Home

THËSE - Le serveur des thèses en ligne de l`INSA de Toulouse

1. Ev nements de transition Etats e f g A B D D B D A C C C C C D D D D L automate de la Figure 4 2 peut g n rer par exemple les s quences suivantes ABABABC ABABD ABABABAD ABAD ABABABABAB Dans le graphe nous avons ajout un tat fictif pour montrer que A est consid r comme Chapitre 4 Identification d un automate pour la surveillance 79 condition initiale Les tats C et D son absorbants car une action quelconque laisse l tat invariant En g n ral l arc de maintien n est pas repr sent Par la suite nous travaillons avec une repr sentation d riv e de celle que nous venons de pr senter Cette repr sentation indique le nombre d occurrences d une transition entre un sommet tat pr sent et les autres tats tats suivants possibles Cette matrice sera not e TB 1B matrice Brute de Transition La matrice du Tableau 4 2 est repr sent e pour la s quence ABABABAD de la fa on suivante Tableau 4 2 Exemple de repr sentation de la Matrice Brute de Transition TB Etats Etats AB C D A 13 il B 3 es C 0 0 0 D 0 0 0 4 3 Identification des tats de l automate Dans le chapitre 3 nous avons d crit les moyens d obtenir les diff rents tats ou modes de fonctionnement du proc d pour l laboration d un mod le de r f rence Les tats significatifs peuvent tre identif
2. DESCRIPTOR CHANGE Q4 DESCRIPTOR CHANGE i i F3 P7 i LE Q e Heo Chapitre 4 Identification d un automate pour la surveillance 87 DESCRIPTOR F3 Q4 Pi L8 F10 CHANGE DESCRIPTOR F3 Q4 P7 LS F10 CHANGE Figure 4 8 S quence des tats connus en ligne 4 5 3 D tection de transitions non valides entre tats Comme nous venons de le voir les transitions entre tats sont obtenues en fonction du sc nario qui se d roule mais il est possible que les transitions qui se produisent n aient pas t rencontr es ou rajout es par l expert lors de la phase d apprentissage voir Figure 4 9 Ces transitions sont ce stade dites non valides Deux cas peuvent se produire e il peut s agir d une d viation du comportement qui doit tre consid r e comme une d faillance dans le processus ou e il est possible que les tats interm diaires allant de l tat pr c dent vers l actuel n aient pas t reconnus cause du bruit ou de d chantillonnage la p riode 88 Chapitre 4 Identification d un automate pour la surveillance Pree CEE ELEC EEE CEE EE EE ECC EEE ET ECC EEE ECC EEE issues du mod le lt de r f rence ajout e par l expert_ en fin d apprentissage i passage non valide Figure 4 9 Exemple d une transition non pr vue Quand la transition qui vient de se
3. En ce qui concerne la m thode LAMDA la notion de rejet est consid r e en prenant en compte le seuil de minimum d appartenance DAGwc de la classe Non Informative NIC de telle fa on a ne pas attribuer des observations avec une trop faible appartenance Le cas de l ambigu t ne donne pas lieu a une zone de non classement nous avons pr f r adopter le crit re de d cision du premier trouv certes arbitraire mais la fr quence de cet v nement s av re faible 62 Chapitre 3 Identification des tats fonctionnels pour la surveillance Dans le cas o un apprentissage dirig impos a t effectu il faut d une part que l expert valide les caract ristiques des classes pour la repr sentation des modes de fonctionnement d autre part qu il connaisse les performances du classificateur c est dire savoir combien d individus n ont pas t reconnus combien ont t correctement class s et lesquels ont t mal class s voir Figure 3 4 Ces informations permettent l expert de e modifier les param tres du classificateur pour obtenir une meilleure g n ralisation ou plus de s lectivit e v rifier si les individus mal reconnus ont peut tre t mal tiquet s car leurs caract ristiques sont effectivement plus proches de la classe laquelle ils ont t attribu s lors de la reconnaissance e v rifier galement les caract ristiques des individus non reconnus par rapport aux caract ristiq
4. iz N 1 Quantitative Descriptors 00 1 i 1 1 i i 1 1 i 1 1 1 i 1 1 1 o 10 20 30 40 90 100 110 120 130 140 150 170 180 190 200 QUANTITATIVE DESCRIPTORS Seconds 1 1 1 1 1 1 1 1 1 1 1 1 90 100 110 120 130 140 150 170 180 190 200 Seconds TIMESTAMP Seconds 0 00 GAD NIC 1 000000 Figure 32 SALSA Online Main Screen These are the steps the user must follow for online recognition Annexe B Manuel d utilisation de SALSA 3 3 1 Online Configuration 165 The online configuration button is the only enabled button when the user chooses the online stage of SALSA in the main menu Figure 32 2 SALSA Online Configuration Presence Function Lamdal Connectives Probabilistic Exigency Index 1 000000 Figure 33 SALSA Online Configuration e The user must load up the context that will be used for recognition i e the number and type of descriptors used on the offline stage for the creation of classes Figure 33 This file is a binary file with a CON extension this file should have been previously created during the offline stage e Once the context is loaded the user must choose a classification file with CLA extension This classification must have the same number and type of descriptors as the loaded context Once the user has loaded the classification the learning parameters used for this classification will appear under the labels Presenc
5. DAM x oz Individu X ah o aen HE D Classe C A oan 69 f i Mon Go Figure 2 8 Affectation d un individu une classe A Degr d Ad quation Marginale DAM De fa on g n rale chaque individu est repr sent par un vecteur X avec D descripteurs ou attributs xx Ces descripteurs e g poids temp rature etc peuvent avoir des valeurs quantitatives mais il existe aussi des descripteurs tels que la couleur forme etc dont les valeurs sont de type qualitatif symbolique et appel es modalit s Pour le cas des descripteurs quantitatifs les valeurs observ es suivent une normalisation par rapport la valeur maximale xX jy4y et la valeur minimale xmm que le descripteur j peut avoir de mani re ce que ces valeurs se trouvent toujours dans l intervalle 0 1 Cette normalisation est donn e par Xi X jmin x 13 X imax T jMIN O pour le descripteur j d un l ment Xj est la valeur brute et x est la valeur normalis e L individu doit tre attribu une des K classes existantes Pour effectuer ceci pour chaque classe D ad quations marginales doivent tre calcul es DAM x1 C DAM Xj Ck DAMp Xp Cx Il est bien entendu que les param tres des classes ont les m mes caract ristiques que les individus pour pouvoir calculer les DAMs Puisque LAMDA permet de classer des individus repr sent s par des descripteurs quantitatifs a
6. Le Diagnostic recherche des candidats parmi les suspects La Discrimination des hypoth ses raffinement de l ensemble de candidats dans le cas o il y en aurait plusieurs 1 3 1 3 Syst mes flous Une autre alternative pour la mod lisation des syst mes complexes est l utilisation des concepts de la th orie des ensembles flous et de la logique floue YAG94 Un mod le flou est une repr sentation des caract ristiques d un syst me l aide de r gles floues qui d crivent sont comportement Ceci permet une g n ralisation de l information qui essaie d imiter le raisonnement approximatif ex cut par l homme en introduisant l impr cision ZAD73 Les syst mes base de r gles floues sont des syst mes o les relations entre variables sont repr sent es au moyen de r gles floues de la forme SI pr misse ALORS conclusion Fondamentalement deux types de mod les sont distingu s e Mod les linguistiques ML flous MAM77 qui d crivent le syst me partir des r gles SI ALORS o les pr misses et les conclusions utilisent des variables linguistiques qui ont des ensembles flous comme valeurs L ensemble de r gles prend la place de l ensemble d quations classique utilis pour caract riser un syst me Ce type de mod les est essentiellement une expression qualitative du comportement du syst me o les r gles sont obtenues la plupart du temps partir de la connaissance des experts et des diff rents m canismes de r
7. 3 2 2 2 Apprentissage non supervis auto apprentissage Il n est pas toujours possible de disposer des connaissances a priori sur les caract ristiques des modes de fonctionnement et l expert ne peut pas affecter chaque observation a une situation L objectif est de proposer une structure de classes dans un ensemble d observations en trouvant des ressemblances entre ces observations Autrement dit l auto apprentissage consiste en la d couverte a partir des informations contenues dans un ensemble de donn es de classes ou groupes de classes caract risant les diff rents modes de fonctionnement De cette fa on la m thode de classification propose une premi re partition a l expert qui ensuite doit valider ces r sultats en prenant en compte sa connaissance ainsi que les lois physiques r gissant le comportement du processus 3 2 2 3 Apprentissage supervis Actif Nous pouvons constater qu entre l apprentissage dirig impos et l auto apprentissage il existe une troisi me situation d apprentissage pour laquelle une information partielle sur les donn es d apprentissage est disponible En fait l expert n a pas besoin d tiqueter toutes les observations de l ensemble d apprentissage il peut laisser des l ments sans classe soit parce qu il consid re que certains ne sont pas assez repr sentatifs soit parce qu il ne poss de pas les connaissances pour d terminer si ces l ments correspondent un type de comportement
8. R el Donn es pr traitement Historique Caract risation Donn es du Proc d En Ligne Mod le de Comportement SUIVI du Proc d r m l D TECTION dentification d tats 1 I 1 I I I I l I Caract risation I du sympt me 1 Lacune du d faillance Mod le de Comportemen MISE A JOUR DIAGNOSTIC m gt Mod le de Comportement Figure 2 1 Strat gie pour l identification des situations et la d tection Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 27 La Figure 2 1 illustre un sch ma g n ral de la strat gie que nous proposons Elle est bas e sur l analyse d informations disponibles issues des capteurs du processus ce qui nous a amen nous pencher sur les m thodes base de donn es historiques La strat gie consiste en deux tapes diff rentes mais non ind pendantes Une tape hors ligne dans laquelle des donn es historiques sont analys es et trait es pour caract riser le comportement connu du syst me une deuxi me tape dans laquelle le comportement du processus obtenu pr c demment et les donn es en ligne sont utilis es pour d terminer l tat courant attendu du processus Dans la suite nous donnons une description d taill e de chaque tape 2 2 1 Caract risation du proc d Construction d un mod le de r f rence comportement Dans le c
9. automobile sid rurgie chimie p tro chimie sont de plus en plus soumises la concurrence du march Pour assurer leur avenir les entreprises doivent d sormais faire face a diff rents enjeux socio conomiques ce qui les am ne a avoir une complexit toujours croissante de leurs syst mes de production pour pouvoir atteindre des objectifs de plus en plus exigeants Sur le plan conomique les co ts de production le rendement ainsi que le respect des d lais sont des facteurs qui influent sur la comp titivit des entreprises Sur le plan technique les principales contraintes portent sur la diversit la flexibilit la complexit et la qualit des produits Des d veloppements au niveau des technologies de l informatique et de l automatisation deviennent n cessaires L automatisation est donc devenue de plus en plus importante pour optimiser la productivit en am liorant la ma trise des processus industriels Malheureusement pour atteindre ses objectifs l automatisation a accru la complexit des processus et a chang la t che de l op rateur dont le r le a volu de la conduite la supervision D sormais il est devenu essentiel que l op rateur puisse conna tre tout instant l tat de fonctionnement du processus Pour cela l change d informations entre l op rateur et le processus a t am lior au travers des interfaces home machine Mais au del de ces volutions il faut d sormais tre capable
10. faire une reconnaissance en ligne des situations connues et suivre une d marche pr cise dans les cas de d tection de d viations de comportement Finalement dans ce chapitre nous pr sentons l outil SALSA qui a t d velopp pour mettre en uvre la strat gie propos e dans le chapitre 2 Cet outil offre une interface modulaire flexible et conviviale qui permet l interaction et le dialogue avec l expert dans la construction du mod le de comportement SALSA apporte aussi une aide l op rateur au moment du suivi et lors de la d tection des d viations Le chapitre 4 est d di a la mise en place d un mod le d volutions des tats fonctionnels du syst me surveill Le mod le est labor sous la forme d un automate tats finis Nous d crivons dans cette partie les moyens utilis s pour obtenir les tats les transitions et les v nements associ s ces transitions Nous montrons galement comment cet automate peut tre utilis par l op rateur des fins de surveillance Nous terminons ce m moire avec un chapitre 5 d di aux r sultats obtenus lors de l application de l outil SALSA dans le domaine industriel Trois unit s pilotes ont t choisies pour illustrer notre travail 4 Introduction g n rale Chapitre 1 1 SUPERVISION ET AIDE A LA DECISION DES SYSTEMES COMPLEXES 1 1 Introduction Les syst mes industriels sont devenus de plus en plus complexes pas seulement cause de la co
11. sssssnsnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn DO SA I MEFOCUCTION 282 A RE SR dete vias RAA Re A nn ee none 53 3 2 l ments de param trage du syst me de surveillance 54 3 2 1 Choix de l espace de repr sentation contexte cccece ce eeeeeee ences eeeeaeeeeass 55 3 2 2 Modes d Apprentissage ee EE EEE EERE EEE EEE EE EEE EERE EE En 56 3 2 2 1 Apprentissage supervis Impos par l expert 57 3 2 2 2 Apprentissage non supervis auto apprentissage 57 3 2 2 3 Apprentissage supervis Actif 57 3 2 3 R glage des param tres du classificateur cccecceceececeeeeeeeeeeeeeaeeaeeaeeeeaes 58 3 2 3 1 Fonctions d ad quation marginale s iisissssivussn dueresevmemememnseitesse 58 3 2 3 2 Op rateurs d agr gation connectifs et indice d exigence 59 3 3 Analyse et interpr tation des r sultats ss 61 3 3 1 Reconnaissance de l ensemble d apprentissage 61 Table de mati res iii 3 3 2 Analyse du pouvoir d extrapolation ss 63 3 3 3 Interpr tation du profil des classes ccccecceceeeeeeeeeeaeeeeeeeeeaeeaeesesneateseass 63 3 3 4 Visualisation et interpr tation des appartenances 64 3 3 4 1 Evolution des degr s d ad quation globale DAG ccceceeeeseeseeeeeeeaes 65 3 3 4 2 Matrice de connectivit 0 0 ce cccccececeeeeeeeeeeeeeeeeeeeeeeeseeeeeenueeeeeeegeeteeeganegs 65 3
12. tats qualitatifs ou semi qualitatifs pour repr senter le comportement du proc d d fini par un ensemble de variables Cet outil a t nomm SALSA Situation Assessment using LAMDA claSsification algorithm SALSA r alise deux activit s principales La premi re est ex cut e hors ligne et comprend la construction d un syst me de classification avec l apprentissage et la g n ration des classes partir des donn es historiques du processus et l affectation de ces classes aux diff rents tats fonctionnels identifi s Cette partie repose sur un dialogue permanent avec l expert La deuxi me activit est la reconnaissance en ligne de l tat dans lequel le processus se trouve ceci en utilisant l information issue des capteurs et actionneurs du proc d ou d autres toolbox ainsi que le syst me de classification concu lors de la phase d apprentissage A 5 Utilisateurs finaux les unit s industrielles Les diff rents proc d s qui ont t s fournis par les partenaires industriels correspondent un ensemble assez vari de processus qui ont permis non seulement la validation des performances des TBs mais aussi plusieurs configurations d int gration des diff rents outils afin de trouver la plus adapt e aux besoins et contraintes de chaque proc d Ces unit s industrielles vari es sont une unit de cracking catalytique un processus de fabrication de papier une unit pilote de gaz ification de biomasse un g n r
13. Vol 16 pp 441 451 mai 2003 MAM77 Mamdani E 3application of fuzzy logic to approximate reasoning using linguistic systems Fuzzy sets and systems vol 26 pp 1182 1191 1977 MARO3 Marie Joseph I M thodologie de diagnostique appliqu e la maintenance pr ventive d unit s de production d lectricit en sites isol s Th se de doctorat de l Universit des Antilles et de la Guyane 2003 MCG95 MacGregor J F Kourti T Statistical process control of multivariate processes Control Engineering Practice Vol 3 N 3 pp 403 414 1995 MCQ67 MacQueen J Some methods for classification and analysis of multivariate observations Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability Vol 1 University of California Berkeley USA pp 281 297 1967 MELO1 Mel ndez J Colomer J Episodes representation for supervision Application to diagnosis of a level control system Workshop on Principles of Diagnosis DX 01 Sansicario Italy 2001 MIC94 Michie D Spiegelhalter D J Taylor C C Machine Learning Neural and Statistical Classification Ellis Horwood series in Artificial Intelligence February 1994 MIT97 Mitchell T Decision Tree Learning dans Mitchell T Machine Learning The McGraw Hill Companies Inc pp 52 78 1997 NAU95 Nauck D Kruser R Nefclass A neuro fuzzy approach for the classification of data ACM Symposium on Applied Computing SAC
14. duire les co ts conomiques et r pondre aux contraintes environnementales et de s curit Nous avons propos un rapide tat de l art des diff rentes m thodes de diagnostic de d faillances pour des applications industrielles Trois cat gories de m thodes ont t pr sent es les m thodes base de mod les les m thodes base de connaissances et les m thodes partir des donn es historiques Le choix d une de ces m thodes d pend essentiellement des connaissances disponibles sur le proc d sans oublier les consid rations techniques et conomiques N anmoins nous avons constat que ces m thodes ont des limitations et qu un cadre de travail pour la r solution des probl mes de fa on collective utilisant des raisonnements diff rents et parall les s av re tre une alternative attractive pour relever les d fis du diagnostic d unit s industrielles complexes Dans le cadre de cette probl matique notre travail porte sur le d veloppement d un outil d aide pour la caract risation et l identification du comportement du proc d Ceci est r alis au moyen des m thodes de classification de fa on exploiter les vastes quantit s de donn es issues des capteurs et prendre en compte les connaissances de l op rateur expert Nous nous sommes int ress e aux m thodes de classification et reconnaissance de formes en consid rant le fait que m me s il n y a pas une connaissance exhaustive de tous les modes de f
15. e Produit 1 Descriptors Modalities 11 15 20 2 30 35 40 45 50 55 60 Active Qualitative Descriptors Individuals 7 LC 4 sosssses ssssss s ous seses IE musssun 2 oon LN ae ee 1 1 taal IS A TN UT TT Reference Classification i 1 65 70 1 1 i 75 80 65 O ST SS RE RE RE PE ER EE 9 100 105 110 115 121 C View Quantitative Descriptors a Repr sentation des pisodes courant et pr c dent 4 50 55 60 65 70 75 60 85 90 95 100 105 110 115 121 Individuals b Classes pr d finies par l expert r a 4 LL sessus sessss s eouneees sonnu 3 oon annou LLC 2 ansa omas 1 1 1 Ul Te a a 30 35 40 4 50 55 60 65 70 75 60 85 do 95 100 105 110 115 121 c Reconnaissance des classes par SALSA Figure 5 21 R sultats de la reconnaissance pour le classificateur 1 Chapitre 5 Applications industrielles de l outil SALSA 111 Avec cette s lection des param tres et parmi les 312 l ments tiquet s par l expert un seul l ment n a pas t reconnu 0 32 et 15 l ments 4 82 ont t mal reconnus e Classificateur 2 Gaussienne Produit amp 0 99 Descriptors Modalities 121125 130 135 140 145 150 155 160 165 170 175 180 185 190 195 200 205 210 215 220 225 230 Active Qualitative Descriptors Individuals View Quantitative Descriptors a Repr sentation des pisodes courant et pr c dent 7 LC CL W 5 sus 4 CLLCCCCCI nan an ounune
16. employ e pour la premi re fois partir des ann es 1960 dans le domaine de l a ronautique pour l analyse de la s curit des avions REC66 Cette m thode permet une analyse syst matique et tr s compl te composant par composant de tous les modes de d faillance possibles et pr cise leurs effets sur le syst me global VIL88 La d marche consiste d abord d finir le syst me ses fonctions et ses composants Ensuite l ensemble des modes de d faillances des composants doit tre tabli Pour chaque mode de d faillance sont recherch es ensuite les causes possibles de son apparition Finalement une tude des effets sur le syst me et sur l op rateur est faite pour chaque combinaison cause mode de d faillance Les r sultats sont pr sent s sous forme de tableau L AMDE est parfois compl t e par une analyse de criticit elle devient AMDEC Analyse des Modes de D faillance de leurs Effets et de leur Criticit La criticit permet d extraire les modes de d faillance les plus critiques L analyse de criticit est valu e partir du couple probabilit gravit L Analyse de fonctionnement HAZOP Hazard and operability study est une autre extension de l analyse des modes de d faillance AMDE La m thode HAZOP explore syst matiquement l aspect fonctionnel d un syst me en identifiant la fois les dangers et les dysfonctionnements d une installation Elle est mise en oeuvre la fin de la phase de concep
17. f rence comportement n est pas exhaustif Ceci est d par exemple au fait que pour certaines situations le recueil des donn es n a pas t possible ou qu il existe des situations dont l occurrence est peu fr quente 3 4 1 Suivi des tats attendus La reconnaissance des situations attendues tablies lors de l apprentissage partir des nouvelles observations est normalement passive c est dire que les classes ne sont pas modifi es lorsqu un nouvel l ment est pris en compte Cependant il est aussi possible de pr voir l ventualit de faire voluer les classes mais ce moment l pour r aliser la modification d une classe l algorithme LAMDA a besoin d avoir d fini l avance le nombre N d l ments contenus dans la classe au moment de sa mise jour Ce param tre peut rester fixe ou tre incr ment chaque fois qu un nouvel l ment est affect Dans le cas o la valeur de N est fix e ceci correspond un oubli exponentiel o en pratique seulement les N derniers l ments vont contribuer d finir les caract ristiques de la classe et la classe va suivre la trajectoire de ces l ments Le choix de cette valeur est tr s important car si une valeur trop petite est choisie les caract ristiques de la classe seront trop similaires aux attributs des derniers l ments class s Dans le cas o N est incr ment a chaque fois qu un individu est affect il faut d terminer la valeur initiale de N Dans
18. is a graph for quantitative descriptors where for each individual its normalized value is shown and at the left part of the graph the names of the active quantitative descriptors are displayed For qualitative descriptors modalities corresponding to each individual are shown in another graph The user may change from one graph to another using the corresponding option View Qualitative Descriptors or View Quantitative Descriptors which is located at the right bottom corner of each graph See Figure 16 amp Figure 17 SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 158 Annexe B Manuel d utilisation de SALSA Classification Mode Recognition bd CLASSIFY Class Profile Save Ref Cl Text Class Details View Prof CI Value Active Quantitative Descriptors DEEE a et D2 LEVEL_T2 a D4 CONTROL_SIG 1 20 40 60 go 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 419 Active Quantitative Descriptors Individuals C View Qualitative Descriptors rl Figure 16 Active quantitative descriptors graph Classification Mode Recognition Sd CLASSIFY Class Profile Save Ref Cl Text Class Details View Prot CI S Descriptors Modaliti Active Qualitative Descriptors CODES OUT 2 D5 DERI Ti a D6 DERIV_T2 D7 DERIV_CONTROL zj 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 419 Active Qualitative D
19. ments Si N 0 la nouvelle classe serait trop fig e sur son premier l ment et l affectation par la suite d autres l ments serait peu probable Une fois la nouvelle classe cr e elle est ajout e l ensemble des classes existantes et pour les l ments suivants le DAG cette classe sera int gr dans la recherche du maximum 2 3 6 R capitulatif pour le choix d une m thode de classification Afin de montrer une vision g n rale des m thodes que nous avons cit es pr c demment nous pr sentons dans le Tableau 2 1 les caract ristiques qui sont pr sentes ou absentes dans chaque m thode partir des caract ristiques du tableau ainsi que des descriptions des m thodes nonc es pr c demment nous avons choisi la m thode LAMDA pour la mise en place de la strat gie de d tection et de diagnostic propos e 82 2 Ce choix a t fait en vue de la possibilit d utiliser des attributs de natures diff rentes quantitatifs et qualitatifs simultan ment sans avoir besoin de faire une transformation des caract ristiques symboliques pas forcement binaires Ceci s av re avantageux en offrant la possibilit d utiliser des informations impr cises ainsi que des repr sentations linguistiques faites par les experts Par ailleurs en comparant LAMDA avec les RNA il est possible de remarquer une ressemblance au niveau de la structure qui s apparente celle d un neurone N anmoins LAMDA ne cherche pas minimiser d
