La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

1 DIAGNOSTIC LOGIQUE DES SYSTEMES COMPLEXES DYNAMIQUES DANS UN CONTEXTE MULTI-AGENT Directeurs de thèse : Jean-Marie Flaus et Stéphane Ploix THESE DE DOCTORAT.

Présentations similaires


Présentation au sujet: "1 DIAGNOSTIC LOGIQUE DES SYSTEMES COMPLEXES DYNAMIQUES DANS UN CONTEXTE MULTI-AGENT Directeurs de thèse : Jean-Marie Flaus et Stéphane Ploix THESE DE DOCTORAT."— Transcription de la présentation:

1 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 Fourier Spécialité : Automatique-Productique présentée par Samir Touaf Le 2 mars 2005

2 2 1) Introduction 2) Appréhender la complexité 3) Fiabiliser les tests de détection 4) Garantir lanalyse diagnostique 5) Améliorer la sensibilité de lanalyse diagnostique 6) Appréhender la distribution spatiale et lévolutivité 7) Conclusion générale 8) Perspectives Plan de lexposé

3 3 1) Introduction 2) Appréhender la complexité 3) Fiabiliser les tests de détection 4) Garantir lanalyse diagnostique 5) Améliorer la sensibilité de lanalyse diagnostique 6) Appréhender la distribution spatiale et lévolutivité 7) Conclusion générale 8) Perspectives

4 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 dalarmes reçues important

5 5 Hypothèse vraie ou fausse ? Test Détection Localisation Démarre Hypothèse vraie ou fausse ? Symptômes Diagnostic global … Analyse Diagnostic Diagnostic faux Description du problème Test 2 Test 3 Test 1

6 6 Principe : Test de détection

7 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 temps Apparition dun défaut Principe de non-exonération

8 8 Description du système Représentation détat: Exemple : Approche traditionnelle (1)

9 9 TEST 1 : 1 er observateur d'état indépendant de h 1 TEST 2 : 2 ème observateur d'état indépendant de q e1 TEST 3 :3 ème observateur d'état indépendant de h 2 et de q e2 Exemple : Approche traditionnelle (2)

10 10 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 Etat du composant (habituel dans le diagnostic à base de consistance) Condition de validité Condition de validité Validité du modèle: Quand le modèle peut être utilisé Formalisme proposé Modèle de composant : modélise un composant C k dans un état donné

11 11 Exemple : Système des deux bacs Description du système AN(RH) AN(BB) AN(RB) AN(H 1 ) AN(H 2 ) AN(VKH) AN(VKB) AN(BH) Composant État Actionneurs et capteurs modélisés

12 12 Un SST est un ensemble de relations élémentaires : Permet la modélisation dun sous-système physique, Conduit à au moins une fonction de test, Ne comporte pas dhypothèses 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 dalgorithme causal, détection à base dalgorithme de traitement de signal,…) Les sous-systèmes testables (SST) Modèle comporteme ntal dun sous-système testable Condition de validité dun sous- système testable Hypothèses sur létat des composants vérifiés par le test test Conduit

13 13 Support du test Validité du test Hypothèse du test Exemple de sous-système testable Test 1

14 14 Symptôme: Référence du test (algorithme) Résultat du test (Alarme | Pas dAlarme) Validité du modèle Instant de détection Composants testés tests de détection à base dalgorithmes de traitement du Signal tests de détection à base dalgorithmes de traitement du Signal tests de détection à base de modèles analytiques tests de détection à base de modèles analytiques tests de détection à base de modèles Causaux tests de détection à base de modèles Causaux tests de détection à base dalgorithmes Neuronaux tests de détection à base dalgorithmes Neuronaux Analyse diagnostique « Génération de symptômes » Exemple de sous-système testable

15 15 Plan de lexposé 1) Introduction 2) Appréhender la complexité 3) Fiabiliser les tests de détection 4) Garantir lanalyse diagnostique 5) Améliorer la sensibilité de lanalyse diagnostique 6) Appréhender la distribution spatiale et lévolutivité 7) Conclusion générale 8) Perspectives

16 16 Fiabiliser les tests de détection Exploiter la validité du modèle dans lanalyse diagnostique

