Title: DIAGNOSTIC LOGIQUE DES SYSTEMES COMPLEXES DYNAMIQUES DANS UN CONTEXTE MULTI-AGENT
1DIAGNOSTIC 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
2Plan de lexposé
- Introduction
- Appréhender la complexité
- Fiabiliser les tests de détection
- Garantir lanalyse diagnostique
- Améliorer la sensibilité de lanalyse
diagnostique - Appréhender la distribution spatiale et
lévolutivité - Conclusion générale
- Perspectives
3Plan de lexposé
- Introduction
- Appréhender la complexité
- Fiabiliser les tests de détection
- Garantir lanalyse diagnostique
- Améliorer la sensibilité de lanalyse
diagnostique - Appréhender la distribution spatiale et
lévolutivité - Conclusion générale
- Perspectives
4Appréhender 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
5Description du problème
Hypothèse vraie ou fausse ?
Détection
Test
Test
Test
Démarre
Symptômes
Test1
Démarre
Diagnostic faux
Localisation
Analyse Diagnostic
Diagnostic global
6Principe Test de détection
7Principe 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)
8Exemple Approche traditionnelle (1)
Représentation détat
9Exemple 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
10Formalisme proposé
- Toute l'information exigée doit être dans les
modèles.
Modèle de composant modélise uncomposant Ck
dans un état donné
11Exemple Système des deux bacs
12Les 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
13Exemple de sous-système testable
Validité du test
Hypothèse du test
14Exemple 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
15Plan de lexposé
- Introduction
- Appréhender la complexité
- Fiabiliser les tests de détection
- Garantir lanalyse diagnostique
- Améliorer la sensibilité de lanalyse
diagnostique - Appréhender la distribution spatiale et
lévolutivité - Conclusion générale
- Perspectives
16Fiabiliser les tests de détection
- Exploiter la validité du modèle dans lanalyse
diagnostique
17Description du problème
Rien du tout mais (validité nest pas prise en
compte)
18Prendre en compte la validité du modèle
19Définition de base dun test de détection
20Plan de lexposé
- Introduction
- Appréhender la complexité
- Fiabiliser les tests de détection
- Garantir lanalyse diagnostique
- Améliorer la sensibilité de lanalyse
diagnostique - Appréhender la distribution spatiale et
lévolutivité - Conclusion générale
- Perspectives
21Garantir lanalyse diagnostique
- Diagnostics garantis si les tests de détection
sont justes - Diagnostic erroné possible si corrigé
- Tous les défauts ne sont pas équiprobables
22Description du problème
Biais sur H2 (2 cm) et sur VKH (0.2 l/s) (Les
défauts multiples ne sont pas trouvés)
23Garantir 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 ?
24Calcul 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)
25Recherche 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)
26Exemple 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)
Biais sur h2 (2 cm) et sur qe1 (0.2 l/s) (Les
défauts multiples sont trouvés)
27Plan de lexposé
- Introduction
- Appréhender la complexité
- Fiabiliser les tests de détection
- Garantir lanalyse diagnostique
- Améliorer la sensibilité de lanalyse
diagnostique - Appréhender la distribution spatiale et
lévolutivité - Conclusion générale
- Perspectives
28Améliorer 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
29Prendre en compte lincertain
Principe traduction en logique floue
Sans exonération
Avec exonération
Test Invalide
30Traitement 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
31Description 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
32Prendre 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
33Prendre 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
34Plausibilité 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
35Retrouver 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
36Retrouver 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
37Plan de lexposé
- Introduction
- Appréhender la complexité
- Fiabiliser les tests de détection
- Garantir lanalyse diagnostique
- Améliorer la sensibilité de lanalyse
diagnostique - Appréhender la distribution spatiale et
lévolutivité - Conclusion générale
- Perspectives
38Appréhender la distribution spatiale et
lévolutivité
- Concevoir une architecture SMA
- Système communicant
- Système ouvert (Plug and play)
39Système de diagnostic distribué
- MAGIC (Multi-Agents Based Diagnostic Data
Acquisition and Management in Complex systems) - architecture horizontale, non hiérarchique,
distribuée
40Architecture 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
41Agent dAnalyse diagnostique dans MAGIC
Principales relations entre lagent danalyse
diagnostique et les autres agents MAGIC
42Conclusion 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).
43Perspectives
- Génération automatique des tests de détection
- Prise en compte du mauvais fonctionnement dans
lanalyse diagnostique - Distribuer lanalyse diagnostique en utilisant le
paradigme multi-agent
44MERCI !