1 diagnostic logique des systemes complexes dynamiques dans un contexte multi-agent directeurs de...
TRANSCRIPT
1
DIAGNOSTIC LOGIQUE DES SYSTEMES COMPLEXES
DYNAMIQUES DANS UN CONTEXTE MULTI-AGENT
Directeurs de thèse : Jean-Marie Flaus et Stéphane Ploix
THESE DE DOCTORAT
Université Joseph FourierSpécialité : Automatique-Productique
présentée par
Samir TouafLe 2 mars 2005
2
1) Introduction
2) Appréhender la complexité
3) Fiabiliser les tests de détection4) Garantir l’analyse diagnostique5) Améliorer la sensibilité de l’analyse
diagnostique 6) Appréhender la distribution spatiale et
l’évolutivité7) Conclusion générale8) Perspectives
Plan de l’exposé
3
Plan de l’exposé
1) Introduction
2) Appréhender la complexité
3) Fiabiliser les tests de détection4) Garantir l’analyse diagnostique5) Améliorer la sensibilité de l’analyse
diagnostique 6) Appréhender la distribution
spatiale et l’évolutivité7) Conclusion générale8) Perspectives
4
Appréhender la complexité
Systèmes physiques spatialement distribués (Métallurgie)
Nombreux composants (Métallurgie : capteurs, composants)
Adapter le raisonnement diagnostique logique aux systèmes dynamiques
Tests de détection hétérogènes
Nombre d’alarmes reçues important
5
Hypothèse vraie ou fausse ?
Hypothèse vraie ou fausse ?
Test Test TestDét
ectio
nL
ocal
isat
ion Démarre
Démarre
Hypothèse vraie ou fausse ?
Symptômes
Diagnostic global
…
Analyse Diagnostic
Diagnostic faux
Description du problème
u
q e1
q s 1
q s 2
k
k
S
S
k
h 1
h 2
k
q e2
Test2
Test3
Test1
6
Principe : Test de détection
C o m po rte m e n t rée l du s y s tèm e
M o d è l e d u s y s t è m ee n f o n c t i o n n e m e n t
n o r m a l )
C O M PA R ER
TES TER
C on n a issan ceà p rio ri d u systèm e
C om po rtem en t réeld u systèm e
C om m en t com p arer ??
S ym p tô m es
E ca rt
D étectio n
7
incohérence comportement réel comportement modélisé
en terme de diagnostic, une incohérence conduit à une conclusion globale certaine (à valeur de preuve)cohérence comportement réel = comportement modélisé au point de fonctionnement considéré
en terme de diagnostic, un résultat cohérent conduit à une conclusion locale (relative à la modélisation et au point de fonctionnement actuel)
Mesure
tempsApparitiond’un défaut
Principe de non-exonération
8
Description du système
1
11 1 1 1
2 2 2 2 222 2
1 1
2 2
10 0
10
1 0
0 1
e
e
kqh S h Sd
h k k h qdtSS S
h h
h h
Représentation d’état:
u
q e1
q s1 = k .h 1
q s2 = k .h 2
k
k
S
S
k
h 1
h 2
k
q e2
50 c m
50 c m
11 1 1
1 1 1
22 2 1 2
2 2 2
( ) :
( ) :
( ) :
( ) :
e s
s
e s s
s
dhS q q
dt
q k h
dhS q q q
dt
M BH
M RH
M BB
M RB q k h
Exemple : Approche traditionnelle (1)
9
TEST 1 : 1er observateur d'état indépendant de h1
TEST 2 : 2ème observateur d'état indépendant de qe1
TEST 3 :3ème observateur d'état indépendant de h2 et de qe2
O b s er v a teu r d 'é ta t d 'o r d r e p le inn ° 1
r11eq2eq
2h
+
-
1
1 1 1 2
2
1 2
ˆ ˆ
ˆ0 1
e
e
q
x A K C x B K q
h
r h x
O b s er v a teu r d 'é ta t à en tr éesin c o n n u es
r22eq
1h
2h
+
-
2
2 2 2 2 1
2
2 2 2
ˆ ˆ 1
ˆ
eq
k kh K h K hS S Sh
r h h
O b s er v a teu r d 'é ta t à en tr éesin c o n n u es n ° 3
r41eq
1h
+
-
1
1 3 1 3
1
3 1 1
ˆ ˆ 1
ˆ
eqkh K h KS S h
r h h
Exemple : Approche traditionnelle (2)
u
q e1
q s1 = k .h 1
q s2 = k .h 2
k
k
S
S
k
h 1
h 2
k
q e2
50 c m
50 c m
10
Modèles avec une
information structurelle
Modèles avec une
information structurelle
La relation comportementale
(contrainte) entre les variables physiques et les valeurs mesurées (connues)
Modèle Mathématique
(inclut les équations diff.)
