Les réseaux actuels servent millions de clients mobiles et ils se caractérisent par équipement hétérogène et protocoles de transport et de gestion hétérogènes, et des outils de gestion verticaux, qui sont très difficiles à intégrer dans leur infrastructure. La gestion de pannes est loin d’être automatisée et intelligent, ou un 40 % des alarmes sont redondantes et seulement un 1 ou 2% des alarmes sont corrélées au plus dans un centre opérationnel. Ça indique qu’il y a un débordement significatif des alarmes vers les adminis-trateurs humains, a comme conséquence un haut OPEX vue la nécessité d’embaucher de personnel expert pour accomplir les tâches de gestion de pannes. Comme conclusion, le niveau actuel d’automatisation dans les tâches de gestion de pannes dans réseaux télécoms n’est pas adéquat du tout pour adresser les réseaux programmables, lesquels promettent la programmation des ressources et la flexibilité afin de réduire le time-to-market des nouveaux services. L’automatisation de la gestion des pannes devient de plus en plus nécessaire avec l’arrivée des réseaux programmables, SDN (Software-Defined Networking), NFV (Network Functions Virtualization) et le Cloud. En effet, ces paradigmes accélèrent la convergence entre les domaines des réseaux et la IT, laquelle accélère de plus en plus la transformation des réseaux télécoms actuels en menant à repenser les opérations de gestion de réseau et des services, en particulier les opérations de gestion de fautes. Cette thèse envisage l’application des principes d’autoréparation en infrastructures basées sur SDN et NFV, en focalisant sur l’autodiagnostic comme facilitateur principal des principes d’autoréparation. Le coeur de cette thèse c’est la conception d’une approche de diagnostic qui soit capable de diagnostiquer de manière continuée les services dynamiques virtualisés et leurs dépendances des ressources virtuels (VNFs et liens virtuels) mais aussi les dépendances de ceux ressources virtuels de la infrastructure physique en-dessous, en prenant en compte la mobilité, la dynamicite, le partage de ressources à l’infrastructure en-dessous / Current networks serve billions of mobile customer devices. They encompass heterogeneous equipment, transport and manage-ment protocols, and vertical management tools, which are very difficult and costly to integrate. Fault management operations are far from being automated and intelligent, where around 40% of alarms are redundant only around 1-2% of alarms are correlated at most in a medium-size operational center. This indicates that there is a significant alarm overflow for human administrators, which inherently derives in high OPEX due to the increasingly need to employ high-skilled people to perform fault management tasks. In conclusion, the current level of automation in fault management tasks in Telcos networks is not at all adequate for programmable networks, which promise a high degree of programmability and flexibility to reduce the time-to-market. Automation on fault management is more necessary with the advent of programmable networks, led by with SDN (Software-Defined Networking), NFV (Network Functions Virtualization) and the Cloud. Indeed, the arise of those paradigms accelerates the convergence between networks and IT realms, which as consequence, is accelerating faster and faster the transformation of cur-rent networks leading to rethink network and service management and operations, in particular fault management operations. This thesis envisages the application of self-healing principles in SDN and NFV combined infrastructures, by focusing on self-diagnosis tasks as main enabler of self-healing. The core of thesis is to devise a self-diagnosis approach able to diagnose at run-time the dynamic virtualized networking services and their dependencies from the virtualized resources (VNFs and virtual links) but also the dependencies of those virtualized resources from the underlying network infrastructure, taking into account the mobility, dynamicity, and sharing of resources in the underlying infrastructure

This thesis presents the development of a fault detection and diagnosis (FDD) procedure capable of capturing, isolating and identifying multiple abrupt parametric faults. The proposed method relies on parameter estimation deployed in a set membership framework. This approach presupposes the utilization of a linearly parametrizable model and the a priori knowledge of bounded noise errors and parameter perturbations. Under these assumptions, a data-hyperspace is generated at every time instant. The goal of set membership identification (SMI) is the determination of the parametric set, formed as an orthotope or ellipsoid, within which the nominal parameter vector resides and intersects with the data-hyperspace. The fault detection mechanism is activated when the normal operation of the SMI procedure is interrupted due to an empty intersection of the data-hyperspace and the estimated parametric set. At the detection instant, a resetting procedure is performed in order to compute the parameter set and the data-hyperspace that contain the varied nominal parameter vector, allowing the SMI algorithm to continue its operation. During the fault isolation, consistency tests are executed, relying on the projections of the worst case parametric sets and the ones arisen from the normal operation of SMI. A faulty component is indicated when these projections do not intersect, while the distance of their centers is used for fault identification. In case of the ellipsoidal SMI-based FDD and under the assumption of a time invariant parameter vector, a new fault detection criterion is defined based on the intersection of support orthotopes of ellipsoids. A more accurate estimation of the time instant of fault occurrence