Démonstration automatique de théorèmes (ATP)

La redondance modulaire triple (TMR) est une technique de tolérance aux pannes matérielle qui utilise trois modules identiques effectuant la même opération en parallèle. Leurs sorties sont acheminées vers un circuit de vote majoritaire. Si un module tombe en panne et produit une sortie incorrecte, le circuit majoritaire peut néanmoins déterminer la sortie correcte grâce aux informations fournies par les deux autres modules, masquant ainsi la panne et assurant la continuité de fonctionnement.

Les méthodes de Monte Carlo par chaînes de Markov (MCMC) constituent une classe d'algorithmes d'échantillonnage d'une distribution de probabilité. Une chaîne de Markov est construite, dont la distribution d'équilibre (ou stationnaire) correspond à la distribution recherchée. L'état de la chaîne après un grand nombre d'itérations est ensuite utilisé comme échantillon de la distribution recherchée, permettant ainsi le calcul d'intégrales et d'espérances.

Le code G, anciennement appelé RS-274, est le langage de programmation le plus répandu pour le contrôle des machines CNC. Il se compose de commandes séquentielles qui indiquent à la machine son positionnement, sa vitesse et des actions spécifiques. Les commandes commencent par une lettre ; « G » désigne les commandes préparatoires au mouvement (par exemple, G01 pour l'avance linéaire), tandis que « M » désigne les fonctions diverses (par exemple, M03 pour le démarrage de la broche).

Les techniques de vérification sont généralement classées en deux catégories : statique et dynamique. La vérification statique (ou analyse statique) examine le code ou la conception du système sans l'exécuter. Les exemples incluent les revues de code, les inspections et les outils d'analyse statique automatisés. La vérification dynamique (ou test) implique l'exécution du système avec un ensemble d'entrées et l'observation de son comportement pour trouver les défauts. Ces deux méthodes sont complémentaires pour une assurance qualité complète.

L'indice de priorité des risques (IPR) est une mesure quantitative utilisée dans l'AMDE pour classer les risques par ordre de priorité. Il est calculé comme le produit de trois facteurs classés : Gravité (S), Occurrence (O) et Détection (D). La formule est [latex]RPN = S fois O fois D[/latex]. Chaque facteur est généralement évalué sur une échelle de 1 à 10, ce qui permet aux équipes de se concentrer d'abord sur les risques les mieux notés.

Une illustration classique de la méthode de Monte Carlo est l'estimation de la valeur de [latex]\pi[/latex]. En inscrivant un cercle de rayon [latex]r[/latex] dans un carré de côté [latex]2r[/latex], le rapport de leurs surfaces est [latex]\frac{\pi r^2}{(2r)^2} = \frac{\pi}{4}[/latex]. En dispersant aléatoirement des points à l'intérieur du carré et en comptant la fraction [latex]p[/latex] qui tombe à l'intérieur du cercle, on obtient une estimation : [latex]\pi \approx 4p[/latex].

Un ensemble de quatre règles de décision permet de détecter les anomalies sur les cartes de contrôle de Shewhart, indiquant un processus hors contrôle même si aucun point ne se situe en dehors des limites à 3 sigma. Ces règles identifient les séries anormales, les tendances ou les regroupements de points de données qui signalent la présence d'une cause spéciale de variation. Elles améliorent la sensibilité des cartes de contrôle.

Modèle de régression pour une variable dépendante catégorique, généralement binaire. Au lieu de modéliser directement le résultat, il modélise la probabilité du résultat à l'aide de la fonction logistique (sigmoïde). Le modèle prédit le log-odds de l'événement comme une combinaison linéaire des variables indépendantes : [latex]\ln(\frac{p}{1-p}) = \beta_0 + \beta_1 x_1 + \dots + \beta_p x_p[/latex], où p est la probabilité de l'événement.

L'algorithme de Metropolis-Hastings est une méthode MCMC reconnue pour générer une séquence d'échantillons aléatoires à partir d'une distribution de probabilité pour laquelle l'échantillonnage direct est difficile. À chaque itération, il génère un candidat pour l'échantillon suivant à partir de l'échantillon courant. Ce candidat est ensuite accepté ou rejeté avec une certaine probabilité, garantissant ainsi la convergence de la chaîne vers la distribution souhaitée.

L'abstraction en POO consiste à masquer les détails complexes de l'implémentation et à n'afficher que les fonctionnalités essentielles de l'objet. Elle se concentre sur ce que fait un objet plutôt que sur la manière dont il le fait. Ce résultat est obtenu grâce à des classes et des interfaces abstraites, qui définissent un plan pour d'autres classes sans fournir d'implémentation complète, simplifiant ainsi les systèmes complexes.