20. mes complexes 13 fonctions f sont typiquement des instances d une fonction param trique dont la structure demeure la m me dans toutes les r gles seuls les param tres changent 1 3 2 M thodes base de connaissances Nous venons de voir que dans le domaine de l automatique et de la supervision des processus la conception et l utilisation des mod les math matiques pr cis pour la d tection et le diagnostic est bien connue Mais dans beaucoup de cas la construction d un tel mod le est tr s difficile de par la nature complexe ou non lin aire du processus lui m me des param tres variables dans le temps ou du manque de mesures disponibles Dans la pratique il est d montr que dans ce cas l op rateur humain peut fournir une meilleure supervision en utilisant sa propre connaissance et son exp rience pour assurer le bon fonctionnement du processus De ce fait les connaissances de l expert sur la structure et le comportement du processus sont exploit es par diverses techniques 1 3 2 1 AMDEC et Arbres de d faillances Nous pr sentons ces m thodes issues des tudes de risques et de s ret de fonctionnement qui peuvent tre utilis es pour identifier les causes des d faillances de processus industriels Il s agit en fait de l analyse fonctionnelle et mat rielle du syst me e AMDE Analyse des Modes de D faillance de leurs Effets La m thode de l Analyse des Modes de D faillance et de leurs Effets f t
21. non reconnaissance de certaines observations met en vidence un sympt me d une situation non pr vue Alors la caract risation du sympt me l aide des connaissances de l expert permet de savoir s il s agit d une d faillance ou non Cette d marche offre la possibilit de compl ter ainsi le mod le de r f rence Deuxi mement nous avons pr sent les caract ristiques g n rales des diff rentes m thodes de classification qui peuvent tre utilis es pour la d tection de d faillances Parmi ces m thodes nous avons voqu les m thodes de regroupement clustering strict K moyennes et flou C moyennes floues lesquelles utilisent un apprentissage de type non supervis Parmi les m thodes qui emploient un apprentissage supervis ou dirig nous avons cit les arbres de d cision qui peuvent tre repr sent s comme des r gles interpr tables par l homme et qui admettent des attributs de nature qualitative ainsi que num rique les m thodes statistiques et les r seaux des neurones artificiels RNA Enfin nous avons d crit la m thode LAMDA qui repose sur le concept d ad quation d un objet aux classes existantes Les bases th oriques de la m thode se trouvent dans le domaine de la logique floue m me si pour certains cas concrets elle est quivalente une m thode statistique LAMDA r alise la classification d l ments ayant des caract ristiques quantitatives qualitatives ou mixtes Avec LAMDA un auto a
22. on r cursive le nouveau centre ex et la nouvelle probabilit Pr par le biais de la nouvelle distance dj Ici aussi pour calculer ces deux param tres l algorithme pr c dent peut tre utilis X C ex Cyt 22 dy c 23 l d Py Pig Pi E ee 24 3 Dans le cas d une fonction de distribution normale nous devons calculer la nouvelle moyenne et la variance dj X Mig J J 25 Mig Mi N 1 2 2 X U f 0 6 ee J Ly kj 26 N 1 Dans tous les cas N repr sente le nombre d l ments attribu s pr c demment la classe 4 En ce qui concerne la mise jour des descripteurs qualitatifs la fr quence observ e m de la modalit j est la moyenne de la fonction d occurrence 6 1 si modalit pr sente 27 0 autrement T N 1 De cette fa on la somme de toutes les fr quences d un descripteur est gale 1 48 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification Dans le cas de l auto apprentissage quand la valeur maximale obtenue des DAGs d un individu ne d passe pas le seuil minimum de la NIC la cr ation d une nouvelle classe est possible Cette nouvelle classe est construite par la modification des caract ristiques de la NIC partir de celles de l l ment non reconnu Pour permettre une volution de la nouvelle classe la proc dure consid re que la NIC contient un nombre No fictif d l
23. probabilistes Il y a deux fa ons de r aliser la classification en utilisant les DL e Une fa on est de maximiser la s paration entre les classes par le crit re des moindres carr s Un hyperplan dans l espace de repr sentation D dimensionnel est choisi pour s parer du mieux possible les classes pr d finies Les l ments sont class s selon le cot de l hyperplan o ils se situent e Une autre possibilit est de faire la classification l aide de l estimateur maximum de vraisemblance Ici on suppose que les attributs des l ments d une classe sont ind pendants et suivent une certaine distribution de probabilit avec une fonction de probabilit fdp f MIC94 Un nouvel objet de vecteur d attributs x est alors affect la classe pour laquelle la fdp f x est maximale Ces techniques de classification font l hypoth se que le vecteur des caract ristiques des objets ob it une loi de distribution connue De ce fait ces m thodes sont appel es aussi param triques MARO3 CAS03 Une supposition tr s fr quente est que les distributions sont de type Gaussien ou normal avec des moyennes diff rentes mais avec la m me matrice de covariance La Figure 2 3 illustre les LD de Fisher appliqu s la base de donn es des iris disponibles dans UCI98 Il y a trois vari t s d iris Setosa Versicolor et Virginica Il y a 50 mesures pour chaque vari t Nous avons pris deux des quatre attributs pour faire la p
24. risation du comportement du processus a t r alis e une identification ou reconnaissance en ligne des tats pr vus ou attendus peut tre faite Ceci correspond une tape de suivi du proc d Pendant la reconnaissance les donn es qui arrivent sont analys es pour d cider si la situation correspond un tat de fonctionnement normal L identification de situations est alors bas e sur la comparaison entre les diff rents tats possibles du processus enregistr s dans le mod le de r f rence et les situations observ es d crites par les donn es en ligne Toute d viation du comportement pr vu m ne la g n ration d un sympt me Comme nous l avons d j voqu cette proc dure de d tection bas e sur un tel principe de divergence cart laisse prendre en compte des situations anormales dues de vraies d faillances sur les capteurs et ou actionneurs du processus mais galement des situations inattendues qui correspondent un fonctionnement normal du processus et qui n ont pas t consid r es lors de l laboration du mod le de comportement ce stade la connaissance du sympt me n est pas suffisante pour d crire la nature de la d viation observ e Une caract risation du sympt me est alors n cessaire 2 2 3 D tection des d viations caract risation des sympt mes La caract risation des sympt mes d tect s issus des d viations du comportement attendu est effectu e hors ligne Le but e
25. sentation permet de d crire les tendances d un signal selon sa deuxi me d riv e laquelle peut tre calcul e par le biais d un diff rentiateur band limited gt FIR COLO1 afin d viter l amplification de bruit La premi re d riv e qualifi e au d but et la fin de chaque pisode est employ e pour obtenir une repr sentation plus significative de la tendance du signal Ainsi un ensemble de 13 types d pisodes est obtenu voir Figure 1 4 Un avantage important de cet ensemble d pisodes pour la surveillance est que les discontinuit s et les p riodes de stabilit habituelles dans des situations de d faillance et dans des situations normales respectivement sont explicitement repr sent es en utilisant 5 types d pisodes a B y u Cette approche a t utilis e Chapitre 1 Supervision et aide la d cision des syst mes complexes 17 en combinaison avec d autres m thodes pour le diagnostic d unit s industrielles COLO2 A BIX IAIE dy nr pKklAlinu A BICIDIE F GlH II JIKILIM Figure 1 4 Types d pisodes partir de la deuxi me d riv e L abstraction qualitative permet une repr sentation compacte de la tendance en ne prenant en compte que les v nements significatifs Pour des t ches telles que le diagnostic la repr sentation qualitative des tendances fournit souvent des informations valables qui facilitent le raisonnement s
26. un dialogue avec les experts et les op rateurs un ajustement des param tres du classificateur pour fournir la meilleure repr sentation est possible La deuxi me tape en prise directe avec les mesures accessibles en ligne r alise la reconnaissance des tats de fonctionnement connus Cette tape d identification en ligne doit fournir l image la plus informative et la mieux compr hensible par les op rateurs in situ Nous nous sommes bas s sur la m thode de classification LAMDA laquelle repose sur le concept de degr d appartenance ad quation d un objet aux classes existantes qui remplace les crit res classiques de distance Cette m thode se diff rencie d autres techniques par la notation de l ad quation nulle et l incidence de celle ci sur la classification La m thode comporte deux op rations principales le calcul du degr d ad quation marginal DAM et le calcul du degr d ad quation global DAG Le DAM est calcul partir d un choix parmi plusieurs fonctions d appartenance ayant des propri t s sp cifiques et l aide d une fonction d ad quation param trable La s lectivit de l algorithme peut tre modul e par le param tre d exigence de cette fonction La repr sentation des fonctionnements l aide de classes a t compl t e par la construction d une machine tats finis ou automate partir de l estimation des fonctions de transition Cet automate peut tre utilis pour
27. 0 8 0 7 12 0 6 S 05 gt 0 4 0 34 0 24 cCoO 0 1 0 0 1 1 7 1 1 1 Class 1 Class 2 Class 3 Class 4 Class 5 Class 6 Current Classes b Profil des classes Figure 5 4 Classification pour l identification des tats du gaz ifieur 96 Chapitre 5 Applications industrielles de l outil SALSA Pour l identification des tats fonctionnels du gaz ifieur pr sents dans l ensemble d apprentissage nous avons r alis un auto apprentissage Dans KEMO03 les auteurs ont montr plusieurs partitions pour diff rentes valeurs de l indice d exigence ainsi que la partition r sultante partir d un apprentissage dirig La classification pr sent e dans la Figure 5 4 a t obtenue en utilisant la fonction binomiale centr e quation 14 pour le calcul des ad quations marginales DAM La famille des connectifs choisie pour obtenir l ad quation globale DAG est le Minimum Maximum avec un indice d exigence 0 9 A partir de ces param tres 6 classes ont t obtenues Ces classes ont t interpr t es par l expert selon ses connaissances et l aide du profil des classes Figure 5 4b ainsi que du HAZOP disponible elles ont t associ es aux cinq situations suivantes SITUATION Description Classe Temp ratures suivent le point d op ration stabilit C1 Op ration normale Combustion normale Haut d bit d eau Augmentation des temp ratures notamment T2 c3 Combustion normale CO maxi
28. 1 1 1 1 1 1 1 1 I1 1 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 410 Individuals CLASS LEGEND Figure 26 Membership Graph 3 2 1 7 Mapping Classes to States e When a suitable classification is obtained the user must assign the different classes into representative states This is done using the Mapping to States button located at the right bottom side of the Current Classification graph e The user must first of all create the list of possible significant states by clicking at the Create List of States button See Figure 27 Mapping Classes to States Figure 27 Mapping Classes to States Window e The user can add and remove the number of representative states of the process Once the list is completed the user can close the window by clicking the OK button See Figure 28 Annexe B Manuel d utilisation de SALSA 163 States Creation amp Edition State List CRITICAL_OBS Add Remove OK Figure 28 Creating the list of States e After the list of states is created the table of classes and states must be filled up A class can be mapped into a state from the list by double clicking into the cell of the corresponding class Figure 29 b Mapping Classes to States EDIT List of States Double Click on a cell to edit a Class Record Class Number Class Name Associated State 1 NoState Class Re