is proposed based on the application of a backward-in-time procedure starting from the fault detection instant, while the conditions under which a fault will never be detected by the orthotopic and ellipsoidal SMI based FDD are provided. This dissertation explores the efficiency of the proposed FDD methodology for capturing failure modes of two microelectromechanical systems; an electrostatic parallel-plate microactuator and a torsionally resonant atomic force microscope. From an engineering point of view, failure modes appeared in the microcomponents of the microactuator and the TR-AFM are encountered as parameter variations and are captured, isolated and identified by the proposed FDD methodology. / Σε αυτή την διατριβή, παρουσιάζεται η ανάπτυξη μιας διαδικασίας Ανίχνευσης και Διάγνωσης Σφαλμάτων, η οποία είναι ικανή να εντοπίζει, απομονώνει και αναγνωρίζει πολλαπλά, απότομα παραμετρικά σφάλματα. H προτεινόμενη μέθοδος βασίζεται στην αναγνώριση του συνόλου συμμετοχής των παραμέτρων. Ο στόχος της Αναγνώρισης Συνόλου Συμμετοχής είναι ο καθορισμός του παραμετρικού συνόλου εντός του οποίου κείται το ονομαστικό διάνυσμα παραμέτρων, δεδομένου ότι το ονομαστικό διάνυσμα παραμέτρων ανήκει επίσης σε έναν υπερχώρο δεδομένων. Το παραμετρικό σύνολο απεικονίζεται ως ένα ορθότοπο ή ένα ελλειψοειδές, λόγω της εύκολης μαθηματικής τους περιγραφής. Έτσι, η διαδικασία Αναγνώρισης Συνόλου Συμμετοχής αντιστοιχεί σε ένα πρόβλημα βελτιστοποίησης, το οποίο αποσκοπεί στον υπολογισμό του ορθοτόπου ή ελλειψοειδούς το οποίο περιέχει το ονομαστικό διάνυσμα παραμέτρων και τέμνεται με τον υπερχώρο δεδομένων. Ο μηχανισμός Ανίχνευσης Σφαλμάτων ενεργοποιείται όταν διακόπτεται η φυσιολογική λειτουργία της Αναγνώρισης Συνόλου Συμμετοχής, λόγω της κενής τομής μεταξύ των εκτιμώμενου παραμετρικού συνόλου και του υπερχώρου δεδομένων. Τη χρονική στιγμή ανίχνευσης ενός σφάλματος, εφαρμόζεται μια διαδικασία επαναρύθμισης που σκοπεύει στον υπολογισμό του νέου παραμετρικού συνόλου, το οποίο περιέχει το μεταβεβλημένο ονομαστικό διάνυσμα παραμέτρων και τέμνεται με το υπερχώρο δεδομένων. Κατά τη διάρκεια της διαδικασίας απομόνωσης του σφάλματος, εκτελούνται τεστ συμβατότητας, τα οποία βασίζονται στις προβολές των νέων παραμετρικών συνόλων και στις προβολές των παραμετρικών συνόλων χείριστης περίπτωσης, ενώ η απόσταση των κέντρων των προβολών χρησιμοποιείται για αναγνώριση σφάλματος. Στην περίπτωση που η Ανίχνευση και Διάγνωση Σφαλμάτων πραγματοποιείται βασιζόμενη στην Αναγνώριση Συνόλου Συμμετοχής με ελλειψοειδή και θεωρώντας το ονομαστικό διάνυσμα παραμέτρων χρονικά αμετάβλητο, ορίζεται ένα νέο κριτήριο ανίχνευσης σφαλμάτων, χρησιμοποιώντας την τομή των περιβαλλόντων ορθοτόπων των ελλειψοειδών. Σε αυτή την περίπτωση, ένα σφάλμα ανιχνεύεται όταν η τομή αυτή είναι κενή. Ακόμη, προτείνεται μια πιο ακριβής εκτίμηση της χρονικής στιγμής εμφάνισης του σφάλματος, ενώ παρατίθενται οι συνθήκες υπό τις οποίες ένα σφάλμα μπορεί να μην ανιχνευθεί ποτέ με την εφαρμογή των προτεινόμενων μεθόδων. Η συγκεκριμένη διατριβή επίσης ερευνά την αποτελεσματικότητα της προτεινόμενης μεθοδολογίας Ανίχνευσης και Διάγνωσης Σφαλμάτων για τον εντοπισμό των τρόπων εκδήλωσης σφαλμάτων σε δύο μικροηλεκτρομηχανικά συστήματα (ΜΗΜΣ), έναν ηλεκτροστατικό μικροεπενεργητή παράλληλων πλακών και ένα ατομικό μικροσκόπιο συντονισμού στρέψης. Από πλευράς μηχανικής, οι τρόποι εκδήλωσης σφαλμάτων στα δομικά στοιχεία του μικροεπενεργητή ή του ατομικού μικροσκοποίου αντιμετωπίζονται ως απότομες παραμετρικές, οι οποίες εντοπίζονται και διαγιγνώσκονται από τις προτεινόμενες μεθόδους.

Fault diagnosis can be used to early detect faults in a technical system, which means that workshop service can be planned before a component is fully degraded. Fault diagnosis helps with avoiding downtime, accidents and can be used to reduce emissions for certain applications. Traditionally, however, diagnosis systems have been designed using ad hoc methods and a lot of system knowledge. Model-based diagnosis is a systematic way of designing diagnosis systems that is modular and offers high performance. A model-based diagnosis system can be designed by making use of mathematical models that are otherwise used for simulation and control applications. A downside of model-based diagnosis is the modeling effort needed when no accurate models are available, which can take a large amount of time. This has motivated the use of data-driven diagnosis. Data-driven methods do not require as much system knowledge and modeling effort though they require large amounts of data and data from faults that can be hard to gather. Hybrid fault diagnosis methods combining models and training data can take advantage of both approaches decreasing the amount of time needed for modeling and does not require data from faults. In this thesis work a combined data-driven and model-based fault diagnosis system has been developed and evaluated for the exhaust treatment system in a heavy-duty diesel engine truck. The diagnosis system combines physical insights and neural networks to detect and isolate faults for the exhaust treatment system. This diagnosis system is compared with another system developed during this thesis using only model-based methods. Experiments have been done by using data from a heavy-duty truck from Scania. The results show the effectiveness of both methods in an industrial setting. It is shown how model-based approaches can be used to improve diagnostic performance. The hybrid method is showed to be an efficient way of developing a diagnosis system. Some downsides are highlighted such as the performance of the system developed using data-driven and model-based methods depending on the quality of the training data. Future work regarding the modularity and transferability of the hybrid method can be done for further evaluation.