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 !