29. 1 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 s00 850 900 937 oat Active Quantitative Descriptors Individuals Figure 5 14 Ensemble d apprentissage pour le bouilleur en op ration normale Chapitre 5 Applications industrielles de l outil SALSA 105 L tape d apprentissage pour l identification des tats en r gime normal du bouilleur a t r alis e en choisissant un auto apprentissage La classification la plus repr sentative pour l expert a t obtenue avec la fonction Binomiale centr e pour le calcul des DAM la famille de connectifs flous Minimum Maximum avec une exigence a 0 75 pour l ad quation globale La Figure 5 15 illustre la classification r sultante ainsi que le profil de chaque classe cr e 1 80 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 a Classes g n r es pour le bouilleur en r gime normal donn es brutes 1 0 Class 1 0 3 F3 04 0 8 P7 0 7 0 6 F10 2 0 5 L8 0 4 0 3 0 2 0 1 0 0 s 1 Class 2 Class 3 Class 4 Class 5 Current Classes 900 337 b Profil des classes en r gime normal Figure 5 15 Classification obtenue par l auto apprentissage pour le bouilleur Les classes g n r es par SALSA ont t interpr t es par l expert l aide de leur profil En r gime d op ration normale quatre situations peuvent se produire SITUATION Description Classe Op ration no
30. 10 Les pisodes type caract risant chaque situation y sont pr sent s L ensemble d apprentissage contient plusieurs fois les diff rentes situations et les l ments ne sont pas tous tiquet s Nous avons test plusieurs configurations de l algorithme LAMDA pour apprendre ces diff rentes situations Pour la validation du classificateur nous avons fait la reconnaissance de l ensemble d apprentissage afin de v rifier si l outil t capable d identifier correctement les situations apprises Dans les Figure 5 21 et Figure 5 22 nous illustrons un apercu des r sultats obtenus par deux classificateurs 110 Chapitre 5 Applications industrielles de l outil SALSA Tableau 5 10 Diff rentes situations du bouilleur tre identifi es SITUATION CLASSE EPISODES VALEURS Op ration normale d marrage C1 F10 ActEp g Aucune r gulation Peu de vapeur en sortie F10 PasEp Z F10 Val 0 Op ration normale C2 F3 Act hi R gulation niveau L8 d eau L8 Val 147 Op ration normale C4 F10 ActEp g Aucune r gulation P7 ActEp p h o L8 ActEp g Blocage de la vapeur la sortie du bouilleur C3 F10 ActEp a g F10 Val lt 3 D faillance de la pompe se met en marche C5 F3 ActEp hi L8 Val 149 153 Fuite d eau du bouilleur C6 L8 ActEp s a L8 Val 150 147 8 D faillance du capteur de pression P7 C7 P7 ActEp low P7 Fval lt lt 1 e Classificateur 1 Binomiale centr
31. 3 5 Affectation des classes en tats fonctionnels ccceccececceeeeseeeeeaeeeeeeeveaeees 66 3 4 Reconnaissance des classes en ligne ss 67 3 4 1 Suivi des tats attendus ss issssescecceneseeeeeneeeeeeeneemennnees 67 3 4 2 D tection de d viations l ments non reconnus ou mal reconnus 68 3 4 3 Caract risation des d viations d tect es sisi iiisseeussuuueees 69 3 5 L outil SALSA sind atteint shal dats bad eme waa seine than ati tati entendent 71 3 6 CONCIUSION een nement nee en O E O ere od sve diaw es neo eee oran eue 72 4 Construction d un automate pour la surveillance l aide de la Classification ss sssssscesennesmenmnncncenaistasesannensesannisnennstebueninunsesenseusee FO A T INtrOdUCEION 4325488 I E T ea deter eidaedatbuaneen edna cheidadexeeeiaas aaee den 75 4 2 Rappels sur les machines tats finis 75 4 2 1 Machines tats finis automates pour la supervision 77 4 22 Matrices de transitilon sss ses se manne dois sits hens vat cous cada ved Via Nils en bnin NS 78 4 3 Identification des tats de l automate cece cece eee ee ee eeeeeeeeeeaeeaeeaeeseaaeaseneags 79 4 4 Identification des transitions a partir de l apprentissage s quentiel 81 4 4 1 Identification des Transitions EEE EEE nnn Eee 83 4 4 2 Validation des Transitions ss EEE ERE Henne Ea 83 4 5 Identification des s quences en ligne
32. 82 1991 Quinlan J R Induction of Decision Trees Machine Learning Vol 1 pp 81 106 1986 Recht J L Failure Mode and Effect National Safety Council 1966 Reiter R A theory of diagnosis from first principles en Hamscher W Console L de Kleer J Eds Model Based Diagnosis Morgan Kaufman 1992 Ribes J C Delaunay J Delvaux J Merle E Moulliet M Diagnostic par reconnaissance de formes de l tat de fonctionnement de l acc l rateur AIRIX Journal Europ en des Systemes Automatis s APII JESA 2002 Ruiz D Noug s J M Puigjaner L Fault diagnosis support system for complex chemical plants Computers and Chemical Engineering Vol 25 pp 151 160 2001 Takagi T Sugeno M Fuzzy identification of systems and its application to modeling and control IEEE Transactions on systems man and cybernetics Vol 15 N 1 pp 116 132 1985 Toguy ni A K A Craye R Alarm processing and faults recovery based on functional modeling Proceedins of World Automation Congress Maui Hawaii June 2000 Bibliographie 131 TRA97a TRA97b UCI98 VANO3 VED97 VENO3a VENO3b VEN90 VIL88 WAIOO WAI98 Trav Massuyes L Dague P Guerrin F dir Le raisonnement qualitatif pour les sciences de l ingenieur Hermes Paris 1997 Trav Massuyes L Milne R TIGERTM gas turbines condition monitoring using qualitative model based diagnosis IEEE Exp
33. 9 eae SS Nous allons focaliser notre travail sur la supervision des syst mes industriels et plus particuli rement sur les fonctions de surveillance telles que d finies par le point de vue de la communaut du continu voir pointill Figure 1 1 c est dire la d tection et le diagnostic Diff rentes m thodes peuvent tre utilis es pour la mise en uvre des tapes de la supervision Ainsi nous pouvons classer les diverses m thodes utilis es pour d tecter les anomalies et les diagnostiquer d apr s la nature de la connaissance disponible sur le processus 1 3 Diff rentes m thodes pour l laboration d un syst me de supervision et diagnostic industriel A l heure actuelle il existe plusieurs communaut s de recherche telles que la communaut de l automatique de la productique de l intelligence artificielle qui s int ressent au domaine de la supervision et plus particuli rement au diagnostic dans le but principal d assister les op rateurs dans la gestion des v nements anormaux La litt rature sur le diagnostic de d faillances dans les processus industriels est vaste s tendant d s m thodes analytiques l intelligence artificielle et aux m thodes statistiques D un point de vue de la mod lisation des m thodes de diagnostic ont besoin de mod les pr cis du processus de mod les semi quantitatifs ou bien de mod les qualitatifs Par ailleurs d autres m thodes n utilisent aucune forme de mod le et s a
34. 95 Nashville USA f vrier 1995 NIM95 Nimmo I Adequately address abnormal situation operations Chemical Engineering Progress Vol 91 No 9 pp 36 45 1995 NOM94 Nomikos P MacGregor J Monitoring batch processes using multiway principal component analysis American Institute of Chemical Engineers Journal Vol 40 N 8 pp 1361 1375 1994 Bibliographie ORAO5 ORR96 PER98 PIE89 PIE91 QUI86 REC66 REI92 RIBO2 RUIO1 TAK85 TOGOO Orantes A Le Lann M V Aguilar Martin J Outil d aide a la s l ction des capteurs pour la d tection de fautes et le diagnostic 10 congres de la societ francaise de genie des proc d s SFGP 2005 Toulouse septembre 2005 Orr M Introduction to radial basis function networks Rapport technique Centre for Cognitive Science University of Edinburgh Ecosse 1996 Perez Uribe A Artificial Neural Networks Algorithms and Hardware Implementation dans Mange D Tomassini M Bio Inspired Computing Machines Towards novel computational architectures Presses Polytechniques et Universitaires Romandes 1998 Piera N Aguilar Martin J LAMDA An incremental conceptual clustering method Rapport technique LAAS CNRS N 89420 d cembre 1989 Piera N Aguilar J Controlling Selectivity in Non standard Pattern Recognition Algorithms IEEE Transactions on systems man and cybernetics Vol 21 N 1 pp 71
35. A ce moment l l algorithme d apprentissage peut effectuer une premi re classification pour obtenir les param tres de classes Ensuite les observations qui n ont 58 Chapitre 3 Identification des tats fonctionnels pour la surveillance pas t attribu es une classe seront utilis es soit pour faire voluer les classes existantes soit pour en cr er de nouvelles Cette m me proc dure peut tre r alis e d une autre fa on dans un premier temps un auto apprentissage donnant lieu une classification est r alis Dans un deuxi me temps l aide d un nouveau jeu de donn es un autre apprentissage est effectu celui ci autorisant la modification et ou la cr ation des classes obtenues pr c demment Avec LAMDA il est possible de mettre en place aussi bien l auto apprentissage que l apprentissage dirig supervis ou la combinaison des deux Apprentissage supervis actif 3 2 3 R glage des param tres du classificateur Comme nous l avons d j indiqu quand nous faisons appel aux algorithmes de classification pour d terminer les diff rents modes de fonctionnement partir de donn es en plus du choix du type d apprentissage il faut aussi choisir et ajuster certains param tres de fa on obtenir une partition satisfaisante Le r glage de ces param tres est fait en fonction des caract ristiques de l ensemble de donn es mais aussi en fonction des performances pendant la reconnaissance des nouve
36. ACTIVE Quantitative Descriptor Qualitative Descriptor Descriptor 1 LEVEL Descriptor 5 DERIV_TI has 5 modalities and they are 100 2 Label individuals Individual 2 x ae A 120 5 3 C 114 4 E 77 g 5 A 67 5 Normalized Value 019 x Modalities OK oK Figure 14 Quantitative amp Qualitative Descriptor windows For qualitative descriptors a histogram of the number of individuals for each modality is shown in Figure 14 as well as a small window that gives the name of the modality and the exact number of individuals For quantitative descriptors a graph representing each individual with its normalized value is shown There is also a text window with all the information about the loaded context see Figure 15 x The present context has descriptors and they are a 1 Name LEVEL_T1 Type QUANTITATIVE Max 10 0783 Min 4 04383 Current STATE of the descriptor ACTIVE 2 Name LEVEL_T2 Type QUANTITATIVE Max 6 64809 Min 0 778975 Current STATE of the descriptor ACTIVE 3 Name DES_OUT Type NON ORDERED QUALITATIVE Label 1 value A Label 2 value C Current STATE of the descriptor INACTIVE 4 Name CONTROL_SIG Type QUANTITATIVE Max 9 99752 Min 1 4701 Current STATE of the descriptor ACTIVE y 4 Figure 15 Context Description window By clicking the View Population button all active descriptors are graphically displayed There
37. C est la m thode la plus couramment utilis e dans les analyses de fiabilit de disponibilit ou de s curit des syst mes Il s agit d une m thode optimis e qui permet la d termination des chemins critiques dans un syst me Cette m thode a pour objet de d terminer les diverses combinaisons possibles d v nements qui entra nent la r alisation d un v nement ind sirable unique Elle permet donc d identifier les points faibles de la conception C est une m thode d ductive dont la repr sentation graphique des combinaisons est r alis e par une structure arborescente arbre permettant un traitement la fois qualitatif et quantitatif Cet arbre est tabli sous forme d un diagramme logique et comporte au sommet l v nement ind sirable Les causes imm diates qui produisent cet v nement sont ensuite hi rarchis es l aide de symboles logiques ET et OU De cette fa on l arbre est cr pas pas pour atteindre la base un ensemble d v nements consid r s comme l mentaires Une extension des arbres de d faillances est la m thode du diagramme de causes cons quences VIL88 Cette m thode combine les principes utilis s par l analyse d ductive de l arbre des d faillances et l analyse inductive de l arbre des cons quences Le principal inconv nient des arbres de d faillances est que le d veloppement est sensible aux erreurs diff rentes tapes En effet l arbre construit est seulement aussi
38. Dans le cas des RNA avec apprentissage non supervis o les exemples n ont pas des classes attribu es a priori le r seau s adapte en r ponse ses entr es Il y a des r seaux capables de mod liser la structure de l espace de repr sentation g n ralement en termes d une fonction de densit de probabilit ou en repr sentant les donn es en termes de prototypes centres et leur similarit chaque prototype Cette similarit est calcul e avec une m trique de distance Quand la mesure de similarit d un exemple est consid r e insuffisante pour que celui ci soit class dans un des diff rents groupes existants un nouveau groupe est cr Parmi ce type de r seau nous trouvons les r seaux auto organisationnels ou de Kohonen KOH95 et plus r cemment les r seaux Cluster D tection and Labeling CDL ELT98 Apres la phase d apprentissage a partir d un ensemble des donn es le RNA est pr t et peut tre utilis pour la pr diction ou pour la classification de nouveaux exemples dans les classes existantes Dans la litt rature de nombreux travaux d montrent l utilit des RNA de par leurs caract ristiques d apprentissage et capacit de g n ralisation pour la d tection et le diagnostic de d faillances VEN90 ainsi que pour la surveillance de processus complexes LURO3 Les RNA sont tr s int ressants pour des probl mes non lin aires o il devient de plus en plus difficile d employer des techniques tell
