en fr Fault-detection in Ambient Intelligence based on the modeling of physical effects. Détection de défaillances fondée sur la modélisation des effets physiques dans lambiant Report as inadecuate




en fr Fault-detection in Ambient Intelligence based on the modeling of physical effects. Détection de défaillances fondée sur la modélisation des effets physiques dans lambiant - Download this document for free, or read online. Document in PDF available to download.

1 E3S - Supélec Sciences des Systèmes Gif-sur-Yvette

Abstract : This thesis takes place in the field of Ambient Intelligence AmI. AmI Systems are interactive systems composed of many heterogeneous components. From a hardware perspective these components can be divided into two main classes: sensors, using which the system observes its surroundings, and actuators, through which the system acts upon its surroundings in order to execute specific tasks.From a functional point of view, the goal of AmI Systems is to activate some actuators, based on data provided by some sensors. However, sensors and actuators may suffer failures. Our motivation in this thesis is to equip ambient systems with self fault detection capabilities. One of the particularities of AmI systems is that instances of physical resources mainly sensors and actuators are not necessarily known at design time; instead they are dynamically discovered at run-time. In consequence, one could not apply classical control theory to pre-determine closed control loops using the available sensors. We propose an approach in which the fault detection and diagnosis in AmI systems is dynamically done at run-time, while decoupling actuators and sensors at design time. We introduce a Fault Detection and Diagnosis framework modeling the generic characteristics of actuators and sensors, and the physical effects that are expected on the physical environment when a given action is performed by the system-s actuators. These effects are then used at run-time to link actuators that produce them with the corresponding sensors that detect them. Most importantly the mathematical model describing each effect allows the calculation of the expected readings of sensors. Comparing the predicted values with the actual values provided by sensors allows us to achieve fault-detection.

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.

en fr

Keywords : Physical phenomena Ambient intelligence Sensor Actuator Fault Fault detection Fault diagnosis Malfunction Heterogeneous modeling Model execution Prediction model

Mots-clés : Intelligence ambiante Capteur Effecteur Panne Détection des pannes Diagnostic de pannes Défaillance Phénomènes physiques Modélisation hétérogène Exécution de modèle Modèle de prédiction





Author: Ahmed Mohamed -

Source: https://hal.archives-ouvertes.fr/



DOWNLOAD PDF




Related documents