17 qe qe h h r r r3 Que s'est-il passé ? Rien du tout mais (validité nest pas prise en compte) Diagnostics Rien du tout ! Description du problème Seuils de détection Alarme Pas dalarme

18 18 Test 1 Test 2 Test 3 Prendre en compte la validité du modèle

19 19 1.Sans exonération Si un test de détection est invalide alors les hypothèses vérifiées par le test peuvent être soit vraies ou fausses. Définition de base dun test de détection Résultat du test Validité du modèle 2.Avec exonération Modèle comportem ental dun SST Condition de validité dun SST Condition de validité dun SST Hypothèses sur létat des composants vérifiés par le test

20 20 Plan de lexposé 1) Introduction 2) Appréhender la complexité 3) Fiabiliser les tests de détection 4) Garantir lanalyse diagnostique 5) Améliorer la sensibilité de lanalyse diagnostique 6) Appréhender la distribution spatiale et lévolutivité 7) Conclusion générale 8) Perspectives

21 21 Garantir lanalyse diagnostique Diagnostics garantis si les tests de détection sont justes Diagnostic erroné possible si corrigé Tous les défauts ne sont pas équiprobables

22 22 Que s'est-il passé ? Biais sur H 2 (2 cm) et sur VKH (0.2 l/s) (Les défauts multiples ne sont pas trouvés) Description du problème 0 Pas dalarme 1 Alarme 1 Diagnostic Erreur de diagnostic AN( H 1 )

23 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 dun 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 lanalyse diagnostic

24 24 Conflits minimaux : { AN(BH), AN(RH), AN(BB), AN(RB), AN(H 2 ), AN(VKH), AN(VKB)} { AN(RH), AN(BB), AN(RB), AN(H 1 ), AN(H 2 ), 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 25 Diagnostics minimaux sûrs [Reiter, 87] : D = {AN(RH), AN(BB), AN(RB), AN(H 2 ), AN(VKB), AN(BH)^AN(H 1 ), AN(H 1 ) ^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 26 Que s'est-il passé ? Diagnostics Biais sur h 2 (2 cm) et sur q e 1 (0.2 l/s) (Les défauts multiples sont trouvés) AN(H 1 ) AN(RH) AN(BH) AN(BB) | AN(BH) AN(RB) AN(BH) AN(H 2 ) | AN(BH) AN(VKB) AN(BB) AN(VKH) | AN(RB) AN(VKH) AN(H 2 ) AN(VKH) | AN(VKH) AN(VKB) Exemple danalyse diagnostique garantie 0 Pas dalarme 1 Alarme 1

27 27 Plan de lexposé 1) Introduction 2) Appréhender la complexité 3) Fiabiliser les tests de détection 4) Garantir lanalyse diagnostique 5) Améliorer la sensibilité de lanalyse diagnostique 6) Appréhender la distribution spatiale et lévolutivité 7) Conclusion générale 8) Perspectives

28 28 Améliorer la sensibilité de lanalyse diagnostique Fournir des pré-diagnostics avant quun 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 29 Principe : traduction en logique floue Prendre en compte lincertain Sans exonération Avec exonération Test Invalide Incertitudes de décision 0 1 Zones de doute Seuil 2 - Seuil 2 - Seuil 1 Pas dalarme Alarme D D Fonction dappartenance

30 30 Traitement des symptômes Symptôme: 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 31 Description du problème Biais sur q e 1 (0.2 l/s) Diagnostics AN(BH)AN(RH)AN(H1)AN(VKH) formel0,68 circ.0,560,230,56 Niveau de confiance

32 32 ¬ AN(C 1 ) ¬ AN(C 2 ) ¬ AN(C 3 ) ¬ AN(C 4 ) ¬ AN(C 5 ) ¬ AN(C 6 ) Test Test Test Symptômes Test 10.2 Test 20.6 Test 30.8 Prendre en compte lincertain 1) Il nexiste pas de symptômes sûrs : Symptômes / ignorés Diagnostics simple AN(C i ) et vraisemblance Exemple Vraisemblance des diagnostics

