s’intégrantdu raisonnement humain.3. SYSTEMES EXPERTS FLOUSL’introduction de la logique floue dans les systèmesexperts a pour but de faire face aux limitations dessystèmes experts ordinaires surtout celle concernant leraisonnement incertain. Cette introduction évoque lanotion des Systèmes Experts Flous. La logique floue a étéintroduite, dans les systèmes experts depuis une vingtained’années, dans plusieurs disciplines qui manipulent desdonnées incertaines et des informations imprécises [27][12].Elle peut être intégrée sous différents aspects en fonctiondu domaine de l’application et du degré de complexité duproblème. La structure générale d’un système expert flouest représentée par la figure 2 qui précise également dansquels niveaux la logique floue peut intervenir.TraitementUtilisationUtilisateursFigure 2. Principe d’un système expert FlouEn fait, cette discipline touche l’étape de la formalisationet du traitement des connaissances et permet de générerun ensemble de conclusions pondérées. La structureinterne du système expert flou dépend de son domained’application et de la nature des données à représenter.Des systèmes experts flous ont été conçus dans ledomaine de l’électronique de puissance, essentiellementpour faire le diagnostic des différentes pannes quipeuvent arriver à un circuit de transmission [14]. Lalogique floue a été utilisée, également, dans le domainede diagnostic pour l’agriculture pour la détection etl’identification du type de maladies d’insecte à partir dessymptômes constatés sur les plantes [24]. Un prototypede logiciel a été, justement, développé dans le butd'étudier la possibilité d'utiliser la logique floue dans dessystèmes d’aide à la décision (SAD) pour l'élevage de lavache laitière. [28]. Il a été intéressant, certainement,d’utiliser un système expert flou dans la conceptiond’architecture d’un réseau informatique. En fait, il s’estavéré que 70% de la connaissance dans ce domaine est denature floue [5]. Enfin, le domaine du diagnostic médicalavait beaucoup utilisé les systèmes experts flousnotamment pour l’analyse du sang de la cordeembryonnaire [10], dans un logiciel d’aide pourl’enseignement des infirmières [33] et dans le diagnosticdes symptômes du cancer de la peau [27].Les systèmes experts flous ont pu, dans plusieursdomaines, prouver leurs efficacités et pallier lesproblèmes de l’incertitude et l’imprécision des données etdes connaissances intervenant dans l’expertise. L’étudedes différents systèmes déjà cités nous a prouvé ladiversification de l’utilisation de la logique floue. Eneffet, la manière de son intégration dans un systèmeexpert diffère d’une application à une autre. Elle dépendde la nature de l’incertitude et de sa modélisation. Ladotation et la propagation des coefficients de certitudediffère lorsque la connaissance du système est modéliséesous modélisation de Sugeno ou bien de Mamdani. Déslors, on se propose de générer un environnement ouvert etgénéral ayant les outils permettant de créer des systèmesexperts, à base de logique floue, flexibles et intégrantmaintes méthodes.4. FORMULATION, CONCEPTION ETDEVELOPPEMENT DU GENERATEURL’environnement à développer est un générateur desystèmes experts qui sont dédiés au diagnostic industriel.Ce générateur intègre surtout un ensemble defonctionnalités permettant l’exploitation de la logiquefloue dans le diagnostic des pannes. Le générateur est unsystème d’aide à la décision capable de générer à la foisdes systèmes experts ordinaires et des systèmes expertsflous. La figure 3 représente une telle structure.Page 3 sur 7

