Méthode de détection et d’aide à l’interprétation dans un contexte de supervision

30/09/2017
Publication e-STA e-STA 2005-2
OAI : oai:www.see.asso.fr:545:2005-2:20018
DOI :

Résumé

Méthode de détection et d’aide à  l’interprétation dans un contexte de  supervision

Métriques

18
10
352.65 Ko
 application/pdf
bitcache://dd3b57e17f6904f8ee8ecef74c30984309a480b8

Licence

Creative Commons Aucune (Tous droits réservés)
<resource  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
                xmlns="http://datacite.org/schema/kernel-4"
                xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4/metadata.xsd">
        <identifier identifierType="DOI">10.23723/545:2005-2/20018</identifier><creators><creator><creatorName>Slim Triki</creatorName></creator><creator><creatorName>Moamar Sayed Mouchaweh</creatorName></creator><creator><creatorName>Bernard Riera</creatorName></creator></creators><titles>
            <title>Méthode de détection et d’aide à  l’interprétation dans un contexte de  supervision</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2017</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Sat 30 Sep 2017</date>
	    <date dateType="Updated">Sat 30 Sep 2017</date>
            <date dateType="Submitted">Tue 22 May 2018</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">dd3b57e17f6904f8ee8ecef74c30984309a480b8</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>34033</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

Méthode de détection et d’aide à l’interprétation dans un contexte de supervision SLIM TRIKI 1 , Moamar SAYED MOUCHAWEH 2 , Bernard RIERA 2 1 LAMIH, Université de Valenciennes, FRANCE 2 LAM, Université de Reims LAM, Faculté de Science, B.P. 1039, 51687 Reims Cedex 2, France Tél: +33(0)326913171, Fax: +33(0)326913106, {prénom.nom}@univ-reims.fr Résumé— Classiquement, en situation incidentelle, lorsque l’opérateur doit effectuer un diagnostic avant de décider de l’action la plus adéquate à entreprendre, il dispose de données numériques (seuils d’alarme, mesures,…), mais sa connaissance du procédé est essentiellement symbolique (modes opératoires…). Il doit interpréter le flux de données et le filtrer avant d’appliquer ses heuristiques. En effet, pour un Opérateur Humain de Supervision (OHS) chargé de la conduite d'une installation industrielle automatisée, il est difficile d'interpréter la formidable quantité d'information de nature numérique qui lui est fournie. La transcription de la mesure numérique en valeurs semi qualitatives ou qualitatives permet de manipuler la connaissance avec un niveau d'abstraction plus élevé et donc plus compréhensible par l’OHS. Un raisonnement qualitatif s'insère alors naturellement dans un système de supervision capable de traiter l'information non numérique, de la mettre en relation avec les connaissances numériques pour accomplir les tâches principales de la supervision; surveillance, localisation et diagnostic. Dans ce papier nous proposons une méthode de détection de changement abrupt par un raisonnement flou sur les variables mesurées d’un processus. Nous montrons que les résultats de ce raisonnement présentent un intérêt à l’interprétation et par la suite au diagnostic. Le papier clôture avec un exemple d’application d’un diagnostic qualitatif sur un système de trois cuves couplées. Mots clés— Abstraction, détection, raisonnement flou, diagnostic qualitatif, système Homme-Machine. I. SYSTEME DE SUPERVISION ADAPTE À L’OPERATEUR HUMAIN DE SUPERVISION (OHS) La figure 1 présente l'architecture générale d'un poste de conduite en ligne. On y retrouve les trois grandes fonctions "Voir", "Comprendre" et "Agir" nécessaires à une bonne surveillance. La fonction de perception "Voir" s'appuie sur les données acquises par les capteurs du système à surveiller et transmet à l'OHS des informations plus ou moins élaborées [1]. L’OHS analyse les