33 33 Symptômes Test 11 Test 20.6 Test 31 ¬ AN(C 1 ) ¬ AN(C 2 ) ¬ AN(C 3 ) ¬ AN(C 4 ) ¬ AN(C 5 ) ¬ AN(C 6 ) Test Test Test Prendre en compte lincertain Exemple 2) Il existe des symptômes sûrs : Diagnostics sûrs, ils correspondent aux diagnostics à base de consistance, Vraisemblance des diagnostics :

34 34 Distance de Hamming entre signatures de défaut et la signature des symptômes Plausibilité circonstancielle Symptômes Test 10.2 Test 20.6 Test 30.8 Symptôme 1Symptôme 2 Test 101 Test 210 Test ¬ AN(C 1 ) ¬ AN(C 2 ) ¬ AN(C 3 ) ¬ AN(C 4 ) ¬ AN(C 5 ) ¬ AN(C 6 ) Test Test Test Exemple Plausibilité circonstancielle

35 35 Retrouver les tests défaillants Diagnostics AN(BH) | AN(H 1 ) | AN(VKH) AN(RH) Résultats des tests État réel du système VKB Vérifier létat réel du système Retrouver les tests défaillants ??? Alarme (100%)

36 36 Retrouver les tests défaillants VKB défaillant implique : Fause alarme : test 3 (100%) non-détection tests 1 (100%) non-détection tests 2 (100%) VKH & HB défaillants implique : diagnostic juste non-détection tests 1 (100%) non-détection tests 2 (100%) Diagnostics Une erreur conduit à une désactivation Une non-détection est seulement prise en compte dans les statistiques sur les tests AN(BH) | AN(H 1 ) | AN(VKH) AN(RH) Conclusion

37 37 Plan de lexposé 1) Introduction 2) Appréhender la complexité 3) Fiabiliser les tests de détection 4) Garantir lanalyse diagnostique 5) Améliorer la sensibilité de lanalyse diagnostique 6) Appréhender la distribution spatiale et lévolutivité 7) Conclusion générale 8) Perspectives

38 38 Appréhender la distribution spatiale et lévolutivité Concevoir une architecture SMA Système communicant Système ouvert (Plug and play)

39 39 Système de diagnostic distribué SCADA (temps réel) Description du Système Environnement Agents écouteurs Agents testeurs Agent Diagnostic Communication Spécialisée Communication FIPA Agent Maintenance Constructeur dagent Agent IHM Opérateur MAGIC ( Multi-Agents Based Diagnostic Data Acquisition and Management in Complex systems) architecture horizontale, non hiérarchique, distribuée

40 40 Architecture et Communication entre agents Signal Couche spécifique DA Couche de Communication Modèle Analytique Observateur Couche spécifique DA Couche de Communication Symptôme: Référence de lagent Résultat du test Validité du modèle Instant de détection Composants testés CORBA / FIPA Agent A Cerveau CORBA FIPA / spécialisé Agent B Cerveau FIPA / spécialisé CL Architecture dun agent dans MAGIC Couche spécifique DA Couche de Communication Algorithmes (et interfaces graphiques ) Infrastructure de communication C ++ Couche spécifique Diagnostic Decision Agent (DDA) Couche de communication Raisonnement diagnostic Détection des fausses alarmes Stratégie de diagnostic

41 41 Agent dAnalyse diagnostique dans MAGIC Principales relations entre lagent danalyse diagnostique et les autres agents MAGIC

42 42 Conclusion générale Adaptation des algorithmes de détection et danalyse diagnostique au contexte distribué. Prise en compte de la validité. Approche garantie de diagnostic. Prise en compte dinformations graduelles sur le déclenchement des alarmes. Proposition dindicateurs de performance pour le choix dune stratégie diagnostic Contribution à la conception dun SMA pour le diagnostic (distribution spatiale et évolutivité). Notre contribution est :

43 43 Perspectives Génération automatique des tests de détection Prise en compte du mauvais fonctionnement dans lanalyse diagnostique Distribuer lanalyse diagnostique en utilisant le paradigme multi-agent

44 44 MERCI !


Télécharger ppt "1 DIAGNOSTIC LOGIQUE DES SYSTEMES COMPLEXES DYNAMIQUES DANS UN CONTEXTE MULTI-AGENT Directeurs de thèse : Jean-Marie Flaus et Stéphane Ploix THESE DE DOCTORAT."

Présentations similaires


Annonces Google