Toute l'information exigée doit être dans les modèles.
Tests
Hypothèses sur les états des composants
Hypothèses sur les états des composants
Etat du composant(habituel dans le diagnostic à base de consistance)
Condition de validitéCondition de validité
Validité du modèle:Quand le modèle peut être utilisé
Formalisme proposé
, , , ,k k k k k k k kM R V H
Modèle de composant : modélise uncomposant Ck dans un état donné
11
Exemple : Système des deux bacs
Description du système
1valide si 0< 50h cm
2
valide si 0< 50
h cm
AN(RH)AN(BB)AN(RB)
AN(H1)
AN(H2)
AN(VKH)
AN(VKB)
AN(BH)
Composant
État
11 1e s
dhS q q
dt
1[ ]M
1 1
22 1 2
2 2
s
e s s
s
q kh
dhS q q q
dtq kh
2
3
4
[ ]
[ ]
[ ]
M
M
M
1 1
2 2
1 1
2 2
e e
e e
h h
h h
q q
q q
Actionneurs et capteursmodélisés
5
6
7
8
[ ]
[ ]
[ ]
[ ]
M
M
M
M
u
q e1
q s1 = k .h 1
q s2 = k .h 2
k
k
S
S
k
h 1
h 2
k
q e2
50 c m
50 c m
12
Un SST est un ensemble de relations élémentaires :Permet la modélisation d’un sous-système physique,Conduit à au moins une fonction de test,Ne comporte pas d’hypothèses contradictoires,Ne contient pas d'autres sous-systèmes testables que lui-même.
Un SST peut conduire à plusieurs tests possibles basés sur des algorithmes différents (détection à base de modèle analytique, détection à base d’algorithme causal, détection à base d’algorithme de traitement de signal,…)
Les sous-systèmes testables (SST)
Modèle
comportemental d’un
sous-système testable
Modèle comporteme
ntal d’un sous-système
testable
Condition de validité d’un sous-
système testable
Condition de validité d’un sous-
système testable
Hypothèses sur l’état des
composants vérifiés par le
test
Hypothèses sur l’état des
composants vérifiés par le
test
testtestConduit
{ , }, { , },k
i k k k k k k kk k
SST R V H
13
Support du test
Validité du testHypothèse du test
Exemple de sous-système testable
Test 1
1
1 2
2
2 3 4 6 7 8
1
0 50 0 50h cm h cm
{ R } { R } { R } { R } { R } { R } { R }
SAN BH AN RH AN BB AN RB
AN H AN VKH AN VKB
ST
11 1
1 1
22 1 2
2 2
2 2
1 1
2 2
e s
s
e s s
e e
e e
s
dhS q q
dtq kh
dhS q q q
dtq k
h h
q q
q q
h
u
q e1
q s1 = k .h 1
q s2 = k .h 2
k
k
S
S
k
h 1
h 2
k
q e2
50 c m
50 c m
14
Symptôme:•Référence du test (algorithme)•Résultat du test (Alarme | Pas d’Alarme)•Validité du modèle•Instant de détection•Composants testés
tests de détectionà base d’algorithmes
de traitement du Signal
tests de détectionà base d’algorithmes
de traitement du Signal
tests de détectionà base de modèles
analytiques
tests de détectionà base de modèles
analytiques
tests de détectionà base de modèles
Causaux
tests de détectionà base de modèles
Causaux
tests de détectionà base d’algorithmes
Neuronaux
tests de détectionà base d’algorithmes
Neuronaux
Analyse diagnostiqueAnalyse diagnostique
« Génération de symptômes »
1
1 2
2
2 3 6
1
4 7 8
0 50 0 50h cm h cm
{ R } { R } { R } { R } {
SST
R } { R } { R
AN BH AN RH AN BB AN RB
AN H AN VKH AN VKB
}
Exemple de sous-système testable
15
Plan de l’exposé
1) Introduction
2) Appréhender la complexité