informations reçues et décide des actions à entreprendre au travers d'actionneurs qui permettent d'agir sur le système. Les variables pertinentes pour la supervision d’un procédé, sont en général les entrées et les variables observables permettant à l’OHS de juger la quantité ou la qualité de la production ou la sécurité de l'installation. De la même façon, le comportement d'un procédé est suivi par l'intermédiaire de l'évolution de ses variables dans le temps. Puisque notre objectif est de fournir à l'opérateur l'information strictement relative à la supervision, seules sont à prendre en considération Mesures OHS COMPRENDRE VOIR AGIR Système physique Alarmes Visualisation Calculs Large Base de données temps réel Courbes Communication Temps Interface H-M Fig. 1 Architecture d’un poste de conduite en ligne les évolutions pertinentes de ces variables, c'est- à-dire celles susceptibles de modifier le comportement global du procédé. Les traitements des variables pertinentes pour aboutir à une information relative à la supervision s’articulent autour des deux niveaux suivants : 1. Dans un premier niveau, on propose une nouvelle représentation de l'évolution des variables par une suite de fonction affine par morceau, dont les points de rupture de pente traduisent les modifications significatives du comportement de la variable. On appelle cette opération la segmentation. 2. Un second niveau, travaillant à partir des données segmentées, a pour fonction la détection d’un changement significatif dans l’évolution d’une variable surveillée. La détection se fait par l’application d’une méthode basée sur un raisonnement flou. Nous nous consacrons par la suite au deuxième niveau, c’est-à- dire à l’étape du traitement flou. II. METHODE ORIGINALE DE DETECTION DE CHANGEMENT SIGNIFICATIF BASEE SUR UN RAISONNEMENT FLOU Dans ce paragraphe, nous présentons notre méthode de détection des changements significatifs en exploitant les résultats issus de l'étape de l’abstraction temporelle par segmentation. Notons que les détails concernant l’étape de segmentation sont disponible dans [6]. On se limite volontairement aux problèmes de détection de déviation survenue dans la phase permanente et après que la variable ait atteint son régime établi. Les transitoires générés dans la phase de démarrage sont, ainsi, ignorées. Pour qualifier la dynamique d'une variable mesurée segmentée, nous allons attribuer à chaque segment les valeurs de son amplitude et sa durée. La procédure de détection de changement d'une variable surveillée repose sur un raisonnement flou composé des étapes suivantes : i) l'extraction des attributs des segments, ii) fuzzification des attributs, iii) l’application des règles floues et enfin iv) la défuzzification. A. Fuzzification Pour toutes les variables mesurées et segmentées du procédé, nous définissons des variables linguistiques associées aux attributs des segments. Des partitions floues convexes normalisées et orthogonales sont définies pour décrire chaque attribut. Nous allons utiliser les ensembles descriptifs ={Petite, Moyenne, Large} et ={Petite, Moyenne, Large} pour décrire, respectivement, les valeurs d’amplitude et de la durée de chaque segment. Ces termes décrivent un ordre qualitatif dans les référentiels des attributs et leurs interprétations linguistiques sont déduites directement du sens du terme. Parmi les fonctions d'appartenance qui vérifient les propriétés prédéfinies il y a la fonction trapézoïdale. Les paramètres des attributs ont été choisis de sorte que la fonction d'appartenance de l'ensemble flou "Moyenne" soit triangulaire (voire figure 2). L’algorithme de segmentation est implémenté en ligne ce qui nécessite un calcul adaptatif des paramètres des attributs puisque la longueur de la fenêtre temporelle dépend de la longueur des segments. Dans le cas de notre étude, nous avons fixé la longueur de la fenêtre temporelle