Upload
hamlin-pruvost
View
104
Download
0
Embed Size (px)
Citation preview
Maîtrise des risques et sûreté de fonctionnement – Avignon – 6-10 Octobre 2008
Modélisation des dysfonctionnements d’un
système dans le cadred’activités de maintenance
Pascal VRIGNAT 1, Manuel AVILA 1, Florent DUCULTY 1, Frédéric KRATZ2
Institut PRISME - Equipe MCDS - 1IUT de l’Indre – 2ENSI de Bourges
Communication 4A-1
Page 2Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
Table des matières1. Introduction2. Les modèles stochastiques3. Approches Markoviennes cachées4. Aspects algorithmiques5. Etude de cas : modélisation du taux de
dégradation d’un processus industriel pour l’agro-alimentaire
6. Présentation des résultats7. Conclusion et perspectives
Communication 4A-1
Page 3Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
1. IntroductionHypothèse : les évènements qui précèdent une panne sont souvent récurrents. Une suite d’évènements particuliers peut, éventuellement, informer d’une panne prochaine !
• En mécanique : un bruit, une vibration précèdent la rupture. Une baisse de performances traduit une ou des anomalies,
• En informatique : un déplacement inopiné du pointeur, un ralentissement, un dysfonctionnement d’une application comme un navigateur Internet peuvent traduire la présence d’un virus sur l’ordinateur concerné.
Communication 4A-1
Page 4Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
2. Les modèles stochastiques
Communication 4A-1
L’étude des processus stochastiques a commencé au début du 20ème siècle grâce à un mathématicien Russe, Markov Andreï Andreïevitch.
Son étude statistique du langage l’a conduit à formuler l’hypothèse Markovienne, qui peut se résumer ainsi : « L’évolution future d’un système ne dépend que de son état présent ». Autrement dit, cette hypothèse implique que l’état courant du système contient toute l’information apportée par le passé.
« En pratique ce n’est pas toujours le cas : nous serions tous millionnaires après avoir joué à la roulette dans un casino ! »
Page 5Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
3. Approches Markovienne cachées
Communication 4A-1
Les Modèles de Markov Cachés (MMCs) sont utilisés dans différents champs disciplinaires :
• Les travaux en reconnaissance de la parole, biosciences, climatologie, reconnaissance de l’écriture, vérification de l’identité (basée sur l’écriture), médecine (aide au diagnostic), ...
On désignera par :
suite d’observations.
suite (inconnue) des états.
1 2, ,..., TO O O O
1 2, ,..., TQ Q Q Q
Page 6Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Chaîne de Markov Cachée (CMC) discrète du 1er ordre définie par :
: ensemble des N états du modèle.
Un état au temps t par .
: ensemble des M symboles.
Un symbole au temps t par .
Matrice des probabilités de transition entre états :
: matrice de distribution des probabilités
de transition.
1 2, ,..., NS s s stq S
to V
1 ,1 , , 2...t j t i ijP Q s Q s a i j N t T
... ...ijA a
1 2, ,..., MV v v v
Page 7Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Matrice des probabilités d’observation dans les états :
: matrice de distribution des probabilités
de génération de symboles.
Vecteur des probabilités initiales des états :
: matrice de distribution des probabilités
initiales.
( )j t k t jb k P O v Q s
... ( )...jB b k
1i iP q s
.... ...i
Page 8Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Par simplification, on désignera une CMC par le triplet :
Respect des contraintes (Markoviennes) :
( , , )A B
1
1N
ii
1
1N
ijj
a
1...i N
1
( ) 1M
jk
b k
1...j N
Page 9Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
4. Aspects algorithmiques
4.1 Apprentissage du modèle : utilisation de l’algorithme de Baum-Welch
Estimation de façon itérative avec une séquence
d’observations
4.2 A la recherche du meilleur chemin : utilisation de l’algorithme de Viterbi
Communication 4A-1
( , , )A B 1 2, ,... To o o o
:o P O o * argmax P O o
1 11... 1
( , ) max ( ... , ... )t tq qt
t i P o o q q i
Page 10Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
5. Etude de cas : modélisation du taux de dégradation d’un processus industriel pour l’agro-alimentaire
Communication 4A-1
• Pas de variation du temps d’ouverture sur l’année (144 heures par semaine sur l’année),
• La quantité de produit fabriqué est de 1,6T/H.
Page 11Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Consignation des évènements en maintenance sur la peseuse
Page 12Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Codage symbolique
Page 13Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
1er essai (modèle ergodique à 4 états)
Page 14Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Apprentissage du modèle
Page 15Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques CMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Séquence d’états la plus vraisemblable
Page 16Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques MMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
6. Résultats : pseudo-VU-mètre
Séquence en 2006 (modèle ergodique)
Page 17Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques MMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Modèle à topologie forcée
Page 18Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques MMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Séquence en 2006 (modèle à topologie forcée)
Page 19Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques MMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Autre séquence en 2006 (modèle à topologie forcée)
Page 20Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques MMC Algorithmes Etude de cas Résultats Conclusion
Communication 4A-1
Influence du nombre d’états sur une séquence en cours en 2007
Page 21Maîtrise des risques et sûreté de fonctionnement – Avignon 6-10 Octobre 2008
Introduction Modèles stochastiques MMC Algorithmes Etude de cas Résultats Conclusion
7. Conclusion et perspectives
Communication 4A-1