vers l’intégration diagnostic/pronostic pour la ... · module de diagnostic : fournit un...
TRANSCRIPT
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué:
Workshop MOCOSY – 26 Mars 2009
Application aux systèmes aéronautiques
Pauline Ribot
LAAS CNRS – Groupe DISCO, Université de Toulouse
Directeurs de thèse : Yannick Pencolé et Michel Combacau
ContexteContexte
� Maintenance d’un système aéronautique − Système aéronautique
• Ensemble d’équipements (LRU) assurant un ensemble de fonctions
− Améliorer la fiabilité, la sécurité, la qualité du système
− Actions de maintenance• Remplacer les équipements en panne (incapables de réaliser leur fonction)
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
• Remplacer les équipements en panne (incapables de réaliser leur fonction)
• Enjeu économique : minimiser la durée des interventions, minimiser le nombre d’actions de maintenance
− Décision d’action de maintenance complexe• Système distribué : ensemble de composants hétérogènes
• Différents concepteurs, intégration complexe des composants
→ Projet ARCHISTIC avec Airbus et l’ENIT
2
S = <Comp, Func>– Comp={C1, …, Cn}
• Un composant Ci implémente un ensemble de fonctions basiques {BFj, …, BFk}
– Func = {F1, …, Fm}• Modèle fonctionnel : décrit les dépendances entre fonctions (Bfunc, Func)
– Introduction de deux applications : Pred , n/m (exprime les redondances)
Modélisation du système distribuéModélisation du système distribué
Modèle structurel Modèle fonctionnel
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué 3
BF4(C3)
BF3(C1)
BF2(C2)
BF1(C1)1/2, F2
3/3, F1C1
C2
C3
C4
C5
Modèle structurel Modèle fonctionnel
1/2[Pred(F2)]={{BF1}{BF2}}
Motivations et objectifsMotivations et objectifs
� Nouvelles technologies embarquées − Mettre en place une architecture de supervision embarquée
• Surveillance des composants du système
• Détection en ligne des problèmes/ pannes
− Nécessité d’un diagnostic de maintenance en ligne du système
• Fournir un diagnostic de panne : équipements à remplacer (analyser l’état fonctionnel du système)
� Optimisation de la maintenance
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué 4
� Optimisation de la maintenance− Améliorer l’efficacité de la maintenance préventive (programmer les phases de maintenance)
− Intégration d’une fonction pronostic
Développer une architecture de diagnostic et de pronostic pour un système distribué afin d’aider à la maintenance de systèmes complexes
Recommandations d’actions de maintenance
Module d’aide à la décision
Système
Module de Diagnostic
Module de surveillance
Module de supervision Module de Pronostic
SommaireSommaire
� Contexte
� Modélisation d’un système distribué
� Motivations et objectifs
� Module de diagnostic
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué 5
� Diagnosticabilité
� Module de pronostic
� Architecture de surveillance et de maintenance
� Conclusion et perspectives
� Diagnostic classique à base de modèle
Module de diagnosticModule de diagnostic
Système physique Modèle du système
Comportementobservé
Comportementprédit
ComparaisonDétection
d’incohérences
Détection de faute
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
→ Rétablir la cohérence entre les observations et la connaissance du système
− Modèle fonctionnel du système− Modèles de comportement du système
• Comportement normal• Comportement en présence de faute
6
Diagnostic
IdentificationDétection de faute
(Faute sur un composant = composant en panne)
� Diagnostic classique à base de modèle− Résultat de diagnostic : ensemble d’hypothèses expliquant les observations
∆(S)=H1 ∨ H2 ∨ … ∨ Hn
• Hi, hypothèse de diagnostic incriminant un ou plusieurs composants susceptibles d’être en panne (incapables de réaliser leur fonction)
Ex : H1 = C1 ∧ ¬C2 ∧ ¬C3 ; H2 = C2 ∧ ¬C1 ∧ ¬C2 ; H3= C2 ∧ C3 ∧ ¬C1
Module de diagnosticModule de diagnostic
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
� Optimiser la maintenance − Réduire / affiner les hypothèses de diagnostic : améliorer la diagnosticabilité
7
Module de Diagnostic
Module de surveillance
Module de supervision
Modèles de faute
Modèles nominaux
Module de diagnostic : fournit un diagnostic de panne sur le système(détermine les composants à remplacer)
� Diagnosticabilité− Mesure la capacité / la performance d’une méthode de diagnostic sur le système− Diagnosticable : ∆ = H1 (Résultat de diagnostic certain)
• Un choix d’action de maintenance totalement déterminé : Maintenance optimale
� Etablir des pré-requis de conception : proposition d’une méthodologie− Cadre : systèmes à événements discrets distribués− Objectif : Etablir des recommandations au niveau conception sur les spécifications pour
DiagnosticabilitéDiagnosticabilité
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
− Objectif : Etablir des recommandations au niveau conception sur les spécifications pour les composants afin d’améliorer et garantir la diagnosticabilité d’un système distribué
• Augmenter l’observabilité des composants (techniques de placement de capteurs)• Minimiser le coût d’intégration du système distribué (conception, surveillance)
Design requirements for the diagnosability of distributed discrete event systems, P. Ribot,
Y. Pencolé, M. Combacau - DX'08, 19th International Workshop on Principles of
Diagnosis, September 22-24, 2008, Blue Mountains, Australia.