de façon qu’elle comporte un nombre suffisant de segments pour une détection rapide et robuste. Ceci nécessite, généralement, des testes successifs. ) ( i s A ) ( i s D Soit un vecteur des caractéristiques, . Où : V [ moy am am am moy dur dur dur V _ min, _ max, _ , _ min, _ max, _ = ] ( ) _ 2.max dur max durée = , ( ) 1 2 _ .min dur min durée = , ( ) _ dur moy myoenne durée = , , ( _ 2.max am max amplitude = ) ( ) 1 2 _ .min am min amplitude = et ( _ am moy moyenne amplitude = ) représentent les paramètres déterminés à partir des vecteurs des attributs (durée et amplitude) des segments dans la fenêtre temporelle. Pour chaque attribut, les supports des fonctions d’appartenances sont maintenant déterminés de la manière suivante : Pour la durée ( ) 1 2 _ , _ , _ _ , _ Petite dur min dur min dur min dur moy dur moy µ ⎡ = + ⎣ ⎤ ⎦ ( ) ( 1 1 2 2 _ _ , _ , _ _ Moyenne dur min dur moy dur moy dur max dur moy µ ⎡ = + + ⎣ )⎤ ⎦ ( ) 1 arg 2 _ , _ _ , _ , _ L e dur moy dur moy dur max dur max dur max µ ⎡ = + ⎣ ⎤ ⎦ Pour l’amplitude ( ) 1 2 _ , _ , _ _ , _ Petite am min am min am min am moy am moy µ ⎡ = + ⎣ ⎤ ⎦ ( ) ( ) 1 1 2 2 _ _ , _ , _ _ Moyenne am min am moy am moy am max am moy µ ⎡ = + + ⎣ ⎤ ⎦ ( ) 1 arg 2 _ , _ _ , _ , _ L e am moy am moy am max am max am max µ ⎡ ⎤ = + ⎣ ⎦ Cependant, le choix des paramètres de l’attribut « amplitude » n’est pas aisé avec le problème des unités de mesures et de la plage de variation qui dépendent de la nature et du type de la variable mesurée (par exemple ; la température, la pression ou le débit…). Pour résoudre ce problème, une étape de normalisation des variables est faite pendant la segmentation. Nous avons choisi trois ensembles flous pour la description des variations des attributs dans le but de réduire les sources d'ambiguïté. A chaque segment, les attributs sont calculés . La fuzzification de composante des vecteurs d'attributs dans chaque fenêtre temporelle conduit aux descriptions suivantes : ( , Amplitude Durée x x arg ( ) [ ( ( )) ( ( )) ( ( ))] amplitude i Petite amplitude i Moyenne amplitude i L e amplitude i x s x s x s x s µ µ µ = et arg ( ) [ ( ( )) ( ( )) ( ( ))] Durée i Petite Durée i Moyenne Durée i L e Durée i x s x s x s x s µ µ µ = avec m i ... 1 = et m étant le nombre de segments dans la fenêtre temporelle. petite Moyenne Large ( ) Amplitude i x µ Petite Moyenne Large ( ) Durée i x µ 1 0 0 1 1 a 2 a 3 a 1 a 2 a 3 a Amplitude Durée Fig.2 (a) Partition floue (b) Partition floue de l’amplitude de la durée Lent Assez Lent Moyenne 1 0 Assez Rapide Rapide 1 Fig.3 Les fonctions d’appartenance des différents types de variations La description linguistique des segments de chaque variable peut être représentée par une proposition floue écrite à partir des attributs du segment comme : l'amplitude du segment est "Large" et sa durée est "Petite". Des propositions floues, comme la dernière, seront utilisées comme prémisses de l'inférence floue de la procédure de détection afin de caractériser la dynamique des fonctions affines. i s B. L'inférence Des conclusions partielles sur la dynamique de la variable sont exprimées à partir des attributs des segments par des règles du type : SI est "Large" ET est "Petite" ALORS varie rapidement. La base de règles symboliques est représentée par la table 1. La méthode d’inférence de Mamdani [4] consiste à utiliser l’opérateur Min pour le ET et l’opérateur Max pour le OU. L’agrégation des ensembles des règles, opérateur qui doit aboutir à une seule valeur de la variable de sortie, se fait par l’opérateur Max, comme si les règles étaient liées par l’opérateur OU. Cette méthode est dite « inférence max-min ». Il existe d’autres méthodes telle que « som-prod » qui consiste à utiliser le produit pour le ET et la demi-somme pour le OU. ) ( i s A ) ( i s D ) ( i s Variation Moyenne Variation Assez Lente Variation Lente Large Variation Assez Rapide Variation