Vers l’intégration diagnostic/pronostic pour la ... · Module de diagnostic : fournit un...

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


� 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


� 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


→ 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


� Optimiser la maintenance − Réduire / affiner les hypothèses de diagnostic : améliorer la diagnosticabilité

7



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


− 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


• 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=


• 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


• 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


Module de compositionModule de Pronostic

Modèles de vieillissement

Classes de mission


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 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



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


→ 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


− 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

Vers l’intégration diagnostic/pronostic pour la ... · Module de diagnostic : fournit un...

Documents

Transcript of Vers l’intégration diagnostic/pronostic pour la ... · Module de diagnostic : fournit un...