Systèmes Experts FlousInférenceEnsembles flousGénérateur de systèmesd’aide au DiagnosticDéffuzificationSEF avec différentesstructuresFigure 3. Architecture du générateurSystèmes Experts Ordinaires4.1 Principes et caractéristiques des SEF générésLe générateur de systèmes experts permet la création desystèmes experts d’ordre 0 + et à base de logique flouedédiés au diagnostic. En fait, le diagnostic industrielrepose sur le principe de cause et effet qui existe entreune panne et ses origines probables. Lorsqu’une panne ouun défaut survient, plusieurs scénarios sontenvisageables. Afin que les systèmes experts puissentidentifier le vrai scénario de panne, les relations causes eteffets seront représentées par des relations floues et lecalcul de la valeur d’appartenance permet d’identifier lepoids de la possibilité. Un coefficient sera assigné àtoutes les hypothèses de défauts et celle qui aura lapondération la plus importante sera la plus proche de laréalité. Caractéristiques des SEFLes systèmes experts générés sont dotés d’un ensemblede caractéristiques communes fixées lors de la conceptiondu générateur. Il convient, par exemple, de fixer laméthode d’explication des résultats, le type des variablesmanipulées et la formalisation des connaissances sousforme de règles de production selon différentesmodélisations.On essaye, lors de la création de cet environnement qu’ilsoit général et complet pour pouvoir générer des systèmesexperts utilisant maintes méthodes [13].Explication des résultatsLa méthode d’explication des résultats obtenus que lessystèmes experts générés ont adopté est celle de laprésentation de l’ensemble des règles qui avaient mené aurésultat obtenu.Variables utiliséesLes systèmes experts manipulent des variables qui semanifestent dans les prémisses et les conclusions desrègles de production, sous la forme {Variable estattribut}. Le générateur offre la possibilité de créer desvariables de nature numérique, booléen ou bien floueTypes des sous systèmes modélisésOn avait choisi de modéliser la connaissance dessystèmes experts par le formalisme des règles deproduction. Selon les types des variables traitées par lesrègles, les systèmes experts générés peuvent contenirdifférents types de sous systèmes.Si x 1 est A 11 et x 2 est A 12 alors y est B 1où x j (avec j=1) est une variable d'entrée et y est unevariable de sortie.• Si A ij est un nombre et B i un nombre, la règle est ditenumérique. Dans le cas où toutes les règles deproduction modélisant le système sont numériques, lesystème est un système expert ordinaire qui ne nécessitepas une intervention du raisonnement flou. Si A ij est un ensemble flou et B i un nombre, la règle estdite linguistique (ou floue). Lorsque le système expertcontient des règles de ce type, il englobe un soussystème sous modélisation de Sugeno d’ordre 0. Si A ij est un ensemble flou et B i un ensemble flou, larègle est dite linguistique (ou floue). Lorsque lesystème expert contient des règles de ce type, ilenglobe un sous système sous modélisation deMamdani.L’environnement ainsi développé présente lapossibilité de créer un système expert flou contenantdifférent types de sous systèmes. L’intérêt de cettedifférentiation se manifestera plus tard dansl’affectation et la propagation des coefficients de véritédes règles de production. FonctionnementIl s’agit dans cette partie de présenter le fonctionnementdu moteur d’inférence du diagnostic et de détailler ensuitel’intégration du module logique floue dans le systèmeMoteur d’inférence du système expert de diagnosticLe principe de fonctionnement du moteur d’inférence dessystèmes experts de diagnostic générés et ses interactionsavec la base des règles et la base des faits sont régis pardeux étapes: une étape d’initialisation et une étaped’utilisation.Le moteur d’inférence, dans la phase de l’initialisation,compare les faits de la base des faits avec les prémissesdes règles de production contenues dans la base desrègles. Il détermine ensuite les règles qui sont valides.Une fois la liste des règles valides