Moyenne Variation Assez Lente Moyenne Durée Variation Rapide Variation Assez Rapide Variation Moyenne Petite Large Moyenne Petite Amplitude Table 1 Base de règles symboliques C. Défuzzification ) Lors de la fuzzification, on calcule les degrés d'appartenance des vecteurs d'attributs des segments de chaque variable. Dans l'étape de défuzzification, on réalise l'opération inverse, à savoir, obtenir une valeur réelle de la sortie à partir des surfaces obtenues dans l'étape d'inférence. Pour chaque type de variation [Moyenne, Assez lente, Lente, Assez rapide, Rapide] une fonction d'appartenance a été calculée en considérant les fonctions d'agrégation produit (ET) et les fonctions d'agrégation somme (OU) suivantes : ) ( * ) ( ) ( ) ( ) ( ) ( * ) ( ) ( y µ x µ y µ x µ A y OU A x µ y µ x µ A y ET A x µ A A A A A A − + = ∈ ∈ = ∈ ∈ Les types de variation sont ensuite définis de la manière suivante : Variation Moyenne : ((( ) ( )) (( ) ( )) (( ) ( )) ). Moyenne Amplitude Durée Amplitude Durée Amplitude Durée µ µ x Petite ET x Petite OU x Moyenne ET x Moyenne OU x Large ET x Large = ∈ ∈ ∈ ∈ ∈ ∈ Variation Assez lente : _ ((( ) ( )) (( ) ( )) ). Assez lente Amplitude Durée Amplitude Durée µ µ x Petite ET x Moyenne OU x Moyenne ET x Large = ∈ ∈ ∈ ∈ Variation Lente : ((( ) ( ))). Lente Amplitude Durée µ µ x Petite ET x Large = ∈ ∈ Variation Assez rapide : _ ((( ) ( )) (( ) ( ))). Assez rapide Amplitude Durée Amplitude Durée µ µ x Moyenne ET x Petite OU x Large ET x Moyenne = ∈ ∈ ∈ ∈ Variation Rapide : ((( ) ( ))). Rapide Amplitude Durée µ µ x Large ET x Petite = ∈ ∈ Les formules suivantes proposent un indicateur de la dynamique variant de 0 (lente) à 1 (rapide) (fig. 3). La valeur 0, signifie que la valeur de la fonction d’appartenance à une variation lente est égale à 1. En revanche, une valeur de 1 signifie que la valeur de la fonction d’appartenance à une variation rapide est égale à 1. 0 500 1000 1500 2000 2500 3000 3500 4000 -2 0 2 0 500 1000 1500 2000 2500 3000 3500 4000 0 0.5 1 Fig.4 Exemple d’illustration de l’application de la détection par un raisonnement flou La figure 4 montre l’exemple d’une variable avec une variation d’amplitude à partir de t=2500s. La fenêtre en haut (fig. 4), illustre la représentation sous forme d’une suite de fonctions affines. La fenêtre en bas (fig. 4), montre la dynamique d'évolution déterminée par la méthode de traitement flou. L'analyse visuelle de l'évolution de cette variable confirme la présence d'un changement dans sa dynamique à partir de l’instants 2500 s. Le raisonnement flou des segments en fonction de leurs types de variation permet une détection fine de l’instant d’occurrence d’un changement soit Tf=2541s. De plus, l’instant de passage d’une variation de classe « lente » à une variation de classe « rapide » permet de déduire qu’une déviation significative dans l’évolution de la variable s’est produite. L’originalité de cette déduction provient du fait que la notion de changement abrupt peut être facilement liée à la forme du signal. Il est évident que la détection sera plus difficile si le changement se produit dans la phase transitoire. Ce type de problème dépasse le cadre de ce travail. D. Exemple d’application sur un système de trois cuves Soit le système des trois cuves couplées schématisé par la figure 5. Ce système offre de multiples configurations. Celle qui nous intéresse ici a pour objectif la régulation de la hauteur dans la cuve 2. Cette régulation permet l’implémentation de nos procédures dans une configuration en boucle fermée. Les variables observables sont les variables d’états du système i.e. les mesures de niveau dans les trois cuves (x1, x2 et x3). L’exemple se veut pédagogique. Son objectif est d’illustrer la manière dont les traitements énoncés précédemment sont appliqués dans un contexte de supervision. La figure 6 montre l’évolution des variables observables suite à une