39. EPISODES Pr faute Qi O A F C5 C10 C11 Q2 G A Q3 G F A Q4 G A faute Q1 O L C7 Q2 O L Q3 O L Q4 O L 5 5 Conclusion Dans ce chapitre nous avons pr sent les r sultats obtenus lors de l utilisation de l outil SALSA sur diff rentes unit s pilotes Pour certaines applications l identification des situations n tait pas possible en utilisant uniquement les donn es brutes et une repr sentation partir d pisodes a t effectu e Nous avons aussi abord les diff rentes tapes de la strat gie que nous proposons pour l identification des tats fonctionnels du g n rateur de vapeur Dans un premier temps nous avons r alis un auto apprentissage hors ligne pour caract riser les situations en fonctionnement normal Puis la reconnaissance en ligne des situations apprises a t r alis e Nous avons illustr aussi la caract risation des nouvelles situations lors de la d tection d une d viation CONCLUSION ET PERSPECTIVES Dans notre travail nous avons propos une strat gie d aide la d cision pour la surveillance en ligne des processus complexes Ces travaux ont t bas s sur l exploitation des donn es acquises sur le syst me surveill Cette strat gie suppose deux tapes La premi re consiste en l laboration d un mod le de r f rence des tats normaux ou anormaux partir d un apprentissage hors ligne Cet apprentissage utilise des donn es historiques et gr ce
40. Identification des tats fonctionnels pour la surveillance pour obtenir ainsi un mod le de r f rence Cette association des classes vers des tats significatifs est ensuite visualis e de fa on graphique lors de l analyse HISTORIQUES CONFIGURATION CLASSIFICATION Donn es Espace de Description ial s d tails entra nement es classes Mode d Apprentissage E Donn es Matrice test param tres LAMDA Appartenances DAG IX NON ff oul Affectation Cr H m tats VALIDATION fonctionnement Mod le de R f rence Figure 3 11 Structure SALSA hors ligne Cr ation du mod le de r f rence e Une tape en ligne dans laquelle partir du mod le de r f rence labor hors ligne et des observations pr sent es en ligne l identification de l tat courant du proc d est r alis voir Figure 3 12 Cette tape effectue le suivi du proc d surveill et alerte l op rateur d s qu une d viation est d tect e via des observations correspondant un tat non reconnu assign la NIC Donn es en ligne H Reconnaissance EE amp tat courant Si Mod le de ANALYSE R f rence Figure 3 12 Structure SALSA en ligne Identification des tats fonctionnels Dans l annexe B nous d crivons de fa on plus d taill e les modules d appr
41. LAMDA Aplicaci n al diagn stico en psicopatolog a Workshop IBERAMIA 02 VIII Iberoamerican Conference on Artificial Intelligence Seville Espagne Novembre 2002 128 Bibliographie GER98 GROWTH GUS79 HER94 ISE93 ISE97 JAI99 JAN91 KAU90 KEMO3 KEM04 KOH95 KOT93 KUI86 Gertler J Fault Detection and Diagnosis in Engineering Systems Marcel Dekker New York 1998 Competitive and Sustainable Growth Programme disponible sur http europa eu int comm research growth index html Gustafson D E Kessel W C Fuzzy clustering with a fuzzy covariance matrix Proceedings of IEEE CDC San Diego USA pp 761 766 1979 H rault J Jutten C Perceptrons multicouches dans R seau neuronaux et traitement du signal Trait des Nouvelles Technologies s rie traitement du signal Hermes 1994 Isermann R Fault diagnosis of machines via parameter estimation and knowledge processing Automatica Vol 29 N 4 pp 815 835 1993 Isermann R Supervision Fault Detection and Fault Diagnosis Methods An introduction Control Eng Practice Vol 5 N 5 pp 639 652 1997 Jain A K Murty M N Flynn P J Data clustering A review ACM Computing Surveys Vol 31 No 3 September 1999 Janusz M Venkatasubramanian V Automatic generation of qualitative description of process trends for fault detection and diagnosis Engineering Applications of Artifici
42. La bonne exploitation du syst me d pend de la pertinence de l espace de repr sentation et des performances de la r gle de d cision Un des points les plus importants dans les m thodes de reconnaissance de formes est le bon choix de l espace de repr sentation car de celui ci d pend la qualit du r sultat Malheureusement il n existe pas de r gle g n rale pour choisir l espace de repr sentation ce choix s appuie sur les connaissances a priori existantes sur le 20 Chapitre 1 Supervision et aide la d cision des syst mes complexes ro probleme r soudre il n y a pas de d marche algorithmique qui permette de le formaliser Un des inconv nients d utiliser les m thodes de reconnaissance des formes pour le diagnostic est que en g n ral le nombre de classes est suppos connu au d part i e la connaissance est suppos e exhaustive Toute observation doit appartenir une des classes d finies Ceci est loin d tre le cas dans le contexte du diagnostic Par ailleurs il reste souvent des modes de fonctionnement dont nous ignorons les caract ristiques Dans ce cas il est n cessaire d utiliser des techniques qui permettent de prendre en compte la d tection de nouvelles classes d apprendre leurs caract ristiques et de les inclure dans le syst me de d tection ce qui implique qu un syst me de diagnostic bas sur des m thodes de reconnaissance de formes doit tre un syst me volutif capable de prendre en compt
43. Le deuxi me axe contiendra la seconde plus grande Variation orthogonale au premier Le but principal de l ACP est donc de trouver un ensemble de facteurs composantes qui ait une dimension inf rieure celle de l ensemble original de donn es et qui puisse d crire correctement les tendances principales L ACP est une proc dure qui ne prend en compte que les variables du processus Parfois un ensemble additionnel de donn es est disponible e g variables de qualit du produit Il est souhaitable d inclure toutes les donn es disponibles pour la surveillance du proc d et d utiliser de cette fa on les variables du processus pour pr dire et d tecter des changements dans les variables de qualit du produit Pour cela la m thode des Moindres Carr s Partiels MCP peut tre utilis e VENO3b Cette m thode mod lise le rapport entre deux blocs de donn es tout en les comprimant simultan ment Elle est employ e pour extraire les variables latentes qui expliquent la variation des donn es du processus 18 Chapitre 1 Supervision et aide la d cision des syst mes complexes Divers travaux men s par MacGregor et al MCG95 NOM94 ont montr l application des m thodes statistiques multi variables telles que les ACP et MCP dans l analyse et la commande de processus la d tection et le diagnostic de d faillances aussi bien dans le cas de proc d s continus que dans les cas des proc d s batch continus par lots Une li
44. Learning Options window 156 Figure 13 Recognition Options window 156 Figure 14 Quantitative amp Qualitative Descriptor windows 157 Figure 15 Context Description window 4 sise 157 Figure 16 Active quantitative descriptors graph 158 Figure 17 Active qualitative descriptors graph ss 158 Figure 18 Application ready for classification 158 Figure 19 Classification Results using Supervised Learning eceeeeeeee testes eee teenies 159 Figure 20 Classification visualizing buttons 159 Figure 2 1 Profile foreach Class ne tach ch evan ene tnt mare tn ete Ve ee DE 159 Figure 22 Class Details window sise 160 Figure 23 Recognition Results Window 448 issues 160 Figure 24 Reference Classification Graph sise 161 Figure 25 Analyse Window sisi 161 Figure 26 Membership Graph sssssssssssssssssossensonrsorrorrerrerrunnuunnunnusnusnnssnesnassesneennnt 162 Figure 27 Mapping Classes to States Window cecceee eee e eens eect ee eee eee eee estan ea eee 162 Figure 28 Creating the list of States sisi 163 Figure 29 Assignment of Class to State sisi 163 Figure 30 View Edit Mapping amp States buttons 163 Figure 31 Current States Graph sise 164 Figure 32 SALSA Online Main Screen saroien iiaii a aE AAAA AN aA TATAE din ane eee ted 164 Figure 33 SALSA Online Configuration 165 Figure 34 List of Online Qua
45. Par cons quent si la valeur maximale des DAGs pour un individu est inf rieure au seuil NIC cet individu ne sera attribu aucune classe existante La classe NIC est obtenue en consid rant pc 4 pour tous les descripteurs quantitatifs dans le cas des fonctions DAM des quations 14 et 15 et pour le cas de l quation 17 un seuil doit tre d fini et le vecteur Wyre nr pour les descripteurs m m qualitatifs La classe NIC reste toujours vide en auto apprentissage puisqu une nouvelle classe dont les param tres sont fonction des valeurs de l l ment est cr e Piera et 46 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification Aguilar PIE91 ont montr que dans le cas de reconnaissance sans apprentissage le nombre d l ments attribu s la classe NIC cro t avec l exigence Nous avons mentionn pr c demment qu avec LAMDA un auto apprentissage apprentissage non supervis ainsi qu un apprentissage dirig supervis taient possibles Pour le premier aucune connaissance a priori sur les classes ou sur leur nombre n est n cessaire En ce qui concerne l apprentissage dirig les param tres n cessaires pour la caract risation des classes sont les vecteurs des valeurs moyennes pour les descripteurs quantitatifs et ou les fr quences des modalit s pour les descripteurs qualitatifs L apprentissage dirig consiste calculer la valeur moyenne quation 20 pour cha
46. Une strategie pour la surveillance base de m thodes de ClASSIFICATION ss srsscsnsiencenmnnnsstsnnennennane aa aa OF 2 1 Introduction essere Er ETE EAA E EAEE EAEEREN 25 2 2 Une strat gie pour la d tection et le diagnostic 26 2 2 1 Caract risation du proc d Construction d un mod le de r f rence comportement s ssessesssrrsrrsrssesnsnrnnrsrrernossaenannnnnnernensannannnnnnersensennennan 27 2 2 2 Surveillance et suivi du proc d 28 2 2 3 D tection des d viations caract risation des sympt mes 28 2 3 Choix d une m thode de classification pour l impl mentation de la strat gie 29 2 3 1 M thodes de coalescence clustering 29 2 3 1 1 K MOYenNnesiss assis create alain ns nan area Een Ed Sou need ae 30 2 3 1 2 C Moyennes Floues FCM sise ess nes neeeeeeesnneenres 32 2 3 2 M thodes statistiques cccccccccceceeceeeeeeeaeeeeeeeeeeaeeaeeeeeeeaeeaeeaeeaesataaeeneags 34 2 3 3 Arbres de d cision et induction ss secs deteniiernireennd ace talons 35 2 3 4 R seaux neuronaux artificiels sscciiesssanisescinnsesn anianenesmiounestuegmencenrogerattts 37 2 3 5 LAMDA oren aaa AES AAE nas Mint dites 41 2 3 6 R capitulatif pour le choix d une m thode de classification 48 2 4 CONCUSSION Een tres akan na et ep a ANTAA hae MED nan ane n s nana kde ob art tte 51 3 Identification des tats fonctionnels pour la surveillance des proc d s partir de dOnn eS
47. When clicking this button the program will create the d_in dat file the information of this file will be displayed in the current datum window Online Data is generated every two seconds 6 When SALSA creates the output file d_out dat the program will display its contents in the Current Class window and will destroy this file in order to generate a new d_in dat file with a new datum 7 To quit the application click on the EXIT button SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 170 Annexe B Manuel d utilisation de SALSA 5 REFERENCES Kempowsky Aguilar Martin Le Lann Subias Learning Methodology for a Supervision System using LAMDA Classification Method IBERAMIA 02 VIII Iberoamerican Conference on Artificial Intelligence Sevilla Spain Nov 12 15 2002 Kempowsky Aguilar Martin Subias Le Lann Classification Tool based on Interactivity between Expertise and Self Learning Techniques IFAC Safeprocess 2003 Washington D C USA June 9 11 2003
48. X x x x dans un espace D dimensions o D correspond au nombre d attributs ou caract ristiques Cet espace est connu sous le nom d espace de repr sentation o de description Le regroupement des observations selon leurs caract ristiques permet la d finition des classes d crivant des r gions particuli res de l espace de repr sentation L ensemble des classes C C k 1 K d finit l espace de d cision Le regroupement des observations pour construire l espace de d cision est fait a partir d une phase d apprentissage en utilisant une mesure de similitude par le biais des m thodes de classification L objectif de la reconnaissance de formes illustr sur la Figure 1 5 est alors de savoir associer toute nouvelle observation X une classe de l espace de d cision L affectation d une observation X l une des K classes not es C C indique une op ration de classement ou de discrimination Chapitre 1 Supervision et aide la d cision des syst mes complexes 19 Figure 1 5 Objectif en Reconnaissance des Formes associer une nouvelle observation X une des classes Si nous nous pla ons dans le contexte du diagnostic les param tres caract risant le vecteur d observation et par cons quent l espace de repr sentation seront les mesures disponibles issues des capteurs et actionneurs du processus ou bien des informations extraites de ceux ci Seule la connaissance a priori sur le syst me p
