Numerical and symbolic learning for automotive diagnosis and repair

Apprentissage numérique et symbolique pour le diagnostic et la réparation automobile

Tom Obry (1)

1 LAAS-DISCO - Équipe DIagnostic, Supervision et COnduite

Clustering is one of the methods resulting from unsupervised learning which aims at partitioning a set of data 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 clustering based on numeric data arriving in a stream and which proposes an updating mechanism, thus performing dynamic clustering in accordance with the evolution of the system or process being monitored. Nevertheless, the only consideration of numerical attributes does not allow to address all the application fields. In this generalization objective, this thesis proposes on the one hand an extension to categorical data, and on the other hand an extension to mixed data. A hierarchical clustering approach is also proposed to assist the experts in the interpretation of the obtained clusters and in the validation of the generated partitions. The algorithm presented, called DyClee-M, can be applied! in various application domains. In the case of this thesis, it is used in the field of automotive diagnosis.

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, d’autre part une extension aux données mixtes. Une approche 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-M, peut être appliqué dans divers domaines applicatifs. Dans le cas de cette thèse, il est utilisé dans le domaine du diagnostic automobile.

Mots clés: Machine learning; dymamic clustering; hierarchical clustering; numeric; categorical and mixed data; automotive diagnosis

Mots clés: Apprentissage automatique; classification dynamique; classification hiérarchique; données numériques; catégorielles et mixte; diagnostic automobile

Domaines: Automatique; Apprentissage [cs.LG]

Tom Obry. Apprentissage numérique et symbolique pour le diagnostic et la réparation automobile. Automatique. Institut National des Sciences Appliquées de Toulouse, 2020. Français. ⟨NNT : ⟩. ⟨tel-02961151v1⟩