3) Fiabiliser les tests de détection4) Garantir l’analyse diagnostique5) Améliorer la sensibilité de l’analyse
diagnostique 6) Appréhender la distribution
spatiale et l’évolutivité7) Conclusion générale8) Perspectives
16
Fiabiliser les tests de détection
Exploiter la validité du modèle dans l’analyse diagnostique
17
0 5000 10000 150000
20
40
qe1
0 5000 10000 150000
5
qe2
0 5000 10000 15000-100
0
100
h1
0 5000 10000 15000-50
0
50
h2
0 5000 10000 15000-0.05
0
0.05
r1
0 5000 10000 15000-0.2
0
0.2
r2
0 5000 10000 15000-0.5
0
0.5
r3
Que s'est-il passé ?Rien du tout mais (validité n’est pas prise en compte)
Diagnostics
Rien du tout !
Description du problèmeSeuils de détection
u
q e1
q s1 = k .h 1
q s2 = k .h 2
k
k
S
S
k
h 1
h 2
k
q e2
50 c m
50 c m
1
0
1
Alarme
Alarme
Pas d’alarme
18
1
2
3
4
5
6
7
8
1
2
11 1
1 1
22 1 2
2 2
1 1
2 2
1 1
2 2
1
2
,
,
,
,
,
0< 50 ,
,
0< 50 ,
,
,
,
,
,
,
,
,
e sM
sM
e s sM
sM
M
M
e eM
e eM
ANdh
S q qdt
q kh
dhS q q q
dt
q kh
h h
h h
q
BH
AN RH
AN BB
AN RB
AN H
AN H
AN VKH
AN VK
h cm
h cm
B
q
q q
1 1 20 50 0 50V h cm h cm
Test 1
2 20 50V h cm
Test 2
3 1 20 50 0 50V h cm h cm
Test 3
Prendre en compte la validité du modèle
19
ˆ/ , ,k k k k k k k kt t t t t t t t H
1. Sans exonération
ˆ/ , pas d'information sur k k k k kt t t t t H
Si un test de détection est invalide alors les hypothèses vérifiées par le test peuvent être soit vraies ou fausses.
Définition de base d’un test de détection Résultat du test
Validité du modèle
, : ,:
, : ,
k k k
k k k
t t t
k
t t t
vrai fauxT
vrai faux
X
X
ˆtel que k
i tk
t iHH
HH2. Avec exonération
ˆ/ , ,k k k k k k k kt t t t t t t t H
Modèle
comportemental d’un
SST
Modèle comportemental d’un
SST
Condition de validité
d’un SST
Condition de validité
d’un SST
Hypothèses sur l’état des
composants vérifiés par le
test
Hypothèses sur l’état des
composants vérifiés par le
test
20
Plan de l’exposé
1) Introduction
2) Appréhender la complexité
3) Fiabiliser les tests de détection4) Garantir l’analyse diagnostique5) Améliorer la sensibilité de l’analyse
diagnostique 6) Appréhender la distribution
spatiale et l’évolutivité7) Conclusion générale8) Perspectives
21
Garantir l’analyse diagnostique
Diagnostics garantis si les tests de détection sont justes
Diagnostic erroné possible si corrigé
Tous les défauts ne sont pas équiprobables
22
0 5000 10000 150000
5
10
qe1
0 5000 10000 150000
5
qe2
0 5000 10000 15000-20
0
20
h1
0 5000 10000 15000-50
0
50
h2
0 5000 10000 15000-0.05
0
0.05
r1
0 5000 10000 15000-0.5
0
0.5r2
0 5000 10000 15000-0.2
0
0.2
r3
Que s'est-il passé ?Biais sur H2 (2 cm) et sur VKH (0.2 l/s)(Les défauts multiples ne sont pas trouvés)
Description du problème
0 Pas d’alarme
1 Alarme
1 Alarme
Diagnostic
Erreur de diagnostic
AN( H1 )
23
Acquisition de données (Observations)
Variables connues (les mesures)
Modèles de références(Desc. du système)
(Modèle + Validité+ hypothèse)
Construction des SST
Raisonnement diagnostic
Quel test ? Quand ?Quand ré-initialiser un test ?