simulation de fuite dans la cuve 1 à l’instant 2541s. Généralement, dans le cas d’apparition d’un changement anormal dans l’évolution des variables à surveiller, l’OHS cherche à trouver une expliquation en consultant les vues de tendance. Fig.5 Système des trois cuves couplées Fig.6 Evolution des variables suite à une fuite dans la cuve 1 Dans ce cas de fuite dans la cuve 1 et en consultant la vue de tendance, soit la figure 6, l’OHS peut constater que toutes les variables évoluent simultanément. Il est donc impossible de connaître la variable source ou d’expliquer les déviations dans l’évolution des variables. L’application du raisonnement flou (fig. 7a, b et c) conduit à la détermination des instants d’occurrence d’un changement dans l’évolution des variables observables. Soient Tf1=2541s, Tf2=2575s et Tf3=2642s les instants d’occurrence des déviations respectives de x1, x2 et x3. Disposant de cette information l’OHS peut facilement déduire la causalité temporelle entre les variables. 0 500 1000 1500 2000 2500 3000 3500 4000 -2 0 2 Mesure de niveau dans la cuve 0 500 1000 1500 2000 2500 3000 3500 4000 0 0.5 1 (a) 0 500 1000 1500 2000 2500 3000 3500 4000 -1 0 1 Mesure de niveau dans la cuve 2 0 500 1000 1500 2000 2500 3000 3500 4000 0 0.5 1 (b) 0 500 1000 1500 2000 2500 3000 3500 4000 -1 0 1 Mesure de niveau dans la cuve 3 0 500 1000 1500 2000 2500 3000 3500 4000 0 0.5 1 (c) Fig. 7 Abstraction par segmentation et classification de la mesure de niveau (a) dans la cuve1 (b) dans la cuve2 et (c) dans la cuve3 La connaissance de l’ordre chronologique des déviations x1Æx2Æx3 permet à l’OHS d’approcher l’origine des déviations et de conclure que le changement dans l’évolution de x1 est directement dû à une défaillance ou à une perturbation non mesurée, a que les autres changements (x e te III. INTERPRETATION DE LA MESURE DANS UN CONTEXTE DE En effet, les passages d’un état de , soudaine ou de façon al re 8 représente les trois lors 2 et x3) résultent de la propagation de cette déviation dans l mps et dans le procédé. SUPERVISION Supposons que la notion d’anormalité peut être liée à la forme du signal, la représentation sous forme d’une suite de fonctions affines par morceaux (Piecewise Linear Representation) peut fournir une description très riche du signal qui peut être utilisée pour la détection d’un changement significatif dans la dynamique de la variable. fonctionnement normal à un état défaillant pouvant se manifester en fonction du temps de manière progressive éatoire. La figu cas conduisant tous à une défaillance. Nous nous intéressons dans la suite au cas de panne « abrupt » (ou soudaine) qui affecte le système d’une manière permanente et peut occasionner de graves dégâts. Après la détection d’une variation abrupt, les paramètres candidats à être responsables des déviations observées sur les sorties sont générés en partant du principe suivant : une déviation d'une sortie doit être expliquée par au moins un paramètre l'influençant, la non déviation d'une sortie ne peut s'expliquer que par l'absence de variations des paramètres ou la variation conjuguée de deux paramètres se compensant. Fig.8 Cas de figure conduisant tous à la défaillance Parmi les approches issues de l'IA pour la génération et l’interprétation d'alarmes, on peut citer, celle développée par [3]. Elle consiste à générer les candidats au diagnostic en s'appuyant sur un modèle qualitatif et de les valider par un test sur un modèle numérique. Il s'agit d'une approche de type "Generate and Test". Les candidats ainsi générés sont ensuite testés par simulation sur le modèle numérique afin d'éliminer les c la cherche à base de modèle qualitatif. Une approche très stème enge e tâch d caractéri nsitoires des variables mesurées. Les auteurs eloppement en série de Taylor pour andidats erronés ("spurious") qu'aurait pu produire re semblable est proposée par [2], une des