est établie, on appliquele principe du FIFO (« First in first out » ) c’est à dire quela première règle validée va être exécutée. Son exécutionimplique l’enregistrement de sa conclusion dans la basedes faits comme étant un nouveau fait à considérer. Aprèsl’exécution des règles figurant dans la liste, le moteurd’inférence refait le même mécanisme pour la nouvellebase des faits. Ce processus s’arrête lorsqu’il n’y a plusde règle à valider et la base des faits est, ainsi, saturée. Lesystème expert de diagnostic est alors valide.Base de règles (BR)Règles deProduction(RP)Base des faits (BF)FaitsEtape InitialisationComparaison Faits dans BF avec les prémisses des RPDégager les règles qui peuvent être validéesIl y’a des nouvellesrègles à validerOuiNonValider les règles avec le principe FIFOAjouter les conclusions des règles valides à la BFFigure 4. Algorithme d’initialisation d’un SE de diagnosticLa seconde étape dite phase d’utilisation représente lemécanisme de recherche adopté pour déterminer lescauses d’un effet. En effet, le moteur d’inférence au coursde cette phase reçoit un fait de l’utilisateur du système.La première étape sera de chercher l’existence du faitdans la base des faits. Le nombre de fois que l’effetconstaté figure dans la base des faits représente le nombrede chemins qui ont permis de l’atteindre. Le but de notrealgorithme est de chercher les causes premières de sonexistence. La recherche se fait selon l’algorithme dechaînage arrière. Il s’agit de chercher les règles quiconcluent sur le fait voulu et puis de faire la même chosepour les prémisses de ces règles jusqu’à arriver à laprémisse qui ne constitue pas une conclusion d’une règle.Cette prémisse est considérée comme un fait du dernierniveau et une cause première. La démarche de chaînagePage 4 sur 7

arrière suppose la construction d’une chaîne contenantl’ensemble des règles menant au fait. Ce mécanisme estappliqué à tous les chemins qui ont pu conclure sur le faitdésiré.Intégration de la logique floue dans le moteur d’inférencePour les raisons de l’abondance de l’utilisation desraisonnements avec des données incertaines, l’intégrationde la logique floue dans un système expert de diagnosticétait intéressante.Le but principal de cette intégration est de pouvoirmodéliser des données incertaines et subjectives pour quele système expert puisse les prendre en considération.Elle permet en même temps d’affecter des facteurs decertitude à l’ensemble des faits contenus dans la base defaits ; ce qui contribue à la pondération des choix quel’utilisateur devait faire.Le premier aspect d’intervention de la logique floue semanifeste au cours de la validation des faits. Un test, quiconsiste à vérifier si le fait contient des attributsnumériques pour des variables de type linguistique, estajouté à ce niveau. Si la condition du test est vérifiée, ilconvient de passer par l’étape de la fuzzification. Le faitnumérique est, alors, interprété et transformé en un (des)fait (s) linguistique (s). Les valeurs des degrés d’adhésioncalculés au cours de cette étape sont affectées aux faitscomme étant des coefficients de vérité. Dans le cascontraire, le fait est considéré vrai et l’algorithme luiassigne un coefficient de vérité égal à un. De cettemanière, tous les faits contenus dans la base des faitsdeviennent pondérés et le système donne uneinterprétation linguistique pour des attributs numériquesassociés à des variables floues.Le moteur d’inférence dédié au diagnostic compare, dansune autre étape, les faits pondérés avec les prémisses desrègles de production. Les règles à valider sont ensuitetirées de la base des règles. Les règles exécutées passentpar une étape d’inférence floue reliant les entrées à lasortie de la règle et affectant à sa conclusion uncoefficient de vérité à partir de celui de