Déclenchement des tests MF ?
Une analyse garantie permet de remonter aux fausses alarmes.
Analyse les symptômes fournis par les tests de
détection
tests de détection(Signal) Symptômes
Analyse diagnostique
logique
Le résultats diagnostic
(Composants en défauts,….)
Compare le comportement réel d’un système physique à
des modèles de référence
tests de détection(Observateur)tests de détection
(Causal)
tests de détection(Neuronal)« génération
de symptômes »
Stratégie de diagnostic
Garantir l’analyse diagnostic
24
Conflits minimaux : { AN(BH), AN(RH), AN(BB), AN(RB), AN(H2), AN(VKH), AN(VKB)}
{ AN(RH), AN(BB), AN(RB), AN(H1), AN(H2), AN(VKB)}
Calcul des diagnostics minimaux
[Reiter, 1987] corrigé par [Greiner et al., 1989]
Matrice de composition Matrice des hypothèses
(recherche de diagnostic par Matrice dynamique)
Un test inconsistant (Alarme) un conflit
25
Diagnostics minimaux sûrs [Reiter, 87] :D = {AN(RH), AN(BB), AN(RB), AN(H2), AN(VKB), AN(BH)^AN(H1),
AN(H1) ^AN(VKB) }
Recherche par Matrice dynamique
L'analyse diagnostique consiste à déduire un diagnostic en terme de composants défaillants à partir des symptômes disponibles.
26
0 5000 10000 150000
5
10
qe1
0 5000 10000 150000
5
qe2
0 5000 10000 15000-20
0
20
h1
0 5000 10000 15000-50
0
50
h2
0 5000 10000 15000-0.05
0
0.05
r1
0 5000 10000 15000-0.5
0
0.5r2
0 5000 10000 15000-0.2
0
0.2
r3
Que s'est-il passé ?