49. aussi de d tecter un dysfonctionnement le plus rapidement possible de l isoler d en identifier la cause probable de fa on r duire leurs cons quences n fastes et puis de proposer l op rateur des actions correctives Des nos jours l impl mentation des syst mes automatis s suppose donc la mise en place d outils pour la supervision La ma trise d un processus est indissociable de sa supervision pour aider les entreprises dans leur recherche permanente d une meilleure productivit et qualit moindre co t Cette supervision permet par ailleurs aux entreprises de garantir et pr server la s ret de fonctionnement des quipements de leur personnel op rateurs mais aussi de prot ger l environnement 2 Introduction g n rale Dans ce contexte de nombreuses approches sont d velopp es en vue de la d tection de d faillances et du diagnostic par les diff rentes communaut s de recherche en automatique productique et intelligence artificielle Les m thodes se diff rencient par rapport au type de connaissances a priori sur le processus qu elles n cessitent Ainsi elles peuvent tre class es de fa on g n rale comme des m thodes base de mod les base de connaissances et des m thodes base de donn es historiques Les m thodes base de mod les consid rent un mod le structurel du comportement du processus bas sur des principes physiques fondamentaux Ces mod les peuvent tre de type quantitati
50. axe temporel illustr e par la Figure 3 7 permet de visualiser deux aspects importants de la classification par rapport au degr d ad quation global DAG de chaque individu aux classes la distinction entre classes lorsque le DAG des individus appartenant une classe est suffisamment loign du DAG de la NIC ainsi que de ceux des autres classes l op rateur peut constater que la classe a t bien distingu e Cette information est pertinente au moment d identifier une situation significative sur le comportement du proc d voir DAG pour la classe C 2 de la Figure 3 7 la proximit entre classes en revanche quand les DAGs d une ou plusieurs classes ont des volutions similaires l expert peut consid rer la possibilit de regrouper plusieurs classes pour caract riser un m me mode de fonctionnement Ceci est illustr dans la Figure 3 7 par la proximit des DAGs pour la classe C et la classe Cy Un indicateur de la proximit entre classes est donn par le calcul de la connectivit entre classes 3 3 4 2 Une analyse des corr lations entre les courbes repr sentatives de l volution des DAGs pourrait apporter une aide dans ce sens 0 63 ERAAN PR RAA TA ON Doe Caia AANA ETENN A 0 60 C1 tes adh tes est 0 55 C4 pets 0 35 i d z j PE CE i i Le ma wl l y 7 Ls 021 1 1 1 1 1 1 1 1 1 i 1 1 1 1 1 a 1 1 1 1 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 2
51. cut 1 toutes les classes sont disjointes Figure 3 8a et pour a cut O0 Figure 3 8c elles sont toutes connect es 3 3 5 Affectation des classes en tats fonctionnels Lors d un auto apprentissage l interpr tation des classes en terme de modes de fonctionnement ou tats fonctionnels est indispensable En effet certaines classes obtenues pr sentent parfois des caract ristiques tr s proches et l expert peut d cider d affecter ces classes un seul tat Pour r aliser l agr gation des classes dans un seul tat significatif l op rateur peut alors s appuyer sur la repr sentation graphique du profil de classes et de la similitude des valeurs des profils 8 3 3 3 ainsi que sur la matrice de connectivit 8 3 3 4 Dans le cas de l exemple de la Figure 3 2a et partir des interpr tations issues de la Figure 3 6 et de la Figure 3 7 l op rateur peut ventuellement regrouper les classes C et Cs dans un m me tat fonctionnel Chapitre 3 Identification des tats fonctionnels pour la surveillance 67 3 4 Reconnaissance des classes en ligne Une fois que le mod le de r f rence du comportement connu a t labor l tape suivante consiste d terminer chaque instant dans quel tat fonctionnel se trouve le proc d lorsqu une nouvelle observation est pr sent e Il faut rappeler que tous les modes de fonctionnement ne sont pas forcement identifi s lors de l tape d apprentissage et donc le mod le de r
52. d industriel r el Le sch ma g n ral du g n rateur est illustr par la Figure 5 13 Les caract ristiques des capteurs et des actionneurs sont pr sent es dans le Tableau 5 6 L installation a t construite autour de 4 sous syst mes e un receveur avec syst me d alimentation en eau fraiche e un bouilleur quip d une r sistance chauffante de 60kW e un syst me de production de vapeur e un condenseur avec changeur thermique Le courant d eau d alimentation F3 circule via 2 pompes d alimentation fonctionnant en parall le Chaque pompe est contr l e par un r gulateur de type tout ou rien pour maintenir constant le niveau L8 de l eau dans le g n rateur de vapeur bouilleur La puissance de chauffage Q4 est d termin e sur la base de la pression P7 dans l accumulateur La d tente de la vapeur g n r e est r alis e au travers de 3 vannes fonctionnant en parall le en l absence de la turbine Une vanne V12 de by pass manuelle permet de simuler le passage direct de la vapeur vers le condenseur La vanne V2 est automatiquement contr l e pour maintenir une valeur ad quate de la Chapitre 5 Applications industrielles de l outil SALSA 103 pression P15 dans le condenseur Dans une installation industrielle la vapeur produite alimenterait une turbine pour produire de l lectricit mais dans l installation pilote la vapeur est condens e et renvoy e dans un bac receveur pour tre r utilis e ensui
53. du proc d Nous pouvons consid rer le mod le comme la fa on de valider le fonctionnement correct du proc d et de d terminer les d viations par rapport aux conditions attendues d op ration Les mod les peuvent tre de diff rentes natures selon les informations disponibles sur le processus il existe des mod les de type analytique quations diff rentielles quations aux diff rences relations entre variables etc ainsi que des mod les qualitatifs quations qualitatives mod les base d ensembles flous r gles description du comportement etc qui repr sentent le fonctionnement statique ou dynamique normal o anormal du proc d Chapitre 1 Supervision et aide la d cision des syst mes complexes 7 Pour la mise en place d un syst me de supervision du point de vue de la communaut du continu trois fonctions doivent tre prises en compte la d tection le diagnostic et la reconfiguration Selon KOT93 la surveillance du proc d traite les donn es disponibles en ligne afin d obtenir son tat de fonctionnement Dans la surveillance nous retrouvons les fonctions de d tection de d faillances et de diagnostic Figure 1 1 De fa on g n rale la d tection consiste en l identification des changements ou d viations des mesures du proc d par rapport au fonctionnement normal ce qui se traduit par la g n ration des sympt mes Le diagnostic consiste d terminer quelles sont l origine et ou l
54. e 460 500 520 540 560 580 600 620 640 660 680 700 720 740 760 760 b D tection d une d viation observations non reconnues Figure 5 18 Identification en ligne des tats du brouilleur D s lors qu une d viation est d tect e nous proc dons sa caract risation par le biais d un apprentissage supervis actif Pour ceci nous gardons les m mes param tres de l algorithme LAMDA et nous autorisons la cr ation des nouvelles classes partir des observations non reconnues en ayant comme classes pr d finies celles obtenues pr c demment lors de l auto apprentissage Deux nouvelles classes ont t alors cr es voir Figure 5 19 Une de ces nouvelles classes a t caract ris e comme une situation normale non pr sente lors de la phase d apprentissage correspondant une hausse du d bit de vapeur la sortie du bouilleur C6 La deuxi me classe correspond une situation de d faillance il s agit d un blocage la sortie du bouilleur C7 108 Chapitre 5 Applications industrielles de l outil SALSA MT TI Class 1 Class 2 Class 3 Class 4 Class 5 Class 6 Class 7 Current Classes Figure 5 19 Profil des classes apr s un apprentissage supervis actif Les nouvelles situations sont ajout es au mod le de r f rence Le nouvel automate est illustr dans la Figure 5 20 Figure 5 20 Mod le de r f rence pour le bouilleur Dans le mod le de la Figure 5 20 l expert a ajout une transition de l
55. e des gaz P2 Pression diff rentielle T1 Temp rature l entr e du r acteur T2 Temp rature au fond du r acteur T3 Temp rature dans le r acteur T4 Temp rature l ext rieur du r acteur ff Fr quence de la vis rotatoire CO gt Concentration de dioxyde de carbone dans le gaz 02 Concentration d oxyg ne dans le gaz 94 Chapitre 5 Applications industrielles de l outil SALSA 5 2 1 Donn es brutes du fonctionnement Nous disposons uniquement des donn es historiques du r acteur contenant des d faillances qui ont eu lieu dans le pass Les mesures de pression de gaz l entr e ainsi que la pression diff rentielle du r acteur n ont pas t consid r es car les lectures des capteurs n taient pas fiables Donc les variables brutes disponibles et celles que nous avons utilis es pour d finir l espace de description sont les suivantes la temp rature l entr e du r acteur T1 la temp rature au fond du r acteur T2 la temp rature dans le r acteur T3 et les concentrations de dioxyde de carbone CO2 et d oxyg ne O2 L ensemble de donn es disponible pour r aliser l apprentissage est illustr dans Figure 5 2 1100 1080 1060 Fe yr 1040 Ti_ TN ere o 1020 nt A 5 Fe Yom Oa 1000 n 5 V7 2 980 T3 960 940 920 900 1 26 51 76 101 126 151 176 201 226 251 276 301 326 351 376 401 426 451 476
56. est donn par la Figure 5 1 Le Tableau 5 1 montre les r f rences des capteurs Le r acteur fonctionne en lit fluidis 9300C et 1 atm Le charbon ou la biomasse est introduit par une vis rotative situ e au pied du r acteur et command e lectroniquement L alimentation en air plus vapeur d eau agent de gaz ification est faite par un distributeur en pied En t te le produit r cup r est un m lange d hydrog ne H2 et d oxyde de carbone CO Sa composition est mesur e indirectement par un contr le continu en ligne des concentrations de dioxyde de carbone CO2 et d oxyg ne O2 Le gaz ifieur est quip de deux sondes de pression de deux d bitm tres de quatre thermocouples et d un analyseur en ligne Il a galement des d clencheurs pour le syst me de chauffage la vis rotative et les pompes Il op re en mode continu La qualit du produit la sortie missions de CO commande l op ration du gaz ifieur N anmoins cause des dimensions r duites du r acteur le processus de Chapitre 5 Applications industrielles de l outil SALSA 93 gaz ification est difficile op rer et contr ler et la stabilisation est difficile atteindre solid feed Figure 5 1 Sch ma du gaz ifieur en lit fluidis Tableau 5 1 Liste des capteurs du gaz ifieur Nom capteur Variable mesur e F1 D bit d air Fp Fr quence de la pompe eau P1 Pression entr
57. j et le centre Chj du m me param tre pour la classe k DAM x py Py 0 Pa 15 o la distance est dy x a 16 3 Fonction Gaussienne Finalement dans les cas o la distribution du descripteur peut tre consid r e comme une distribution de type normal il est possible d utiliser une fonction de type gaussienne 1 2 z 4 jy DAM x Cyj e 20 j 17 o My et OG correspondent respectivement a la valeur moyenne et a la variance du descripteur j pour la classe k Avec cette fonction les classes ont une forme hyper ellipso dale orient e parall le aux axes de l espace de repr sentation voir Figure 2 9 Il s agit d une distance de type diagonale La Figure 2 9 montre l influence du type de fonction pour le calcul du DAM Ceci permet l adaptation de la m thode la distribution attendue des donn es utilis es pour 44 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification la classification Ainsi dans le cas de la Figure 2 9 o les individus sont caract ris s par deux descripteurs avec la fonction binomiale floue les classes sont s par es par des droites et le groupement se fait vers les extr mit s dans le cas de la fonction binomiale centr e les classes sont galement s par es par des morceaux de droites mais cette fois autour d un centre finalement pour la fonction du type gaussien le regroupement donne des ellipses orient es parall lement
