SURVEILLANCE ET DIAGNOSTIC DES PHASES TRANSITOIRES DES SYSTEMES HYBRIDES

SURVEILLANCE ET DIAGNOSTIC DES PHASES
TRANSITOIRES DES SYSTEMES HYBRIDES

Les approches de signature temporelle

Ces approches reposent sur la représentation et la reconnaissance de parties d’évolution d’un SED à travers une séquence d’événements observés. Différentes définitions sont proposées: chronique, scénario, session, template, etc. Malgré cette diversité, toutes les approches présentent des similarités conceptuelles fondées sur un objectif commun : le suivi et le diagnostic. La différence réside essentiellement dans le mécanisme (algorithme) de reconnaissance (le critère de similarité adoptée entre l’observation et la signature) et la représentation ou non des comportements anormaux. La principale contrainte de ces approches est la difficulté d’acquisition et de mise à jour de la base de connaissance. Les techniques d’apprentissage sont alors considérées dans certains travaux [Cordier & Dousson, 00].

Chronique

Une chronique peut être considérée comme un ensemble de motifs d’événements liés par un ensemble de contraintes contextuelles et temporelles. Si des événements observés correspondent aux motifs de la chronique et si leur occurrence a lieu selon le contexte et les contraintes spécifiés alors une instance de la chronique modélisée doit être reconnue. Le système de reconnaissance reçoit un flux d’entrée d’événements datés et reconnaît un motif temporel (modèle de la chronique) au cours du temps et envoie les chroniques reconnues vers la sortie (séquence d’événements reconnus). La figure 3.3 illustre l’architecture proposée par [Dousson, 9] .L’approche est essentiellement un processus de raisonnement temporel basé sur une prédiction complète de la date possible d’arrivée d’un événement attendu. L’ensemble de toutes ces valeurs (appelées fenêtre temporelle) est réduit par la propagation des dates des événements observés sur un graphe de contraintes temporelles. Le processus de reconnaissance est incrémenté au fur et à mesure de l’arrivée de nouveaux événements. L’incertitude ou l’imprécision sur les dates est prise en compte à travers des délais. La surveillance, à partir de chroniques, d’un système dynamique continu nécessite la transformation d’un signal en un flot d’événements, ce qui correspond à la détermination de motifs particuliers ou à l’abstraction de la dynamique continue à partir un partitionnement (définition de seuils sur la valeur ou sur la dérivé des signaux). Le partitionnement est fondé sur un critère de discriminabilité entre chroniques. Dans le cadre du projet TIGER [Cauvin et al., 98] sur la surveillance d’une turbine à gaz, [Dosson, 94], [Ghallab, 96] propose, à partir d’un modèle qualitatif représenté par un graphe causal (Projet Ca~En), l’obtention des chroniques qui décrivent les influences entre les variables. Pour chaque relation de causalité (influence), deux chroniques mutuellement exclusives sont utilisées pour la vérification du fonctionnement. Cependant, le critère de définition des seuils et la prise en compte des enveloppes d’incertitude sur les dynamiques restent encore ouverts et proposés comme perspective. Ce contexte correspond bien à la problématique de base de notre travail. L’association du formalisme de réseau de Petri et des chroniques pour l’analyse de la propagation de défaut est proposée par [Aghasaryan & Dousson, 01]. Le problème de diagnostic consiste à inférer sur les historiques de défauts à partir d’un ensemble d’alarmes (chroniques) observées. Un modèle probabiliste est proposé et des contraintes temporelles sont considérées de façon à permettre la discrimination entre les différentes histoires de défaut qui peuvent générer la même observation. Les notions de causalité, conflit, concurrence, dépliage, branchement temporel (time branching net) liées au formalisme de réseau de Petri [Guerraz & Dousson, 04] permettent la modélisation, l’identification et la discrimination des histoires de défaut. Selon les auteurs, l’approche peut être étendue à un problème de suivi dans le cas où les places ne représentent plus des défauts mais des états du procédé. Ce contexte a été également exploité dans notre approche. Dans cette approche, il n’y a pas d’hypothèse sur ce que représente la chronique: elle peut être associée à un comportement normal ou de défaut. Chaque défaut fi ∈ F doit être associé à un modèle de chronique. La principale difficulté de l’approche est l’acquisition d’une base de chroniques correcte et complète et son maintien lorsque des changements fonctionnels et topologiques sont effectués sur le système [Cordier & Dousson, 00]. Ainsi des mécanismes d’apprentissage sont proposés : non supervisé (basé sur la fréquence d’occurrence d’alarmes) et supervisé (basé sur l’intégration d’un modèle comportemental du système pour acquérir par apprentissage l’ensemble des chroniques). La figure 3.4 illustre l’architecture de surveillance proposée pour un réseau de télécommunication (Projet GASPAR (Gestion d’Alarmes par Simulation de Pannes sur Réseau de télécommunication), Groupe de recherche ALARME) [Cauvin et al., 98].

