Apprentissage numérique et symbolique pour le diagnostic et la réparation automobile

Digital and Symbolic Learning for Automotive Diagnostics and Repair

• Auteur / Autrice : Tom Obry
• Direction : Louise Travé-Massuyès, Audine Subias
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 07/07/2020
• Etablissement(s) : Toulouse, INSA
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes - Laboratoire d'analyse et d'architecture des systèmes / LAAS
• Jury : Président / Présidente : Marie-Véronique Le Lann
• Jury : Examinateurs / Examinatrices : Louise Travé-Massuyès, Audine Subias, Noureddine Zerhouni, Vincent Cocquempot, Maya Kallas, Axel Reymonet, Agell Núria
• Jury : Rapporteurs / Rapporteuses : Noureddine Zerhouni, Vincent Cocquempot

Mots clés

Mots clés contrôlés

Automobiles -- Entretien et réparations

Mots clés libres

Apprentissage machine

Classification dynamique

Données numériques et catégorielles

Automobile

Machine learning

Dynamic clustering

Numeric and categorical data

Automotive

Résumé

Le clustering est une des méthodes issues de l'apprentissage non-supervisé qui vise à partitionner un ensemble de données en différents groupes homogènes au sens d’un critère de similarité. Les données de chaque groupe partagent alors des caractéristiques communes. DyClee est un classifieur qui réalise une classification à partir de données numériques arrivant en flux continu et qui propose un mécanisme d’adaptation pour mettre à jour cette classification réalisant ainsi un clustering dynamique en accord avec les évolutions du système ou procédé suivi. Néanmoins la seule prise en compte des attributs numériques ne permet pas d’appréhender tous les champs d’application. Dans cet objectif de généralisation, cette thèse propose d’une part une extension aux données catégorielles nominales, d’autre part une extension aux données mixtes. Des approches de clustering hiérarchique sont également proposées afin d’assister les experts dans l’interprétation des clusters obtenus et dans la validation des partitions générées. L'algorithme présenté, appelé DyClee Mixte, peut être appliqué dans des divers domaines applicatifs. Dans le cas de cette thèse, il est utilisé dans le domaine du diagnostic automobile.

Clustering is one of the methods resulting from unsupervised learning which aims to partition a data set into different homogeneous groups in the sense of a similarity criterion. The data in each group then share common characteristics. DyClee is a classifier that performs a classification based on digital data arriving in a continuous flow and which proposes an adaptation mechanism to update this classification, thus performing dynamic clustering in accordance with the evolution of the system or process being followed. Nevertheless, the only consideration of numerical attributes does not allow to apprehend all the fields of application. In this generalization objective, this thesis proposes on the one hand an extension to nominal categorical data, and on the other hand an extension to mixed data. Hierarchical clustering approaches are also proposed in order to assist the experts in the interpretation of the obtained clusters and in the validation of the generated partitions. The presented algorithm, called Mixed DyClee, can be applied in various application domains. In the case of this thesis, it is used in the field of automotive diagnostics.