58. l intervention de l op rateur dont nous venons de parler se situ initialement sur la p riode t 230 t 275 Figure 5 3 Tableau 5 5 Situations identifi es partir de la classification pisodes SITUATION CLASSE Variable pisodes Op ration Normale CO2 G C1 02 G Ti G T2 G R T3 G H R Haut d bit d eau CO2 G C3 02 G Ti R L T2 L T3 R L Transitoire retour op ration normale CO2 G C2 02 G Ti F S G T2 S G F T3 G F Alarme vers situation anormale CO2 G A C4 02 G L Ti H G T2 G H R T3 G R Obstruction fond du r acteur CO2 F G Blocage l entr e du solide 02 L H G C5 T1 G T2 H G T3 H Arr t du r acteur CO2 G C6 02 G Ti A T2 A T3 S Figure 5 11 Automate g n r a partir d pisodes 102 Chapitre 5 Applications industrielles de l outil SALSA 5 3 G n rateur de vapeur LAGIS L unit de test a t con ue comme une reproduction chelle pilote d une unit de production de vapeur pour une centrale nucl aire voir Figure 5 12 Cette unit se situe l Universit de Lille dans le Laboratoire d Automatique G nie Informatique amp Signal LAGIS Figure 5 12 Aper u du g n rateur de vapeur Le g n rateur de vapeur est un proc d complexe non lin aire qui reproduit les m mes ph nom nes thermodynamiques qu un proc
59. la sortie soit calcul l erreur 6 de chaque n ud est calcul e en remontant le r seau c est dire de la couche de sortie vers la couche d entr e Cette erreur est le produit de la fonction d erreur E quation 12 et de la d riv e de la fonction d activation f Par cons quent l erreur est une mesure du changement de la sortie du RNA provoqu par un changement des valeurs des poids du r seau Les RNA avec apprentissage supervis les plus utilis s sont le perceptron le perceptron multi couche PMC HER94 et les r seaux base radiale RBF ORR96 Les RBF permettent de r aliser un 40 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification apprentissage sans d terminer a priori la structure du r seau La partition de l espace de description selon les RBF est d crite par des formes g om triques diverses Les RBF sont des r seaux deux couches Dans la premi re couche des fonctions Base Radiale sont impl ment es au sein des neurones Normalement la fonction utilis e est de type gaussien Les poids de cette couche sont calcul s en utilisant la fonction de distance euclidienne La deuxi me couche couche de sortie correspond aux neurones contenant une fonction d activation de type lin aire Dans la plupart des algorithmes utilis s pour la conception des RNA il faut choisir l avance le nombre de couches cach es du r seau ainsi que le nombre de neurones par couche
60. la surveillance base de m thodes de classification 2 2 Une strat gie pour la d tection et le diagnostic L objectif de cette d marche est double 1 Il s agit de suivre l volution temporelle des modes de fonctionnement identifi s du processus c est dire de fournir l op rateur des informations appropri es chaque fois qu une nouvelle situation se pr sente ainsi que des caract ristiques sur cette situation Une situation peut se d finir comme le r sultat d une volution du processus et correspond un tat ou mode de fonctionnement du processus tudi En prenant en compte le fait qu une d faillance peut se produire tout moment sur le processus ces tats peuvent tre soit des tats de fonctionnement normaux soit des tats anormaux Parce que dans la plupart des processus complexes il n existe pas une connaissance exhaustive des situations de dysfonctionnement nous consid rons que toute situation inattendue est une situation anormale Le suivi des volutions permet alors de r aliser la d tection des dysfonctionnements en s appuyant sur le principe de d viation du comportement observ par rapport au comportement pr vu et non sur l num ration a priori des situations de d faillances La d tection de ces tats anormaux n est pas suffisante et il est n cessaire de les caract riser de fa on identifier les causes ce qui correspond faire du diagnostic de d faillances Proc d
61. m me classe assign e i e leur entropie est z ro Il n y a aucune restriction pour la nature des donn es classifier les arbres de d cision peuvent manipuler des variables continues discr tis es et symboliques Un autre avantage des arbres de d cision est leur capacit g n rer des r gles compr hensibles tout en r alisant la classification sans exiger beaucoup de calcul Ils fournissent une indication claire sur les attributs les plus repr sentatifs pour la classification ou la pr vision Un inconv nient des arbres de d cision est que la plupart d entre eux examinent seulement un champ attribut la fois D ailleurs ils peuvent tre informatiquement co teux dans leur construction de par leur croissance combinatoire 2 3 4 R seaux neuronaux artificiels Les r seaux de neurones artificiels RNA constituent une technique non lin aire complexe bas e sur le mod le d un neurone humain Il s agit d un ensemble d entit s simples appel es neurones fortement interconnect es entre elles En fait les RNA visent mod liser les capacit s d apprentissage du cerveau humain Les premiers travaux sur les RNA ont t d velopp s par McCulloch et Pitts en 1943 qui en se basant sur des fondements biologiques ont propos un mod le binaire 38 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification o chaque neurone a une fonction seuil En 1949 Hebb propose une fo
62. me observ et la d faillance qui est survenue ses causes et ses cons quences La communaut des SED distingue trois sous fonctions COMOO e la localisation qui d termine le sous syst me responsable de la d faillance e l identification qui d termine les causes qui ont engendr la d faillance e l explication qui justifie les conclusions du diagnostic La fonction pronostic est galement une fonction de surveillance qui a pour but de d terminer les cons quences d une d faillance sur le fonctionnement futur du syst me Il existe aussi des fonctions propres la supervision e la reconfiguration qui agit sur le proc d en adaptant la configuration mat rielle la situation ainsi que sur le syst me de commande en changeant la loi de commande e la d cision qui d termine l tat atteindre pour le retour en op ration normale et la s quence d actions correctives r aliser pour arriver cet tat Dans ces conditions la supervision n est plus un simple encha nement des fonctions de surveillance d tection diagnostic et reconfiguration Des mod les de surveillance beaucoup plus complexes peuvent tre mis en place en fonction du proc d consid r du type de d faillances et galement de la politique de production de l entreprise ZAM98 Acquisition mesures i J PROCEDE j Figure 1 1 Sch ma g n ral de supervision Chapitre 1 Supervision et aide la d cision des syst mes complexes
63. must FIRST STOP the online connection with the STOP button and then EXIT the screen with the EXIT button 4 APPENDIX 4 1 ONLINE DATA GENERATOR This application permits to generate online data from stored data files It can be used in order to validate SALSA Online stage The Online Data Generator is a standalone executable that may be installed in the following way 1 In the InstallationSALSA04v1 Folder look for the sub folder Package Click the setup exe file Annexe B Manuel d utilisation de SALSA 169 2 Installation de SALSA File Transfer Generator Commencez l installation en cliquant sur le bouton ci dessous Cliquez sur ce bouton pour installer le logiciel SALSA File Transfer Generator dans le dossier de destination sp cifi Dossier d SALSA03v2bat Changer de dossier Quitter l installation Figure 46 Online Data Generator setup window 2 Once the installation is completed it is possible to generate online data from a file SALSA FILE GENERATOR AB SXNCL_02 04 dat Set Data File ad 3 SALSAOD3y2bat Current datum a Current Class Figure 47 Online Data generator Main Screen 3 First of all choose the data file with extension DAT and click the Set Data File button see Figure 47 4 Choose the folder where the online data file must be created it must be in the DataTr folder created by SALSA SALSA04v1 DataTr and click the Set Folder button 5 The RUN button is enabled
64. n ral de l installation 61 62 64 64 65 66 69 70 72 72 77 78 80 81 83 84 85 87 88 88 93 94 95 95 96 97 97 98 99 100 101 102 103 vii Figure 5 14 Figure 5 15 Figure 5 16 Figure 5 17 Figure 5 18 Figure 5 19 Figure 5 20 Figure 5 21 Figure 5 22 Figure 5 23 Figure 5 24 Figure 5 25 Figure 5 26 Figure 5 27 Figure 5 28 Figure 5 29 Ensemble d apprentissage pour le bouilleur en op ration normale 104 Classification obtenue par l auto apprentissage pour le bouilleur 105 Automate pour le bouilleur en r gime normal 106 Validation de la classification obtenue pour l op ration normale du bouilleur 106 Identification en ligne des tats du brouilleur 107 Profil des classes apr s un apprentissage supervis actif 108 Mod le de r f rence pour le bouilleur 108 R sultats de la reconnaissance pour le classificateur 1 110 R sultats de la reconnaissance pour le classificateur 2 111 R sultats de l identification des tats pour le condenseur et le receveur 114 Profil des classes pour le condenseur et le receveur 114 Automate issu de l apprentissage s quentiel pour le condenseur et le receveur 114 Sch ma d un haut fourneau 116 Donn es brutes pour le haut fourneau 117 Espace de repr sentation pour le haut fourneau 119 R sultats de l auto apprentissage pour la pr diction et la d tection des glissements 119 INTRODUCTION GENERALE Les entreprises de nombreux secteurs d activit
65. o o o o ON lt not saved gt ee o oam m a a nm mm Presence Function El Gauss1 0 i Connectives Probebiistc B 1 2 40 60 so 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 419 ee Individuals Mapping to States Exigency Index 0 780000 punter Classica 11 gt 1 04 Class Profile Save Ref Cl Text 0 9 anda os 07 S To AAY Classification Mode Recognition v Seb Learrarg Mode 054 i 034 0 2 014 0 0 01 1 IT I I 1 ji I i 1 1 1 1 i 1 Li 1 1 2 40 60 980 160 200 220 240 260 280 300 320 340 360 380 400 419 Active Quantitative Descriptors Individuals C View Qualitative Descriptors fa a Figure 19 Classification Results using Supervised Learning Class Profile Save Ref Cl Class Details View Prof Cl CLASSIFY Figure 20 Classification visualizing buttons Class Profile zi iis 0 8 o 0 6 a gt 0 4 0 2 0 0 Class 2 Class 3 Current Classes Class Parameters Des iptor 2 LEVEL_T2 1 Descriptor 3 CONTROL_SIG Descriptor 4 DERIV_T1 J Figure 21 Profile for each Class SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 160 Annexe B Manuel d utilisation de SALSA Figure 21 shows the profile for each class each descriptor is represented with a different colour for quantitative descriptors their mean value is shown for qualitative descriptors each modality i
66. op rateurs prendre des d cisions incorrectes d gradant encore plus la situation De ce fait les syst mes de supervision qui int grent les outils de surveillance de d tection et de diagnostic sont n cessaires afin de fournir l op rateur des crit res suffisants pour la prise des d cisions 6 Chapitre 1 Supervision et aide la d cision des syst mes complexes Notre objectif dans ce premier chapitre est de faire un tour d horizon des diff rentes techniques utilis es pour la supervision le diagnostic et l aide la d cision des processus industriels Ceci va nous permettre d identifier leurs champs d application potentiels leurs points forts et leurs faiblesses afin d utiliser la technique ou l ensemble des techniques appropri es selon les cas Apr s ce bilan nous pr senterons un projet international dont l objectif justement tait de proposer l int gration et la combinaison de m thodes et d outils adapt s des contraintes techniques conomiques environnementales et des exigences de s curit bien identifi es dans des syst mes industriels complexes tels que les proc d s chimiques et p trochimiques 1 2 Supervision des proc d s Comme nous l avons voqu le nombre des mesures recueillies sur les processus et stock es a augment de fa on consid rable En m me temps ces processus ont accru leur complexit et les syst mes de commande ont remplac les ajustements manuels Ceci afin de
67. produire am ne vers la classe NIC c est dire qu il y a eu des observations dont les caract ristiques ne conviennent aucune des classes connues l op rateur est alert de l v nement par une fl che pointill e voir Figure 4 10 Ceci correspond la d tection d une d viation Figure 4 10 D tection d une d viation Nous avons montr cf 8 3 4 3 comment cette ventualit peut tre exploit e pour compl ter le mod le de r f rence KEM04 4 6 Conclusion 4 Dans ce chapitre nous avons d crit la fagon d laborer un mod le a v nements discrets automate des tats fonctionnels du syst me surveill a partir de l apprentissage s quentiel Nous avons identifi les moyens d obtenir les diff rents tats fonctionnels ainsi que les transitions entre ces tats Cet automate pr sent l op rateur peut ensuite servir de base pour la surveillance notamment pour le suivi et la d tection des d faillances Deux types de d faillances peuvent tre trait s des d faillances au niveau d un tat ou des d faillances au niveau d une transition La pr sentation l expert des descripteurs les Chapitre 4 Identification d un automate pour la surveillance 89 plus impliqu s dans les transitions observ es est une source d information potentielle pour une phase de diagnostic De plus une utilisation de cet automate des fins de pronostic peut galement tre envisag e puisqu en ligne il est pos
