Dans de nombreuses applications tant industrielles que médicales, il est important de pouvoir distinguer les situations de fonctionnement normal et de fonctionnement dégradé (ou pathologique).

Ces deux types de fonctionnement peuvent se traduire par des changements dans les dynamiques inhérentes du système qu'il faut être capable de détecter et classer. Ces ''défauts'' peuvent, dans le cas d'un système industriel, provoquer non seulement une perte de la productivité mais aussi une perte d'équipements coûteuse. Dans le cas d'un système biologique, le diagnostic d'un comportement pathologique doit anticiper des situations critiques ou fournir une aide à la décision du praticien.

Notre équipe a acquis une bonne expérience dans ce domaine du diagnostic des systèmes dynamiques basé sur l'apprentissage par modèles de Markov cachés pour des problèmes industriels et bio-médicaux : nos travaux ont débouché sur des outils et des techniques spécifiques et des applications qui les ont validé avec succès (cf. résultats de recherche et développements et applications).

Le processus de caractérisation de défaut d'un système peut être divisé en trois étapes:

• détection d'événements caractéristiques de mauvais fonctionnement du système ;
• isolement et/ou l'identification des événements ou des défauts donnant lieu à des fonctionnements non nominaux ;
• adaptation du système pour auto-correction d'un défaut particulier.

Notre contribution à ce thème concerne les deux premiers points de détection d'événements et d'isolement/identification. A l'état actuel, trois projets sont réalisés ou en cours de réalisation. Nous avons adopté cette approche de modélisation stochastique pour résoudre des problèmes de diagnostic de type industriel et biomédical.

Nos collaborations dans ce domaine du diagnostic couvre aussi bien des aspects industriels que médicaux parmi lesquels on peut citer :

• l'utilisation des HMM sur des données de capteurs de vibrations pour la surveillance d'une machine (développement en collaboration avec la société BBN Corporation à Cambridge, USA en 1998) ;
• l'aide au diagnostic clinique par système à base d'apprentissage stochastique (une boîte à outil de diagnostic hors-ligne / en-ligne). Ce projet en cours de réalisation est une collaboration avec l'unité 492 de l'INSERM à Créteil avec pour application la détection et la prédiction de différents types d'apnées du sommeil.