Diagnostics
Biais sur h2 (2 cm) et sur qe1 (0.2 l/s)(Les défauts multiples sont trouvés)
AN(H1)
AN(RH)
AN(BH) AN(BB) | AN(BH) AN(RB) AN(BH) AN(H2) | AN(BH) AN(VKB)
AN(BB) AN(VKH) | AN(RB) AN(VKH)
AN(H2) AN(VKH) | AN(VKH) AN(VKB)
Exemple d’analyse diagnostique garantie
0 Pas d’alarme
1 Alarme
1 Alarme
27
Plan de l’exposé
1) Introduction
2) Appréhender la complexité
3) Fiabiliser les tests de détection4) Garantir l’analyse diagnostique5) Améliorer la sensibilité de l’analyse
diagnostique 6) Appréhender la distribution
spatiale et l’évolutivité7) Conclusion générale8) Perspectives
28
Améliorer la sensibilité de l’analyse
diagnostique
Fournir des pré-diagnostics avant qu’un défaut soit avéré
Tous les tests de détection ne conduisent pas toujours à des décisions sûres
Exploiter les incertitudes pour la hiérarchisation des diagnostics
29
Principe : traduction en logique floue
Prendre en compte l’incertain
Sans exonération
Avec exonération
Test Invalide
ˆ/ , ,k k k k k k k kt t t t t t t t H
ˆ/ , pas d'information sur k k k k kt t t t t H
ˆ/ , ,k k k k k k k kt t t t t t t t H
Incertitudes de décision
0
1
Zones de doute
Seuil 2- Seuil 2 - Seuil 1 - Seuil 1Pas d’alarme
Alarme D
D
Fonction d’appartenance
30
Traitement des symptômesSymptôme:
•Référence du test (algorithme)•Résultat du test•Validité du modèle•Instant de détection
Fonction de fusion
Validité du modèle
Résultat
du test
La décision finale“Niveau de confiance du test de détection”
31
Description du problème
Biais sur qe1 (0.2 l/s)
Diagnostics
AN(BH)
AN(RH)
AN(H1)
AN(VKH)
formel 0,68 0,68 0,68 0,68
circ. 0,56 0,23 0,56 0,56
0 5000 10000 150000
5
10
qe1
0 5000 10000 150000
5
qe2
0 5000 10000 15000-20
0
20
h1
0 5000 10000 15000-50
0
50
h2
0 5000 10000 150000
0.5
1
0 5000 10000 150000
0.5
1
0 5000 10000 150000
0.5
1
0,68
u
q e1
q s1 = k .h 1
q s2 = k .h 2
k
k
S
S
k
h 1
h 2
k
q e2
50 c m
50 c m
Niveau de confiance
32
¬AN(C1
)¬AN(C2
)¬AN(C3
)¬AN(C4
)¬AN(C5
)¬AN(C6
)
Test
1
1 1 1 0 0 1
Test
2
0 0 1 1 1 0
Test
3
1 1 0 1 1 0
Symptômes
Test 1
0.2
Test 2
0.6
Test 3
0.8
1
2
3
2
3
1
:
: 80
0
: 6
%
8 %
0%
A
A C
N C
A C
N
N
AN C
AN C
AN C
4
5
6
4
5
6
: 80%
: 80%
: 20%
AN C
AN C
AN C
AN C
AN C
AN C
Prendre en compte l’incertain
1) Il n’existe pas de symptômes sûrs :
Symptômes / ignorés
Diagnostics simple AN(Ci ) et vraisemblance ˆmaxi ii hi
h tt
HT
ˆ 0it
H
Exemple
Vraisemblance des diagnostics
33
1iT d
Symptômes
Test 1
1
Test 2
0.6
Test 3
1 min 1 2 3 4 3 5 4 6, , , ,D AN C AN C AN C AN C AN C AN C AN C AN C
¬AN(C1
)¬AN(C2
)¬AN(C3
)¬AN(C4
)¬AN(C5
)¬AN(C6
)
Test
1
1 1 1 0 0 1
Test
2
0 0 1 1 1 0
Test
3
1 1 0 1 1 0
Prendre en compte l’incertain
Exemple
2) Il existe des symptômes sûrs :
Diagnostics sûrs, ils correspondent aux diagnostics à base de consistance,
Vraisemblance des diagnostics :
34
Distance de Hamming entre signatures de défaut et la signature des symptômes
Plausibilité circonstancielle
Symptômes
Test 1
0.2
Test 2
0.6
Test 3
0.8Symptôme 1 Symptôme 2
Test 1
0 1
Test 2
1 0
Test 3
0 1
1
0
¬AN(C1
)¬AN(C2
)¬AN(C3
)¬AN(C4
)¬AN(C5
)¬AN(C6
)
Test
1
1 1 1 0 0 1
Test
2
0 0 1 1 1 0
Test
3
1 1 0 1 1 0
1
2
3
1
2
3
1
2
3
; 0.47
; 0.47
; 0.