sa prémisse. Lemécanisme d’affectation se fait en fonction du type del’inférence (mono règles, multi règles de type Sugeno,multi règles de type Mamadani) [2].Base de règles (BR)Règles deProduction(RP)FaitsEtape InitialisationAffecter 1 au FaitComparaison Faits pondérés dans BF avec les prémissesIl y’a des nouvellesrègles à validerNonOuiLire BFDonnée numérique pour varlinguistiqueDégager les règles qui peuvent être validéesNonValider les règles avec le principe FIFOSystème Expert ValideAjouter les conclusions pondérées des règles valides à la BFInférence floueFuzzificationDéfuzzificationAffecter des coefficientsaux conclusions des règlesapplicablesFigure 5. Intégration de la logique floue dans l’initialisationA l’issue de cette étape, les conclusions de toutes lesrègles validées seront affectées d’un degré de vérité avantd’être enregistrée dans la base des faits. De cettemanière, la phase d’initialisation va aboutir à une basedes faits saturée contenant un ensemble des faitspondérés.La phase d’utilisation fait appel à la logique floueseulement lorsque l’utilisateur entre un fait contenant unattribut numérique pour une variable que l’expert avaitutilisé en tant que variable floue. Dans ce cas, une étapede fuzzification est nécessaire pour donner uneinterprétation linguistique unique à la valeur donnée parl’utilisateur. Le fonctionnement de l’algorithme n’est pasaffecté mais au lieu de manipuler des faits simples iltraite avec des faits pondérés.Par conséquent, lorsque le moteur d’inférence génère lescauses possibles affectées par des coefficients de véritépouvant conduire à la réalisation de l’effet constaté parl’utilisateur. Les causes premières sont classées par ordredécroissant de degré de certitude ; ce qui est un indicateurde choix très utile à l’utilisateur pour faire son diagnosticsurtout si le système est compliqué et les causes sontmultiples.4.2 Conception du générateurPour développer le générateur, il est impératif de passerpar une phase de conception. Le choix d’une méthode deprogrammation appropriée aux besoins et au type del’application reste toujours la clé de sa réussite.Ainsi, le choix des méthodes de conception appropriéespour l’application « générateur de systèmes expertsflous » est indispensable. Cette application se composed’une interface graphique, contenant l’ensemble desfonctionnalités permettant à l’utilisateur de créer etd’exploiter des systèmes d’aide à la décision, et d’unebase de données (Voir figure 6.).Base dedonnéesInterface GraphiqueUtilisateurExpertFigure 6. Composantes de l’applicationMaintes méthodes de modélisation et de conceptionexistent parmi lesquelles XML, SADT, SART, UML etc.Afin d’arriver à nos fins, nous avons choisi de concevoirnotre application selon la méthode UML parce que estavant tout un langage de modélisation et un support decommunication performant qui facilite la représentationet la compréhension des solutions objet. L'aspect formelde sa notation graphique limite les ambiguïtés et lesincompréhensions.4.3 Développement du générateurUne fois la conception est effectuée, l’étape del’implantation est abordée. Il suffit donc de choisir leslangages de programmation permettant de passer de laconception au développement informatique et puis àl’exploitation.Pour des raisons de justesse de temps, les outils que nousavons utilisés pour développer ce progiciel sont lelangage de programmation Microsoft Visual Basic (VB)[3][15] dans sa version 6.0 pour le développement del’interface graphique et le système de gestion de bases dedonnées relationnelles Microsoft Access 2000 pourl’implantation de la base de données. Le moteur de basede données utilisé pour assurer la communication entreVB et Access 2000 est le Jet (« Join EngineTechnology ») dans sa version 4.0.Les figures 7, 8 et 9 représentent des exemplesd’imprimes écran de l’environnement ainsi développé.Figure 7. Ecran Principal de l’applicationPage 5 sur 7