particularités de cette approche est l'emploi de "Bond Graphs" ou graphes de liaison comme outil de base pour l'acquisition du modèle du système. Dans cette dernière approche la procédure de localisation qui consiste à identifier et caractériser la défaillance repose sur les trois points suivants : 1. Génération des hypothèses de défaillance, 2. Prédiction des signatures pour chaque hypothèse de défaillance, et 3. Localisation. Pour la génération des hypothèses de défaillance, les auteurs dans [5] présentaient une méthode simple d’analyse qualitative de l'évolution des variables du processus dans un système de détection et d'isolation de défaut appelé TRANSCEND. En effet, un changement abrupt d'un paramètre du sy ndr ra des transitoires dans les variables du système et la e e localisation sera, ainsi, fortement liée aux stiques des tra utilisent le dév approximer la transitoire présenté dans la mesure et résultante d'une éventuelle défaillance à l'instant t0. La signature de défaut est l'ensemble des (k+1) valeurs de l'amplitude de la déviation et des dérivées du premier ordre au kème ordre, calculées à l'instant de l'occurrence de défaut t0 : ( ) ( ) ( ) ( ) { } 0 ) ( 0 ' ' 0 ' 0 , , , , t y t y t y t y F k … = . La valeur exacte de la déviation à l'instant t0 est inconnue, les dérivées doivent donc êtres calculées à partir des mesures ultérieures. Pour pallier à ce problème, une analyse qualitative est développée dans le but de localiser la source de défaut. Dans le raisonnement qualitatif, les mesures prennent leurs valeurs dans l'ensemble des trois éléments symboliques {-,0,+} qui signifient respectivement, une mesure au-dess la normale (-), une m rm ne ous de esure no ale (0) et u me re au-dessus de la normale (+). De manière similaire, les valeurs des su dérivées prennent les mêmes éléments symboliques {-,0,+}, qui signifient respectivement croissance (+), stabilité (0) et décroissance (-). La signature qualitative de défaut est donc une séquence de +, - ou 0 d'amplitude et de k valeurs de dérivées calculées au point de défaillance t0. Nous adoptons ici la même idée, en proposant un vecteur de signature identique à celui présenté en dessus. Cependant, au lieu d’utiliser le développement en série de Taylor, nous utilisons directement l’approximation sous forme d’une suite de fonctions affines par morceaux issue de la phase de segmentation. Pour simplifier les calculs, la signature qualitative n’est composée que de l’amplitude, la tendance et la courbure { } ) ( ), ( ), ( 0 0 0 t curv t slop t mag F = . Où mag(.), slop(.) et curv(.) représentent respectivement, la valeur qualitative de l’amplitude, tendance et la courbure. Les valeurs qualitatives de l’amplitude sont assignées par l’application des règles suivantes : ( ) 2,..., ( ) 0 ( ) ( ) init init init si x j valeur cibleinitiale j n mag j si x j valeur cibleinitiale si x j valeur cibleini − < ⎧ ⎪ ∀ = = ≈ ⎨ ⎪ + > ⎩ tiale Avec ( ) init x j le point initial du segment j (resp. ( ) fin x j est le s entre les deux points extrême de chaque segment, point final du segment j), la valeur cible est la consigne de la variable et n le nombre des segments dans une fenêtre temporelle. Les tendances sont assignées par l’utilisation des règles d’accroissements suivante ( ) ( ) 1,..., ( ) 0 ( ) ( ) ( ) ( ) init fin init fin init fin si x j x j j n slop j si x j x j si x j x j ⎧− > ⎪ ⎪ ∀ = = ≈ ⎨ ⎪ + < ⎪ ⎩ De faç ilaire, les courbures sont définies ir des accroissements relatifs (i. e. pentes) entre deux segments successifs. ⎪ ⎩ ⎪ ⎨ ⎧ + ≈ + < + − = − = ∀ ) ( ) 1 ( 0 ) ( ) 1 ( ) ( 1 ,..., 1 tr si j trend j trend si j trend j trend si j curv n j on sim à part ) ( ) 1 ( j trend j end avec Les transitoires générées par une défaillanc t dynamiques, par conséquent, les signatures des variables observables sont a tendance et la courbure sont normale, croissante et décroissante, respectivement. Ici, on