Apprentissage de règles de comportement destinées au contrôle d'un système
Institution:
Paris 11Disciplines:
Directors:
Abstract EN:
Process control systems have to face applications which are always more ambitions and difficult to master. In some cases it is not easy to use conventional process control techniques. With the introduction of declarative methods it is possible to start in a pragmatic way and to set an implicit formulation of the problem when no explicit formulation is available. New mechanisms can be envisioned, and we conceived a rule based controller, then the difficulty remains on the design of the rule sets. To overcome this problem, we had to use jointly some learning techniques, such as data analysis to cope with noisy data and to project them into reduced space representations. Then structural techniques allow to modelise the temporal evolution of the process control and the hidden structures. Finally, artificial intelligence machine learning techniques discover the concepts and generalise the acquired knowledge. The whole technique set is supervised by artificial intelligence, it analyses the results issued from each learning step and planes the next action to perform. Three learning strategies are used: the first one starts from the data and uses inductive learning, it proves some completeness. The second one begins with a fuzzy model and acquires rules by deduction, it brings coherency via expert knowledge. Finally the behavior rules are used and refined by means of interaction with the environment. The learning program CANDIDE performed two case studies - the speed control of a DC motor the automatic driving of a car.
Abstract FR:
Les systèmes de contrôle de processus sont confrontés à des applications de plus en plus complexes à appréhender. Il semble intéressant, par exemple dans le cadre de l'étude des phénomènes mal ou peu modélisés, d'avoir recours à des techniques d'informatique symbolique pour profiter de leur souplesse d'utilisation. Ainsi fut développé un système de contrôle de processus à base de règles de comportement, la principale difficulté consiste alors à acquérir ces règles. Sa résolution a nécessité l'utilisation conjointe de plusieurs techniques, respectivement les techniques numériques d'analyses de données pour débruiter et réduire la dimensionnalité de l'espace d'états, puis des techniques structurelles pour transcrire l'aspect temporel, modéliser les structures sous-jacentes et finalement des techniques d'apprentissage symbolique automatique pour trouver des regroupements conceptuels, généraliser et extrapoler les connaissances acquises. L'ensemble de ces techniques est mis en œuvre par des techniques d'intelligence artificielle analysant les résultats de chaque phase grâce à des critères généraux décrivant conceptuellement chaque technique, ses résultats escomptés et génère des plans d'actions pour guider l'apprentissage. Trois techniques d'apprentissage sont utilisées : la première part de points de mesure du phénomène qu'elle utilise dans une démarche inductive, elle confère une notion de complétude au jeu de règles. La seconde part d'un modèle flou du phénomène à contrôler qu'elle met en œuvre dans un apprentissage déductif, elle apporte la cohérence en intégrant les connaissances des experts. Enfin, les règles de comportement issues de ces approches sont utilisées et affinées dans un apprentissage en interaction avec l'environnement. Le programme CANDIDE a vu deux domaines d'application : le contrôle en vitesse d'un moteur en courant continu et la conduite automobile.