Figure 8. Ecran permettant la configuration des ensembles flousFigure 9. Ecran de création d’une règle de production5. EXEMPLE APPLICATIFL’étude comparative se base sur un exemple applicatifqui manipule des variables indiquant la température [17].La nature des informations traitées, étant linguistique,présente un aspect incertain. On va détailler dans ce quisuit la configuration du système, le fonctionnement del’algorithme et les résultats. L’expertise est représentéepar l’arbre de défaillances schématisé dans la figure 10.A est chaudB est froidC est froidFigure 10. Intégration de la logique floue dans l’initialisationDans cet exemple symbolique, on se propose de chercherla cause la plus probable qui peut générer le défautsignalé dans le dernier niveau de l’arbre de diagnostic.L’utilisateur se propose de créer un système expert à basede logique floue à partir du générateur. La création dusecond système d’aide à la décision pour cet exemple,suppose la définition de variables floues ainsi que ladétermination des ensembles floues correspondants. Cinqensembles flous sont définis avec les variableslinguistiques suivantes : Très Froid (TF), Froid (F),Moyen (M), Chaud (C), Très Chaud (TC). Le type desfonctions est choisi entre les formes triangulaire,trapézoïdale et cloche. La base des faits est la suivante :BF : {A est 44, B est 28, C est 21}Défauta est moyen b est très froid c est chaudc est froidd est froidD est chaudB est chaudLe système expert flou de diagnostic interprète lesdonnées numériques en leur donnant des significationslinguistiques associées avec des pondérationsCF (coefficients de certitude).L’étape de la fuzzification intégrée dans le moteurd’inférence du système expert flou permet de calculer ledegré de vérité de chaque information. Le choix desfonctions d’appartenance est fait généralement parl’expert lors de la création des variables. Dans notre cas,pour des fonctions triangulaires,A =44 µ(A est chaud)=0.64 ; µ(A est moyen)= 0.29B = 28 µ(B est froid)=0.85 ;C = 21 µ(C est froid)=0.49 ; µ(C est moyen)= 0.17La base des faits devient alors,BF : {(A est chaud, 0.64)), (B est froid, 0.85), (C estfroid, 0.49), (A est moyen,0.29)), (C est moyen, 0.17)}L’étape de l’initialisation, implique l’exécution del’ensemble des règles valide avec chaque itération jusqu’àsaturation de la base des faits.Etape 1 : Règles valides : {R1 - R7}Etape 2 : Règles valides : {R5-R1-R8-R6}Etape 3 : Règles valides : {R5-R1-R8-R6-R2}Saturation BFPour ce cas de figure, l’inférence est simple. Il suffitd’appliquer le calcul du minimum pour l’affectation et lapropagation des coefficients.Les règles R1 et R2, comme le premier cas, concluent surle fait du défaut ce qui veut dire qu’il existe deux cheminsmenant à la défaillance. Lors de l’étape de l’utilisation,les chemins sont construits jusqu’aux causes premières :Etape 1 : L1= {R1} ; L2= {R2}Etape 2 : L1= {R1-R5} ; L2= {R2-R6}Etape 3 : L1= {R1-R5} ; L2= {R2-R6-R8}De même, l’utilisateur se trouve dans ce cas devant deuxcauses premières les prémisses de R5 et R8 :Cause première 1 : (A est chaud) et (B est froid) avecCF1= 0.64Cause première 2 : B est froid avec CF2 = 0.85⇒ L’utilisateur se trouve avec deux alternatives dedécisions comme le cas de système expert. Lesystème expert flou dans ce cas a pu donner àl’opérateur non expert un ensemble de choix et desolutions avec des pondérations calculées lors de lavalidation des règles. Ainsi, l’opérateur aura uncritère de sélection entre les alternatives.6. CONCLUSIONL’objectif principal de cette étude est la synthèse d’unelogique permettant d’intégrer les notions floues dans lessystèmes experts de diagnostic. Dés lors, une applicationinformatique