a repris l’ex ple de [5], où la signature est déterminée par l’applicati de la transformée de Taylor. > + n j j x j x j trend init fin ,..., 1 ) ( ) ( ) ( = ∀ − = . e son elles aussi dynamiques. Soit l’exemple d’illustration d’un résidu (figure 9), où le point initial 1 prend la signature suivante F1={0,+,-} signifiant que les valeurs qualitatives de l’amplitude, l em on Fig.9 La surveillance progressive On peut déduire donc que la valeur de l’amplitude accroît au fur et à mesure puisque la tendance prend la valeur qualitative (+). Les signatures qualitatives obtenues pour les points 2 et 3 confirment la déduction. L’incorporation des effets des ordres de dérivation supérieurs (1ère ordre et 2ème ordre qui représente respectivement la tendance et la courbure) dans le processus de comparaison fait appel à une surveillance dite « progressive » (progressive monitoring) permettant de tenir en compte l’aspect dynamique des changements dans le variables observables. aire à une urveillance progressive, nous proposons un parcours par s Pour réduire le temps nécess s segment et non par point de mesure. L’idée est de pouvoir parcourir le signal selon les segments et pas seulement selon un critère temporel. Le principe repose tout d’abord sur le choix d’une variable référence qui sera parcourue par segment. Parallèlement à ce parcours, on indique la position correspondante dans les autres courbes segmentées. Par application du raisonnement flou nous cherchons à décider si, à l’intérieur de ce signal segmenté, il y a un changement significatif dans son comportement. Ainsi, la référence potentielle n’est que la première variable qui présente une variation significative. Puisque l’OHS est le seul capable de tenir en compte d’un changement de contexte de travail alors c’est a lui de déclencher la phase de diagnostic par une surveillance progressive. Ainsi, nous pouvons déterminer la signature qualitative tout en adoptant le principe de la surveillance progressive. Un exemple d’illustration est présenté dans le paragraphe suivant où toutes les démarches présentées dessus sont développées. IV. EXEMPLE D’ILLUSTRATION On considère le système des trois cuves couplées schématisé par la figure 11. 1 C 2 C 2 C 1 f 3 f 12 R 23 R 8 f 11 f 2 e 6 e 10 e Rb Fig.11 Système des trois cuves couplées Après la construction du modèle (i) bond graphe, (ii) l'affectation de la causalité (iii) l’introduction des paramètres physiques du système ainsi que (iv) les informations temporelles, on obtient le graphe suivant (fig. 12), appelé le graphe causal temporel : 11 f 1 f 2 f 2 e 3 e 4 e 4 f 1 e 3 f 5 f 6 f 6 e 7 e 8 e 8 f 5 e 10 f 10 e 11 e 9 f 9 e 7 f 1 1 1 1 1 1 − 1 − 1 − 1 − = 1 − = 1 1 dt C 1 12 dt R 1 dt 2 C 1 dt 23 R 1 Rb 1 3 dt C = = = = = = = = Fig.12 Graphe causal temporel du système Notons que les variables encerclés (f3 et e10) sont les variables observables choisis pour ce système. Nous allons maintenant présenter les résultats de l’application des méthodes d’abstraction, détection et affectation de signature qualitative en utilisant un parcourt par segment dans le cas d’une fuite important s figures 13 et 14 ébit dans e dans le réservoir R1 à l’instant 4500s. Le présentent, respectivement, l’évolution du d la conduite entre la cuve 1 et la cuve 2 (noté f3, voir le graphe causal temporel) et la pression au fond de la cuve 3 (noté e10, voir le graphe causal temporel) dans le cas d’une diminution brusque dans le niveau de la cuve 1 (cas d’une fuite importante dans la cuve1). 