: 0.80
: 0.80
: 0 3. 0 36
AN C
AN C
AN C
AN C
AN C
AN C
AN C
A C ANN C
4
5
6
4
5
4
5
66
: 0.80
: 0.8
; 0.73
; 0.73
;
0
: 0.20 0.27
AN C
AN C
AN C
AN C
AN C
AN
AN C
AN
C
C
AN C
Exemple
Plausibilité circonstancielle
35
Retrouver les tests défaillants
DiagnosticsAN(BH) | AN(H1) | AN(VKH)
AN(RH)
u
q e1
q s 1 = k .h 1
q s2 = k .h 2
k
k
S
S
k
h 1
h 2
k
q e2
50 c m
50 c m
Résultats des tests
État réel du système
‘ VKB ’
Vérifier l’état réel
du système
Retrouver les tests
défaillants ???
Alarme (100%)
36
Retrouver les tests défaillantsVKB défaillant implique :
Fause alarme : test 3 (100%)non-détection tests 1 (100%)non-détection tests 2 (100%)
VKH & HB défaillants implique :
diagnostic justenon-détection tests 1 (100%)non-détection tests 2 (100%)
Diagnostics
u
q e1
q s 1 = k .h 1
q s 2 = k .h 2
k
k
S
S
k
h 1
h 2
k
q e2
50 c m
50 c m
Une erreur conduit à une désactivation
Une non-détection est seulement prise en compte dans les statistiques sur les tests
AN(BH) | AN(H1) | AN(VKH)
AN(RH)
Conclusion
37
Plan de l’exposé
1) Introduction
2) Appréhender la complexité
3) Fiabiliser les tests de détection4) Garantir l’analyse diagnostique5) Améliorer la sensibilité de l’analyse
diagnostique 6) Appréhender la distribution
spatiale et l’évolutivité7) Conclusion générale8) Perspectives
38
Appréhender la distribution spatiale et
l’évolutivité
Concevoir une architecture SMA
Système communicant
Système ouvert (Plug and play)
39
Système de diagnostic distribué
SCADA (temps réel)
Descriptiondu Système
Environnement
Agentsécouteurs
Agentstesteurs
AgentDiagnostic
CommunicationSpécialisée
CommunicationFIPA
AgentMaintenanceConstructeur
d’agent
AgentIHM
Opérateur
MAGIC (Multi-Agents Based Diagnostic Data Acquisition and Management in Complex systems)
architecture horizontale, non hiérarchique, distribuée
40
Architecture et Communication entre agents
Signal
Couche spécifiqueDA
Couche de Communication
Modèle Analytique
“Observateur“
Couche spécifiqueDA
Couche de Communication
Symptôme:• Référence de l’agent• Résultat du test• Résultat du test• Validité du modèle• Instant de détection• Composants testés
CORBA / FIPA
Agent A
CerveauCORBA
FIPA / spécialisé
Agent B
Cerveau
FIPA / spécialisé
CL CL
Architecture d’un agent dans MAGIC
Couche spécifiqueDA
Couche de Communication
Algorithmes
(et interfaces graphiques )
Infrastructure de communication
C++
Couche spécifiqueDiagnostic Decision Agent (DDA)
Couche de communication
Raisonnement diagnostic
Détection des fausses alarmes
Stratégie de diagnostic
41
Agent d’Analyse diagnostique dans MAGIC
Principales relations entre l’agent d’analyse diagnostique et les autres agents MAGIC
42
Conclusion générale
Adaptation des algorithmes de détection et d’analyse diagnostique au contexte distribué.
Prise en compte de la validité.
Approche garantie de diagnostic.
Prise en compte d’informations graduelles sur le déclenchement des alarmes.
Proposition d’indicateurs de performance pour le choix d’une stratégie diagnostic
Contribution à la conception d’un SMA pour le diagnostic (distribution spatiale et évolutivité).
Notre contribution est :
43
Perspectives
Génération automatique des tests de détection
Prise en compte du mauvais fonctionnement dans l’analyse diagnostique
Distribuer l’analyse diagnostique en utilisant le paradigme multi-agent
44
MERCI !