Scénario et session

Le problème de reconnaissance de signature temporelle de [Fontaine & Ramaux, 98] consiste à vérifier la distance ou proximité entre le scénario S (modèle du comportement dynamique du système) et une session Σ (le comportement observé) sur une représentation à base de graphes temporels. Les scénarios représentent les modes de comportements normaux ou de défaut au moyen de modèles temporels profonds. L’identification et la discrimination d’un défaut (session) consiste à vérifier qu’un scénario qui présente le plus petit indice de chevauchement (temporal overlapping) ou compatibilité (pour des graphes compatibles) ou indice de distance temporelle (temporal difference index) ou incompatibilité (pour des graphes incompatibles, disjoints) entre les graphes. La figure 3.5 illustre cette notion. Figure 3.5 : La distance entre scénario et session Les scénarios neutres (neutral scenarios) sont également définis pour des sessions non reconnues permettant la détection d’incohérences et leur insertion a posteriori dans le modèle du système. Ce principe est considéré, en général, dans les approches de reconnaissance de formes et de diagnostic à base de modèles basées sur la cohérence de façon à doter le système d’un mécanisme de mise à jour sur les modes comportementaux répertoriés.

Table des matières

INTRODUCTION GENERALE
CHAPITRE 1 Contexte général
1.1. Terminologie de référence et définitions adoptées
1.2. La problématique de surveillance et de diagnostic
1.2.1. Considérations initiales
1.2.2. La taille de l’installation et la complexité des relations
1.2.3. Les phases transitoires
1.2.4. Les écarts marginaux
1.3. Conclusions
CHAPITRE 2 Diagnostic : méthodes et modèles
2.1. Les approches relationnelles
2.2. Les méthodes de traitement de donnée
2.2.1. Le diagnostic par Analyse Qualitative de Tendance (AQT)
2.2.2. Le diagnostic par reconnaissance de forme
2.2.2.1. Le principe de base
2.2.2.2. Les outils LAMDA et SALSA
2.2.2.3. D’autres approches
2.2.3. L’apprentissage
2.2.4. Conclusions sur les méthodes de traitement de données
2.3. Les méthodes à base de modèles
2.3.1. Considérations générales
2.3.2. Approches basées sur la cohérence
2.3.2.1. Principe de base
2.3.2.2. L’utilisation d’une connaissance de défaut
2.3.3. Les approches à base de modèles quantitatifs (FDI).
2.3.3.1. Principe de base
2.3.3.2. La méthode d’estimation paramétrique
2.3.3.3. La méthode à base d’observateurs (ou banc d’observateurs)
2.3.3.4. Les filtres de Kalman
2.3.3.5. La méthode d’espace de parité
2.3.4. Les méthodes qualitatives basées sur un raisonnement causal
2.3.4.1. Considérations générales
2.3.4.2. L’approche de Gomaa
2.3.4.3. L’approche de Ca~En (CAusal ENgine)
2.3.4.4. L’approche de Evsukoff
2.3.4.5. Conclusion
2.4. Conclusions
CHAPITRE 3 Les approches de diagnostic à base de modèles discrets
3.1. Les approches fondées sur une modélisation orientée composants
3.1.1. Les approches fondées sur la proposition de Sampath
3.1.2. La technique model-checking
3.1.3. Conclusion partielle
3.1.4. L’approche hybride de supervision et surveillance de Andreu
3.2. Les approches de signature temporelle
3.2.1. Chronique
3.2.2. Scénario et session
3.2.3. Templates
3.2.4. Conclusion partielle