0 1000 2000 3000 4000 5000 6000 7000 8000 -1 -0.5 0 0.5 1 Fig.13 Mesure du débit de la conduite entre la cuve 1 et la cuve 2 0 1000 2000 3000 4000 5000 6000 7000 8000 -1 0 1 Fig.14 Mesure de pression dans la cuve 3 Les résultats de l’abstracti orelle et la détection par application du raisonnement flou sont présentés dans la figure 15 pour f3 et la figure 16 pour e10. La localisation de l’origine du changement, à partir du graphe temporel causal, selon l’approche adoptée dans ce travail repose, comme on l’a dit, sur : la gé rédiction des signa ressive. on temp nération des hypothèses de défaillance, la p tures qualitatives et la surveillance prog L’algorithme de détection renvoie à l’opérateur de supervision une alarme suite à la détection d’une variation significative dans l’évolution de la variable f3. 0 1000 2000 3000 4000 5000 6000 7000 8000 -2 0 2 0 1000 2000 3000 4000 5000 6000 7000 8000 0 0.5 1 Fig.15 Segmentation et traitement flou de f3 0 1000 2000 3000 4000 5000 6000 7000 8000 -1 0 1 0 1000 2000 3000 4000 5000 6000 7000 8000 0 0.5 1 Fig.16 Segmentation et traitement flou de e10 L’application du chaînage arrière dans le graphe causal temporel du système de trois cuves génère l’ensemble des candidats suivants {R12 + ,C2 - , R23 + ,C3 - ,Rb + ,C1 + }. La prédiction de la signature qualitative des signaux observab aillances st notée dans la table 2 : Ta ble des h s ètres ayant des signatu s es avec e. Les r parcours r regro le tableau les (e10 et f3) sous chaque hypothèse de déf e b. 2 Ensem ypothèses La surveillance pr ts en éliminant les param ogressive permet de réduire l’ensemble de candida re incohérent segment sont l mesur upés dans a és ltats du 3. u pa Fig.17 Surveillance progressive avec un parcours par segment f3 - . e10 0 . f3 e10 0 . . f3 -+ . e10 - . Etape 0 Etape 1 -+ . Etape 2 R12 + f3 -+- e10 00-+ R12 + f3 -+- e10 00-+ R12 + f3 -+- e10 00-+ C – -+ C – + C + 2 f3 -+- e10 0+ 2 f3 -+- e10 0+- 1 f3 -+- e10 00- R23 + f3 0-+ e10 0-+- C1 + f3 -+- e10 00- C3 – f3 0-+ - e10 +-+ Rb + f3 00- e10 0+-+ C1 + f3 -+- e10 00- Tab. ation par application d’une surveillance sive V. CONCLUSION Nous avo posé une éthode de dé ion de changement abrupt si basé sur un raisonnement flou. Elle travaille à pa par ne de l’instant d’occurrenc ement significatif et la détermination de la gement. Nous avons montré à travers un ation que la décision .. A formal modeling scheme for continuous systems : Focus on di oceedings of the International Joint C ial Intelligence, pages 14 ngs of the International Joint renc uistic systems. Fuzzy Sets Syst sium on Fault Detection Supervision and Safety of nical teur humain : Application sur un e R23 3 Localis progres ns pro i m tect gn ficatif rtir de l’abstraction des données par des fonctions affines morceaux. Cette méthode a pour fonction la détection fi e d’un chang source de ce chan exemple d’applic qualitative fournie par cette méthode peut aider l’OHS dans sa tâche de supervision. VI. REFERENCES [1] Basseville M. et Benveniste A. : Surveillance d’installations industrielles « démarche générale et conception de l’algorithme », Rapport de recherche N° 2889 INRIA, Mai 1996. [2] Biswas G. and Yu X agnosis. In Pr onference on Artific 1474- 79, Chambéry, 1993. [3] Gallanti M., Roncato M., Stefanini A., and Tornielli G.. A diagnostic algorithm based on models at different levels of abstraction. In Proceedi onfe e on Artificial Intelligence, pages 1350-1355, Milan, 1989. [4] Mamdani, E.H. (1977). Application of fuzzy logic to approximate reasoning using ling and ems 26, 1182–1191. [5] Manders, E.-J., Biswas G., Narasimah S., P.J. Mosterman, (2000). Combined Qualitative/Quantitative approach for fault isolation in continuous dynamic systems. 4th Sympo tech processes, Budapest, Hungary, 14-16 June 2000. [6] Triki S., Caulier P., Riera B. (2003). Outil d’aide à la surveillance adapté à l’opéra systèm de trois cuves. Journées Doctorales en Automatique, Valenciennes, France, 25-27 juin 2003. prédiction pour l'hypothèse R12 + prédiction pour l'hypothèse C2 - prédiction pour l'hypothèse + f3 -+- f3 -+- f3 0-+ e1000-+ e10 0+-+ e10 0-+- prédiction pour prédicti l'hypothèse C3 - on pour prédiction pour l'hypothèse Rb + l'hypothèse C1 + f3 0-+ f3 00- f3 -+- e10 +-+- e10 0+-+ e10 00-