The Hierarchical Case-Based Diagnosis

In this paper we propose a methodology to aid machine diagnosis based on the Case-Based Reasoning (CBR) techniques, called Hierarchical Case-Based Diagnosis (HCBD). Our method is a resample of the interpretative CBR which tries to interpret a new situation using interpretations of old situations. The HCBD system generates on-line hypothesis on the machine functioning mode. It also provides hypothetical values for the missing on-line observations, that is to say variables available only during off-line tests. Off-line tests allow to build an initial memory of the most probable functioning cases. In order to increase the efficiency of CBR, we propose a hierarchical case memory with several levels of abstraction. From our definition, an abstraction is a total mapping, so in the memory all the cases are related. We specify formal conditions that have to be satisfied by the hierarchical memory. Not only this organisation of the memory speeds up the diagnosis processes, but also permits to generate abstracted hypothesis on the functioning mode of the machine. The application in progress concerns the on-line diagnosis of a mechatronic machine. / Cet article propose une méthodologie pour l'aide au diagnostic de pannes des machines, basée sur les techniques du raisonnement à partir de cas (CBR), appelée " diagnostic hiérarchisé basé sur des cas " (HCBD). Le problème du diagnostic est défini comme une tâche de classification améliorée par une abstraction multi-niveaux. A partir des observations en ligne, le système HCBD génère des hypothèses abstraites et détaillées sur le mode de fonctionnement de la machine. Il fournit aussi des valeurs hypothétiques sur les observations manquantes en ligne, i.e. disponibles uniquement pendant les tests hors ligne. Ces tests, basés sur les modes de fonctionnement les plus probables, sont enregistrés dans une mémoire de cas initiale. Afin d'améliorer les performances du CBR, une structure hiérarchisée de la base de cas est adoptée. Pour construire les niveaux abstraits, des connaissances expertes sont utilisées, pour identifier les modes de fonctionnement abstraits et établir les règles de classification. Des conditions formelles sont données qui doivent être satisfaites par la mémoire hiérarchisée. L'intérêt de cette méthode réside dans la combinaison de la hiérarchisation et du raisonnement par cas. Une application au diagnostic d'un sécateur électronique est en cours de réalisation.