DIAGNOSTIC LOGIQUE DES SYSTEMES COMPLEXES DYNAMIQUES DANS UN CONTEXTE MULTI-AGENT

1
DIAGNOSTIC LOGIQUE DES SYSTEMES COMPLEXES
DYNAMIQUES DANS UN CONTEXTE MULTI-AGENT

• THESE DE DOCTORAT
• Université Joseph Fourier
• Spécialité Automatique-Productique
• présentée par
• Samir Touaf
• Le 2 mars 2005

Directeurs de thèse Jean-Marie Flaus et
Stéphane Ploix
2
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

3
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

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
Description du problème
Hypothèse vraie ou fausse ?
Détection
Test
Test
Test
Démarre
Symptômes
Test1
Démarre
Diagnostic faux
Localisation
Analyse Diagnostic
Diagnostic global

6
Principe Test de détection
7
Principe de non-exonération

• incohérence Þ comportement réel ¹ comportement
  modélisé
• en terme de diagnostic, une incohérence conduit à
  une conclusion globale certaine (à valeur de
  preuve)
• cohérence Þ 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)

8
Exemple Approche traditionnelle (1)

• Description du système

Représentation détat
9
Exemple Approche traditionnelle (2)

• 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

10
Formalisme proposé

• Toute l'information exigée doit être dans les
  modèles.

Modèle de composant modélise uncomposant Ck
dans un état donné
11
Exemple Système des deux bacs

• Description du système

12
Les sous-systèmes testables (SST)

• 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,)

Condition de validité dun sous-système testable
Hypothèses sur létat des composants vérifiés par
le test
13
Exemple de sous-système testable

• Test 1

• Support du test

Validité du test
Hypothèse du test
14
Exemple de sous-système testable
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 Causaux
tests de détection à base dalgorithmes
Neuronaux
 Génération de symptômes 

• Symptôme
• Référence du test (algorithme)
• Résultat du test (Alarme Pas dAlarme)
• Validité du modèle
• Instant de détection
• Composants testés

Analyse diagnostique
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
Fiabiliser les tests de détection

• Exploiter la validité du modèle dans lanalyse
  diagnostique

17
Description du problème

• Que s'est-il passé ?

Rien du tout mais (validité nest pas prise en
compte)
18
Prendre en compte la validité du modèle
19
Définition de base dun test de détection
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
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
Description du problème

• Que s'est-il passé ?

Biais sur H2 (2 cm) et sur VKH (0.2 l/s) (Les
défauts multiples ne sont pas trouvés)
23
Garantir lanalyse diagnostic
tests de détection (Observateur)
tests de détection (Causal)
tests de détection (Neuronal)  génération de
symptômes 
Compare le comportement réel dun système
physique à des modèles de référence
Analyse les symptômes fournis par les tests de
détection
Quel test ? Quand ? Quand ré-initialiser un test
? Déclenchement des tests MF ?
24
Calcul des diagnostics minimaux Reiter, 1987
corrigé par Greiner et al., 1989
Matrice de composition Þ Matrice des hypothèses
Un test inconsistant (Alarme) Þ un conflit
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)
(recherche de diagnostic par Matrice dynamique)
25
Recherche par Matrice dynamique
L'analyse diagnostique consiste à déduire un
diagnostic en terme de composants défaillants à
partir des symptômes disponibles.
Diagnostics minimaux sûrs Reiter, 87 D
AN(RH), AN(BB), AN(RB), AN(H2), AN(VKB),
AN(BH)AN(H1), AN(H1) AN(VKB)
26
Exemple danalyse diagnostique garantie
Diagnostics
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)

• Que s'est-il passé ?

Biais sur h2 (2 cm) et sur qe1 (0.2 l/s) (Les
défauts multiples sont trouvés)
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
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
Prendre en compte lincertain
Principe traduction en logique floue
Sans exonération
Avec exonération
Test Invalide
30
Traitement des symptômes

• Symptôme
• Référence du test (algorithme)
• Résultat du test
• Validité du modèle
• Instant de détection

Validité du modèle
Résultat du test
Fonction de fusion
La décision finale Niveau de confiance du test
de détection
31
Description du problème
Biais sur qe1 (0.2 l/s)
Diagnostics
Niveau de confiance
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
32
Prendre en compte lincertain

• 1) Il nexiste pas de symptômes sûrs
• Symptômes / ignorés
• Diagnostics simple AN(Ci ) et vraisemblance

Exemple
Symptômes
Test 1 0.2
Test 2 0.6
Test 3 0.8
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
Vraisemblance des diagnostics
33
Prendre en compte lincertain

• 2) Il existe des symptômes sûrs
• Diagnostics sûrs, ils correspondent aux
  diagnostics à base de consistance,
• Vraisemblance des diagnostics

Exemple
Symptômes
Test 1 1
Test 2 0.6
Test 3 1
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
34
Plausibilité circonstancielle

• Distance de Hamming entre signatures de défaut et
  la signature des symptômes

Exemple
Symptômes
Test 1 0.2
Test 2 0.6
Test 3 0.8
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
Symptôme 1 Symptôme 2
Test 1 0 1
Test 2 1 0
Test 3 0 1
0
Plausibilité circonstancielle
35
Retrouver les tests défaillants
Résultats des tests
Retrouver les tests défaillants ???
Diagnostics
AN(BH) AN(H1) AN(VKH)
AN(RH)
État réel du système VKB
Vérifier létat réel du système
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
AN(BH) AN(H1) AN(VKH)
AN(RH)
Conclusion

• Une erreur conduit à une désactivation
• Une non-détection est seulement prise en compte
  dans les statistiques sur les tests

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
Appréhender la distribution spatiale et
lévolutivité

• Concevoir une architecture SMA
• Système communicant
• Système ouvert (Plug and play)

39
Système de diagnostic distribué

• MAGIC (Multi-Agents Based Diagnostic Data
  Acquisition and Management in Complex systems)
• architecture horizontale, non hiérarchique,
  distribuée

40
Architecture et Communication entre agents
Architecture dun agent dans MAGIC
CORBA / FIPA

• Symptôme
• Référence de lagent
• Résultat du test
• Résultat du test
• Validité du modèle
• Instant de détection
• Composants testés

41
Agent dAnalyse diagnostique dans MAGIC
Principales relations entre lagent danalyse
diagnostique et les autres agents MAGIC
42
Conclusion générale
Notre contribution est

• 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).

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
MERCI !