8
� Prédiction de la durée de vie résiduelle (RUL) d’une entité E− RUL : temps à partir duquel le composant (système) sera défaillant − Loi de vieillissement à partir de données issues de bancs de test− Facteurs de stress : sollicitations externes anormales, occurrence d’une faute
� Fonction de pronostic− Fournit la probabilité de défaillance d’une entité tout au long de sa vie :
Module de Pronostic Module de Pronostic –– RUL et ettfRUL et ettf
tp
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
• Remplacer l’entité avant tp• pE, seuil fixé par le système d’aide à la décision
− Systèmes complexes : composants redondants et totalement hétérogènes→ Pronostic fonctionnel : estimer le temps jusqu’à la défaillance de chaque fonction F
→ Représentation générique du pronostic des fonctions : distribution de Weibull
9
E
t
0
Ep pdt)t(f que telt)E(RUL
p
== ∫
F
t
0
Fp pdt)t(f que telt)F(ettf
p
== ∫
� Représentation générique de pronostic : Modèle de Weibull− Modèle flexible, très utilisé dans les analyses de fiabilité
− Fournit la probabilité de défaillance d’une fonction F à tout instant
( ) β
ηγ−−
−β
ηγ−
ηβ=γηβ
t1
et
),,;t(W
Module de Pronostic Module de Pronostic –– Fonction génériqueFonction générique
),,;t(W)t(f FFFF γηβ=
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
• Paramètres modélisant le vieillissement de F
),,;t(W)t(f FFFF γηβ=
• γF = 0, paramètre de localisation• βF, paramètre de forme fixé pour modéliser la période de vie utile • ηF, paramètre d’échelle modifié par les facteurs de stress
Comment les facteurs de stress influencent la distribution de Weibull ?
10
� Sollicitations anormales du composant− Modification du temps jusqu’à la défaillance : ettf(F) − Mise à jour du paramètre η de la distribution de Weibull
� Déterminer η par une fonction des facteurs de stress :
• f, fonction obtenue à partir de modèles de vieillissement (dégradation)• EF: Conditions environnementales• I : Interactions entre composants• D : Faute dans le composant
)MC,I,D,EF(f=η
Module de Pronostic Module de Pronostic –– Effet d’un stress anormalEffet d’un stress anormal
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
• D : Faute dans le composant• MC : Classe de missions futures (estimation du stress futur)
� Obtenir un pronostic pour chaque classe de missions− Une classe de missions : un niveau de stress du composant− Déterminer une valeur de η pour chaque classe de missions
� Module de pronosticFournit un ensemble de densités de probabilité (Weibull) avec différentes valeurs de η pour chaque classes de mission
11
� RUL d’un composant :
� RUL d’un système− Composition des ettf(F) des fonctions basiques requises pour la fonction système– Considérer les dépendances fonctionnelles– Raisonner directement sur le paramètre η des distributions de probabilité de défaillance
[ ])F(ettf),...,F(ettfmin)C(RUL m1i =
Module de Pronostic Module de Pronostic –– Composant et systèmeComposant et système
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
Module de compositionModule de Pronostic
Modèles de vieillissement
Classes de mission
Module de surveillance
Modèle fonctionnel
Prognostics for the maintenance of distributed systems, P. Ribot, Y. Pencolé, M. Combacau - International Conference on Prognostics and Health Management, October 6-10, 2008, Denver, USA
12
Module de surveillance
Module de supervisionModule de Pronostic
Architecture de surveillance et de maintenanceArchitecture de surveillance et de maintenance
Module d’aide à la décision
Système
Recommandations
Modèles de vieillissement
Classes de mission
Modèle fonctionnel
Module de composition
Future mission
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
Module de Diagnostic
surveillance
Modèles de faute
Modèles nominaux
à la décision Recommandations d’actions de maintenance
Risque
Comment exploiter le diagnostic pour le pronostic ?
13
� Pronostic : prédiction temporelle (RUL) à partir de modèles de vieillissement
� Diagnostic : détection des occurrences de faute dans les composants (pannes)
→ Considérer l’impact d’occurrences de fautes sur l’usure des components
Lien entre diagnostic et pronostic Lien entre diagnostic et pronostic
Degradation threshold
Estimated degradation law(from diagnosis result)
Diagnosis result
Degradation measure
Nominal degradation law
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
→ Pronostic adaptatif : Estimation plus précise du RUL− Mettre à jour le pronostic avec le résultat de diagnostic
14
Time
Estimated RUL (t) RUL(t)
Diagnosis result
(failures, abnormal solicitations, …)
Life cycle
t
Nominal degradation law(provided by reliability for
example)
� Développement d’une architecture de supervision qui aide à la maintenance d’un système distribué
� Maintenance niveau système : Pronostic fonctionnel − Fonction générique de pronostic (distribution de Weibull)
� Importance du diagnostic pour le pronostic− Considérer l’impact d’occurrences de fautes sur l’usure des components
Conclusion et perspectivesConclusion et perspectives
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué
− Mise à jour du pronostic avec un résultat de diagnostic : pronostic adaptatif • Estimation plus précise du RUL
� Couplage diagnostic / pronostic− Connaissance commune au diagnostic et pronostic (modèle structurel et fonctionnel)− Nécessité d’une représentation générique du diagnostic et du pronostic pour la communication
entre modules
� Lien diagnosticabilité / pronosticabilité− Diagnostic précis : résultat de pronostic précis− Extension du problème de placement de capteurs pour le pronostic (capteurs d’usure)
15
Vers l’intégration diagnostic/pronostic pour la maintenance d’un système distribué:
Workshop MOCOSY – 26 Mars 2009
Application aux systèmes aéronautiques
Pauline Ribot
LAAS CNRS – Groupe DISCO, Université de Toulouse
Directeurs de thèse : Yannick Pencolé et Michel Combacau