Diagnostic des systèmes hybrides : développement d'une méthode associant la détection par classification et la simulation dynamique

Diagnosis of hybrid systems coupling classification method and dynamic hybrid simulation

• Auteur / Autrice : Aimed Mokhtari
• Direction : Marie-Véronique Le Lann
• Type : Thèse de doctorat
• Discipline(s) : Systèmes industriels
• Date : Soutenance en 2007
• Etablissement(s) : Toulouse, INSA
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Analyse et d'Architecture des Systèmes (Toulouse1968-....)

Mots clés

Mots clés contrôlés

Apprentissage automatique

Intelligence artificielle

Logique floue

Petri, Réseaux de

Diagnostic qualité

Sécurité des systèmes

Simulateurs

Simulation par calculateur hybride

Mots clés libres

Classification floue

Résumé

Ce travail s’inscrit dans le domaine du diagnostic des systèmes hybrides et est basé surl’utilisation d’un modèle. Il a pour objectif de diagnostiquer les fautes à partir de la connaissance structurelle, comportementale ou fonctionnelle du système en représentant ces connaissances (modèle du système) séparément de la connaissance sur la tâche de diagnostic. Les systèmes hybrides incluent à la fois des variables continues et discrètes. La dynamique continue est généralement fournie par des équations différentielles et algébriques alors que la partie discrète est modélisée par des automates ou des systèmes à transition. Le formalisme adopté dans ce travail pour modéliser ces systèmes s’appuie sur le modèle « Réseau de Petri Différentiel à Objet » (RdPDO) qui est intégré dans la plate forme de simulation PrODHyS (Process Object Dynamic Hybrid Simulator). Il possède l’avantage de prendre en compte le comportement hybride d'une part, en associant les variables continues aux jetons et d'autre part, en associant un système algébro-différentiel aux places permettant de faire évoluer les variables d'état continues. La méthodologie de diagnostic proposée s’effectue en deux étapes. La première étape consiste à détecter à l’aide d’une classification floue, des fautes qui présentent les mêmes symptômes - à partir d’une connaissance préalable des états de défaillance obtenue par apprentissage - afin de réduire les chemins ou les scénarios à explorer lors de la seconde phase. Cette dernière sert à diagnostiquer la faute parmi celles détectées à l’étape précédente en levant l’ambiguïté. Pour ce faire, deux raisonnements ont été suivis. Le premier, qualifié de raisonnement avant, consiste à former pour chaque faute incriminée, un critère d’écarts entre les mesures effectuées sur le système et celles émanant du modèle avec la faute simulée, sur une fenêtre temporelle et d’isoler ainsi la faute aboutissant au critère le plus faible. Le second raisonnement qualifié de raisonnement arrière, effectue des calculs similaires mais sur l’évolution temporelle passée du système par une simulation arrière effectuée avec PrODHys, offrant la possibilité supplémentaire par rapport au premier raisonnement de remonter à l’instant de la défaillance. La méthodologie développée est illustrée sur un système hydraulique souvent utilisé comme « benchmark ». Comme nous ne disposons pas d’un système réel, celui-ci est simulé à l’aide d’un modèle de simulation de type RdPDO qui cette fois-ci contient les états de défaillances et des différences (bruits, erreurs de modélisation) par rapport au modèle utilisé pour le diagnostic

Hybrid systems involve both continuous and discrete variables. The continuous dynamics is generally given by differential-algebraic equations while the discrete dynamics is modelled by automata or input-output transition systems. For any industrial system, the early detection and diagnosis of faults is important, since a lot of damage and loss can result before a fault present in the system is detected. In addition, it becomes harder to distinguish the root cause of the fault as it propagates through the system. This is therefore more crucial in hybrid processes mixing both continuous and discrete aspects. This work presents the development of a methodology associating the fault detection performed by a data–driven technique with the dynamic hybrid simulation for the diagnosis step. The detection is generally performed by comparing process measurement and simulation result of the system in normal conditions. This phase identifies symptoms. The problem of diagnosis is then to link them to a precise dysfunction. A possibility is therefore to explore all possible scenarios of faults and compare with actual measurements. Nevertheless the number of possibilities increases in an exponential way. The aim of the developed methodology is to restrict the detected fault to a category of failures. Only these failures are then explored. The data-driven technique used in the proposed methodology is a fuzzy-classification method (LAMDA) enables to partition the data space in clusters related to identify symptoms. This method has the capacity to treat simultaneously quantitative and qualitative information and to propose automatic learning. It has been already used for detection of dysfunctions in complex chemical plants. The second step of the procedure involves the dynamic hybrid simulation performed only for the restricted faults. In the framework of this study, the simulation aspects are ensured by the general object-oriented environment PrODHyS(Process Object Dynamic Hybrid Simulator), designed and developed within the LGC. Its major characteristic is its ability to simulate systems described with Object Differential Petri Nets (ODPN) formalism. Each fault of this set is simulated. Then, the simulated scenarios are compared to the observed behaviour through a criterion composed of residues (the squared difference between the variables measured and the variable simulated with the fault). Finally, the diagnosis of the fault is performed by choosing the fault with the smallest residue