3.3. Les approches basées sur l’abstraction de la dynamique continue
3.3.1. Les approches orientées Diagnostic
3.3.1.1. La méthode de diagnostic de Lunze
3.3.1.2. Les approches basées sur un raisonnement temporel explicite
3.3.1.3. D’autres approches
3.3.2. Les approches orientées supervision
3.3.3. Conclusion partielle
3.4. Les approches basées sur un raisonnement flou et la théorie de possibilité
3.5. Conclusions.
CHAPITRE 4 Notre proposition
4.1. Niveau d’abstraction de la dynamique continue
4.2. Le niveau structurel d’influence
4.3. Niveau de configuration
4.4. La surveillance et diagnostic
CHAPITRE 5 Le processus d’abstraction de la dynamique continue
5.1. Une vision générale des méthodes d’abstraction et de partitionnement
5.1.1. Présentation de quelques méthodes d’abstraction
5.1.2. La prise en compte de l’incertitude
5.1.2.1. Les approches avec un raisonnement à base d’intervalles
5.1.2.2. Les travaux liés au projet AQUA
5.1.2.3. Les approches avec un raisonnement temporel
5.1.2.4. L’utilisation des ensembles flous et la théorie de possibilité
5.2. Notre problématique de l’abstraction et le partitionnement
5.2.1. Le partitionnement flou et le raisonnement possibiliste
5.2.1.1. Principe
5.2.1.2. La définition des dates floues
5.2.1.3. La notion d’événement
5.2.1.4. L’analyse temporelle de transition d’état
5.2.1.5. L’interprétation possibiliste d’état qualitatif
5.2.1.6. Analyse temporelle d’incertitude liée à la définition du partitionnement
5.2.2. Les relations de cohérence temporelle entre variables
5.2.2.1. Au niveau MOt
5.2.2.2. Au niveau phase
5.2.2.3. Analyse d’ambiguïté d’état sur Ґe(vm1→vv2) au sein d’une phase
5.3. Conclusions
CHAPITRE 6 Le modèle RdPTF pour la surveillance au niveau MOt
6.1. Le modèle RdPTF
6.1.1. Définition
6.1.2. Principe de base de représentation et d’évolution du RdPTF
6.1.3. Exemple de représentation par RdPTFR
6.2. L’évolution du modèle RdPTF
6.2.1. L’évolution du marquage
6.2.2. Le mécanisme de recalage et le modèle RdPTF estimation
6.2.3. Le mécanisme de suivi et de détection locale
6.3. Le RdPTF et la représentation de cohérence temporelle
6.3.1. Scénario de défaut et diagnostic déductif
6.3.2. La surveillance sur la conduite de l’opérateur
6.4. Considérations complémentaires
6.5. Conclusions
CHAPITRE 7. La surveillance et le diagnostic au niveau phase
7.1. Le modèle RdPTFҐ
7.1.1. Définition
7.1.2. Exemple
7.2. Le mécanisme de la détection et du diagnostic au niveau phase
7.2.1. Le mécanisme de base
7.2.1.1. L’obtention des indices d’écart
7.2.1.2. L’inférence de base pour la décision de localisation
7.2.2. L’affinement du mécanisme
7.3. Structure d’influence et partitionnement flou
7.4. Le RdPTF des modèles de référence et de suivi et la représentation de la cohérence d’évolution globale
7.5. Le RdPTF du modèle de prédiction, la représentation de la relation locale d’influence et le diagnostic
7.5.1. Mécanisme de recalage temporel d’influence (rcҐ)
7.5.1.1. Le principe de la méthode
7.5.1.2. La démarche
7.5.1.3. La définition
7.5.1.4. L’analyse sur l’exemple
7.5.2. L’évolution du RdPTFҐ complet et le diagnostic
7.5.3. Analyse complémentaire globale
7.6. La modélisation de comportement de défaut
7.7. Considérations générales et Conclusions
CONCLUSION ET PERSPECTIVES
Bibliographie