Le nombre de capteurs dans les bâtiments ne cesse d'augmenter, grâce à des coûts plus accessibles et à l'intérêt évident de leur utilisation pour une gestion optimisée. Dans cette thèse nous nous intéressons à l'utilisation des données issues de ces capteurs dans le but de détecter des anomalies dans les bâtiments. Ces données peuvent être de types inconnus et hétérogènes, et sont très nombreuses.
Une anomalie est définie comme un comportement inattendu et indésirable dans un système et peut dépendre du contexte. Afin de pouvoir déployer un système de détection d'anomalies le plus largement possible, il est nécessaire de minimiser la quantité de travail requise des divers experts intervenant dans notre domaine tout en respectant le principe d'ouverture permettant ainsi un usage continu du système dans le temps. Pour répondre à ces problématiques, un ou des systèmes à base de systèmes multi-agents coopératifs implémentant la théorie des AMAS seront développés et permettront la détection d'anomalies par apprentissage supervisé. Le système de détection d'anomalies doit tirer parti des retours d'un ou plusieurs experts qui étiquettent certaines instances comme normales ou anormales, cette connaissance est la seule ressource disponible au système pour l'apprentissage. L'apprentissage est une propriété émergente du système qui s'opère par des réorganisations du système multi-agents grâce à partir des retours d'experts.
Figure 1 : Le système classe les évènements
Objectifs scientifiques
Améliorer l’efficacité énergétique
Détecter les anomalies en temps réel
Apprendre en continu grâce aux retours d’un expert
Concevoir un système générique pour traiter toutes les données issues des bâtiment
Contacts
maxime.houssin@irit.fr