incorporant les méthodes déjà étudiées a étéanalysée, conçue et développée. Le générateur conçu viseà développer un ensemble d’outils permettant de créer dessystèmes experts ordinaires et des systèmes experts flousde diagnostic.On a pu conclure, ainsi, sur l’utilité de la notion de lalogique floue dans les systèmes experts de diagnostic.Lorsque le domaine étudié présente les caractéristiquesnécessaires à l’utilisation de la logique floue, cettedernière ne peut être que bénéfique. En fait, les systèmesexperts flous d’aide à la décision générés à partir del’environnement conçu nous ont permis de dégager lespoints suivants : Ces systèmes d’aide à la décision procurent uneméthode convenable pour incorporer la connaissanced’un expert humain dans un système expert en utilisantdes termes qualitatifs et proches du langage del’expertise. Ils permettent, ainsi, grâce à l’introduction dela logique floue de manipuler des informationsPage 6 sur 7

incomplètes et imprécises et de modéliser desconnaissances subjectives. L’utilisation de la logique floue améliore l’efficacité etla cohérence des systèmes experts. Puisque cettetechnologie fournit à l’utilisateur une interprétationlinguistique des données numériques. Ainsi, elle garantitl’unicité des résultats générés par le système pour unesituation donnée. Dés lors, il est possible de minimiserl’incertitude des interprétations humaines. L’utilisation des règles floues dans le moteurd’inférence du système expert peut garantir la rapidité deson exécution. Lorsque l’expert trouve une bonnemodélisation floue des connaissances du système, ilminimise le nombre de règle de production dans lemoteur d’inférence vu qu’il évite le découpage enintervalles de cas. Les systèmes experts flous de diagnostic sont surtoutplus crédibles et plus proches du raisonnement humainpar leur capacité à pondérer l’ensemble des causespossibles d’une panne. Ils affectent à chaque alternativeun coefficient de vérité qui se calcule à partir du moteurd’inférence flou. Ces coefficients lors de l’identificationd’une panne permettent de classer ses causes suivant lesplus probables. De cette manière, l’utilisateur est plusguidé dans sa prise de décision.Néanmoins, cet environnement reste toujours ouvert etaccepte plusieurs améliorations et enrichissements. Enfait, l’efficacité des résultats de l’algorithme dediagnostic peut être améliorée en ajoutant un moduleinteractif avec les utilisateurs qui permettra de poser desquestions pertinentes afin d’éviter les cas où le systèmene conclut rien. Par ailleurs, le choix d’autres outils dedéveloppement pour le modèle conçu (Java pourl’interface et Oracle pour la base de données parexemple) pourra améliorer les performances del’application si elle sera appliquée pour des applicationscompliquées (portabilité et sécurité).En plus, la diversification des méthodes d’application dela logique floue laisse le système ouvert pour undéveloppement plus profond pour qu’il puisse tenircompte de plusieurs cas et d’applications notamment lediagnostic des systèmes continus et discrets. Il estintéressant, également, de développer un modulepermettant de faire l’apprentissage à l’aide des réseaux deneurones.RÉFÉRENCES[1] C. Baydar, Diagnosis of Complex Failures in RoboticAssembly Systems using Virtual Factories,AAAI/KDD/UAI, 2002.[2] H. Bühler, Réglage par logique floue, Collection Electricité,1994.[3] J. Connel, Accès aux bases de données avec Visual basic 6,Editions Eyrolles, 1999.[4] L. Doris, “La logique Floue, ” L’électron libre, 2001.[5] H. Fahmy, “Applications of hybrid Fuzzy Expert Systems incomputer Networks Design,” Journal of Information scienceand engineering, Vol. 14, pp. 53-69, 1997.[6] B. Faltings, “Intelligence artificielle au-delà des systèmesexperts,” F1 10, 1994.[7] M. Fetiarison, “Les systèmes experts,” EIVD, Février 2004.[8] M. Gaberiel, J-C. Rantt, “Systèmes experts enmaintenance,” Masson, 1989.[9] M. Gabriel, D. Richet, “Les systèmes d’aide au diagnostic,”Les Référentiels Dunod, 1999.[10] M.J. Garibaldi, C. Emmanuel, “The Development of aFuzzy Expert System for the Analysis of Umbilical CordBlood,” School of Electronic, PL4 8AA, U.K,2000.[11] A. Hegyi, et al., “A fuzzy decision support system for trafficcontrol centers, ” Proceedings of the TRAIL 6th AnnualCongress 2000 | Transport, Infrastructure and Logistics, Part2, The Hague/Scheveningen, The Netherlands, Decembre2000.[12] G. Huguenin, “Logique floue et processeur flou,” EIAJ /GHU, 24 mars 2004.[13] G. Hwang, “A New Environment for Developing FuzzyExpert Systems,” Journal of Information science andengineering, Vol. 15, pp. 53-69, 1999.[14] H. Jae et al., “A Fuzzy Expert system for Integrated FalseDiagnosis,” IEEE Transactions on PowerDelivery, Vol. 5,N° 2, Avril 2000.[15] B.Mc. Kinney, “Microsoft Visual Basic 6.0,” MicrosoftPress, 1996.[16] C.C. Kontogiannis, A.N.Safacas, “An expert system forpower plant,” DEA, Department of Electrical & ComputerEngineering University of Patras, 2002.[17] O. Hall Lawrence, “Rule Chaining in Fuzzy ExpertSystems,” Department of Computer Science andEngineering, ENB 118, 2000.[18] M. Malik, “Le rôle de la logique floue dans leWeb sémantique,” DEA, Faculté de Médecine de la Timone,2002.[19] F. Manchy, “La fonction maintenance, formation à lagestion de la maintenance industrielle,” Masson, 1996.[20] A.Mathon, “Les réseaux de neurones comme outils d’aide àla décision floue,” DEA, Ecole Nationale Supérieure desMines de Saint-Etienne, 1992.[21] L. Negrello, “Systèmes experts et intelligence artificielle, ”CT 157 édition, Novembre1991.[22] G. Ron, Ph.D. Chen, “A Fuzzy Expert System for FaultManagement of Water Recovery and Supply,” ISSO, 1994-1995.[23] Sadiq R. et al, “Fuzzy cognitive maps for decision support tomaintain water quality in ageing water mains, ” DMUCE 4,4éme Conférence Internationale de prise de décision dansl’ingenirie civile et urbaine, Porto, Portugal, Octobre 28-30,pp. 1-10, 2004.[24] S. Saini, “ Web Based Fuzzy Expert System for IntegratedPest anagement in Soybean, ” Internationel Journal ofInformation Technologie, Vol. 8, 1 Aout 2002.[25] J.L. Renaud-Salis, F. Bonichon, et all. “ Un modèlegénérique pour le développement de systèmes experts encancérologie clinique ”, Informatique et Santé, Vol. 2, 1989.[26] A.K.Sharma, C. Kumar, K. Mustafa, “ A fuzzy frame basedexpert shell,” National Workshop on IT Services andApplications (WITSA2003), Février 27-28, 2003.[27] R. Stemplowski, “ Application de l'aide à la décisionmulticritère aux schémas d'aménagement des eaux,” Thèsede D.E.A, Université Paris IX Dauphine, 1990.[28] M. Strasser, “The Development of a Fuzzy Decision-Support System for Dairy Cattle Culling Decisions,” Thèse,Département d’ingénierie d’agriculture et de bio systèmesUniversité de McGill, Mai 1997.[29] F. Taraboanta et al., “A non boolean logic to process signalsgenereted by ball bearing’s defects,” Fascicile, Vol. 3, 2002.[30] K. Tomsovic, B. Baer, “Fuzzy Information Approaches toEquipment Condition Monitoring and Diagnosis,” DEA,School of Electrical Engineering and Computer ScienceWashington State University, 1994.[31] K.Tomsovic, M.Y. Chow, “Tutorial on Fuzzy LogicApplications in Power Systems,” IEEE-PES Winter Meetingin Singapore, 2000.[32] Y.M.Visetti, “ Des systèmes experts aux systèmes à base deconnaissances : à la recherche d’un nouveau schémarégulateur,” Intellectica, pp. 221-279,1992.[33] C. Zajpt, et al., “ Système expert pour l'aide a la décision età l'enseignement des diagnostics infirmiers, ” Springer-Verlag, Vol. 9, 1997.[34] [G. Zwingelstein, “ Diagnostic des défaillances,” EditionsHermes, 1995.Page 7 sur 7