68. sentation partir des pisodes pisode courant ActEp pisode pr c dent PasEp et la valeur de chaque diff rentiel de pression Va chaque instant qu un pisode s est produit La configuration des descripteurs est donn e dans le Tableau 5 14 L ensemble des donn es utilis pour l apprentissage est pr sent dans la Figure 5 28 Dans cet ensemble deux conditions d instabilit sont pr sentes individus 25 32 et individus 60 65 Tableau 5 14 Configuration des descripteurs du haut fourneau DESCRIPTEUR TYPE VALEURS D1 Q1 ActEp Qualitatif Modalit s a f h g 0 p D2 Q1 PreEp Qualitatif Modalit s a f h g 0 p D3 Q1 Val Quantitatif Min 0 1 Max 0 35 D4 Q2 ActEp Qualitatif Modalit s a f h g 0 p D5 Q2 PreEp Qualitatif Modalit s a f h g 0 p D6 Q2 Val Quantitatif Min 0 1 Max 0 35 D7 Q3 ActEp Qualitatif Modalit s a f h g 0 p D8 Q3 PreEp Qualitatif Modalit s a f h g 0 p D9 Q3 Val Quantitatif Min 0 1 Max 0 35 D10 Q4 ActEp Qualitatif Modalit s a f h g 0 p D11 Q4 PreEp Qualitatif Modalit s a f h g 0 p D12 Q4 Val Quantitatif Min 0 1 Max 0 35 Chapitre 5 Applications industrielles de l outil SALSA 119 Les experts n taient int ress s que par l identification des situations de pr faute et de faute un auto apprentissage a t r alis La classif
69. sentation triangulaire Dans ce formalisme chaque pisode est repr sent par sa pente initiale sa pente finale chaque point critique et un segment de droite reliant les deux points critiques Janusz et Venkatasubramanian JAN91 ont propos une description qualitative des signaux TDL Trend Description Language utilisant primitives pisodes tendances et profils Les primitives sont bas es sur le signe des premi re et deuxi me d riv es positif z ro et n gatif Ceci donne un ensemble de 9 primitives Un pisode est un ensemble de primitives du m me type Le nombre de fois cons cutives qu une primitive est pr sente d finie la dur e de l pisode La tendance d un signal consiste en une s rie d pisodes et un profil s obtient en ajoutant des informations quantitatives aux tendances Par la suite plusieurs travaux ont am lior le langage de description des tendances TDL au niveau du bruit VED97 de sa repr sentation et de son interpr tation AYR95 MELO1 pour l utiliser ensuite en combinaison avec d autres techniques surtout des techniques de reconnaissance de formes BAK92 Afin d tre plus g n rale l approche d crite par Mel ndez et Colomer MELO1 a largit les formalismes pr c dents vers des contextes qualitatifs et quantitatifs Cette approche permet en effet de construire des pisodes partir de toute caract ristique extraite des variables du processus Selon ce formalisme une nouvelle repr
70. sont des informations qualitatives type d pisode et quantitatives valeur finale de l pisode pr c dent Ces informations sont issues de la repr sentation base d pisodes des variables du processus Les variables prises en compte pour l apprentissage sont CO O Ti T2 et T3 Pour chaque variable deux descripteurs ont t utilis s l pisode courant EpAct de type qualitatif et la valeur finale EpVal de type num rique Dans le Tableau 5 4 une description des descripteurs utilis s est donn e La Figure 5 9 illustre l ensemble d apprentissage obtenu partir de la repr sentation des pisodes Tableau 5 4 Configuration de l espace de description avec pisodes DESCRIPTEURS TYPE VALEURS CO2 EpAct Qualitatif Modalit s G A F CO2 ValF Quantitatif Min 5 24 Max 21 O2 EpAct Qualitatif Modalit s G L H O2 ValF Quantitatif Min 0 Max 17 66 Ti EpAct Qualitatif Modalit s G R F S L H A T1 ValF Quantitatif Min 997 Max 1055 T2 EpAct Qualitatif Modalit s G R L S F A T2 ValF Quantitatif Min 989 Max 1062 T3 EpAct Qualitatif Modalit s G H R F L S T3 ValF Quantitatif Min 907 Max 990 11 j o C02 ValF O2 ValF 01 r 1 1 1 1 1 1 I 1 1 I 1 1 1 1 I i 1 1 1 1 I 1 ll 1 12 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 Active Quantitative Descriptors Individuals View Qualita
71. sont men s 124 Conclusions et Perspectives BIBLIOGRAPHIE AGUA98 AGUI80 AGUI82 AGUI99 ASM AYR95 BAB98 BAK92 Aguado J C A mixed qualiltative quantitative self learning classification technique applied to situation assessment in industrial process control Th se de doctorat Universitat Polit cnica de Catalunya 1998 Aguilar Martin J Balssa M Lopez de Mantaras R Estimation recursive d une partition Exemples d apprentissage et auto apprentissage dans R et I Rapport technique LAAS CNRS N 880139 1980 Aguilar Martin J Lopez de Mantaras R The process of classification and learning the meaning of linguistic descriptors of concepts Approximate Reasoning in Decision Analysis North Holland pp 165 175 1982 Aguilar Martin J Knowledge based supervision and diagnosis of complex process IEEE International Symposium on Intelligent Control Intelligent Systems and Semiotics ISI 99 Cambridge USA pp 225 230 Septembre 1999 ASM Consortium disponible sur http www iac honeywell com pub absitmang Ayrolles L Aguilar Martin J Guerrin F Intrepr tation symbolique pour la supervision multi r solution de porcessus complexes Supervision de processus l aides du Syst me Expert G2 Hermes pp 73 90 1995 Babuska R Fuzzy Modeling for control Kluwer Academic Publishers Massachusetts USA 1998 Bakshi B Stephanopoulos G Temporal representation of
72. ss 85 4 5 1 Estimation des v nements de transition 85 4 5 2 Pr sentation l utilisateur de l automate en ligne 86 4 5 3 D tection de transitions non valides entre tats 87 4 6 CONCIUSIOM 2 32 27 daa a ment nes danse equns sa N ner derriere itess eines 88 5 Surveillance d unit s pilotes l aide de SALSA sm 91 LE dy PIERO GW CEO Ma E tran cuneidios cue dia nna caane a E E E eisai 91 iv Table de mati res 5 2 Gaz ifieur de biomasse en lit fluidis ss 92 5 2 1 Donn es brutes du fonctionnement vinci ivuccevanse acter stvticssadewanteyoenscniantasernndies 94 5 2 2 R sultats partir de donn es brutes 94 5 2 3 Donn es transform es en pisodes 97 5 2 3 1 Repr sentation base d pisodes ccccceceeceeeeaeeeeeeeeeaeeaeeaesatsaeeneaes 97 5 2 3 2 R sultats a partir des donn es mixtes pisodes 99 5 3 G n rateur de vapeur LAGIS ccccccecccceeeeeceaeeeeeeeeeeaeeeeeeeeaeaseeeeaeeateaeeneegeas 102 5 3 1 BOUINOU sss s6sas mises entrent ane aAA SAEN a 104 5 3 1 1 Apprentissage hors ligne a partir des donn es brutes 104 53 142 Identification eh ligne 228 sens sas dicton sine ster manettes a EAA 106 5 3 1 3 Apprentissage hors ligne a partir des pisodes 108 5 3 2 Condenseur et FECEVEUr sisi issues anesensentesei enensc ni een an sense ut 112 5 3 2 1 Apprentissage hors ligne partir des p
73. tre utilis es dans l identification des situations repr sentatives par le biais de la classification avec SALSA Les pisodes ont t construits uniquement partir de la premi re d riv e de chaque signal 7 types d pisodes ont t identifi s dans cette approche Leur repr sentation est donn e dans la Figure 5 7 A descente rapide L mont e rapide S descente R mont e F descente lente H mont e lente G tendance stable IH Figure 5 7 Type d pisodes pour les variables du gaz ifieur 98 Chapitre 5 Applications industrielles de l outil SALSA Un exemple de repr sentation base d pisodes pour les variables du gaz ifieur est montr dans la Figure 5 8 o nous observons les tendances pour les compositions de dioxyde de carbone CO et d oxyg ne O2 D O1 amp 20 N CO2 S c 15 2 5 lt 10 Q 2 B O 5 gt o 0 02 a 1 1 i 1 1 Li 1 1 1 1 1 1 1 L 1 1 Li i 1 1 1 Li 1 1 Li 1 25 50 75 100 125 150 175 200 225 250 275 300 325 350 375 400 425 450 475 500 525 550 575 600 622 co2 GA FY wo Gf Figure 5 8 Exemple de repr sentation des variables avec les pisodes En prenant en compte le fait que les pisodes sont asynchrones par nature et pour permettre la classification en utilisant plusieurs variables en m me temps une proc dure de synchronisation a t introduite afin d adapter les informations fournies par la repr sentation de
74. validation 4 4 1 Identification des Transitions Dans l approche que nous proposons tant donn que les observations de la base d apprentissage suivent un ordre chronologique les transitions entre classes tats sont estim es en fonction de leur occurrence dans le sc nario d apprentissage Ainsi apr s un apprentissage la matrice des transitions TB entre classes est construite par comptage en consid rant chaque changement de classe Les changements de classe sont dus aux volutions du DAG et peuvent tre analys s en visualisant leur volution temporelle La matrice de transitions indique d une part le nombre d l ments instants de mesure qui ont t attribu s chaque classe diagonale et d autre part le nombre de fois qu il y a eu un passage de la classe C ligne vers la classe C colonne Pour l exemple de la Figure 4 3 la matrice brute des transitions TB r sultante est donn e par Class 1 Class 2 Class 3 Class 4 Class 5 Class 1 2 3 0 Class2 4 341 5 0 0 Class3 2 RENE 0 Class4 0 0 0 18 1 class5 0 1 0 0 7 Figure 4 5 Matrice de transitions 4 4 2 Validation des Transitions Une fois que les transitions ont t s obtenues partir de l apprentissage l op rateur doit les valider et m me ajouter des transitions non pr sentes dans le sc nario d apprentissage mais dont la possibilit de se produire est assur e par la connaissance de l expert Comme le bruit
75. 0 8 0 7 0 6 S 5 0 5 gt 0 4 0 3 0 2 01 0 0 FE Class 4 Current Classes b Profil de classes avec pisodes Figure 5 10 Classification avec pisodes et auto apprentissage Les situations qui ont t identifi es d apr s la classification et selon les s quences des pisodes pour chaque variable sont pr sent es dans le Tableau 5 5 L automate r sultant a partir de la classification est illustr dans la Figure 5 11 En comparant cet automate avec celui obtenu avec les donn es brutes Figure 5 6 nous remarquons une ad quation parfaite Comme pour l automate g n r a partir des donn es brutes l op rateur a rajout une transition de la classe C1 op ration normale vers la classe C5 blocage l entr e du solide Nous retrouvons aussi les m mes s quences dans l volution du comportement du processus En effet lorsqu une obstruction au fond du r acteur d faillance est d tect e le proc d doit tre arr t car il s agit d une situation critique Cependant la classification issue des pisodes a permis d identifier l intervention de l op rateur qui a diminu le d bit d eau ce qui se traduit par une baisse de temp rature individus 22 et 23 dans la Figure 5 9 Chapitre 5 Applications industrielles de l outil SALSA 101 Nous pouvons remarquer que l utilisation des pisodes a r duit le nombre d l ments classer et que l cart temporel entre eux n est pas constant Ainsi
76. 00 aan a aana ai 0 30 0 25 Figure 3 7 Visualisation des DAGs pour chaque classe 3 3 4 2 Matrice de connectivit La connexion entre classes est d finie par le nombre d individus qui sont partag s par deux classes et qui ont un DAG sup rieur la valeur d un seuil fix par l expert que nous app lerons a cut AGUA98 selon l usage en th orie des ensembles flous 66 Chapitre 3 Identification des tats fonctionnels pour la surveillance CLASSES CONECTIVITY MATRIX Class 1 Class 2 Class 3 Class 4 Class 5 Class 1 186 6 6 6 6 Class 2 8 39 6 8 8 Class 3 6 6 15 6 8 Class 4 6 6 6 54 8 Class 5 6 6 6 8 18 a a cut 1 0 CLASSES CONECTIVITY MATRIX 5 3 6 48 6 39 3 f 8 3 18 8 6 8 6 75 6 8 6 6 21 b a cut 0 97 CLASSES CONECTIVITY MATRIX Class 1 Class 2 Class 3 Class 4 Class 5 Class 312 312 312 312 312 Class 312 312 312 312 312 Class 3 312 312 312 312 312 Class 4 312 312 312 312 312 Class 5 312 312 312 312 312 c a cut 0 0 Figure 3 8 Connectivit entre classes pour l exemple de la Figure 3 7 L op rateur peut alors regrouper plusieurs classes car il consid re que les caract ristiques des individus partag s conviennent aussi bien une classe qu une autre c est dire que leurs DAGs sont tr s proches et sup rieur l a cut Une analyse pour plusieurs valeurs de g est r alis e pour d terminer la meilleure union entre classes A noter que pour a
77. 00 105 110 115 120 125 130 135 140 145 150 155 160 165 170 175 180 185 190 195 200 QUANTITATIVE DESCRIPTORS Seconds Figure 41 Online Quantitative Descriptors Descriptors Modalities 100 105 110 115 120 125 130 135 140 145 150 155 160 165 170 175 180 185 190 195 200 QUALITATIVE DESCRIPTORS Seconds Figure 42 Online Qualitative Descriptors SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 168 Annexe B Manuel d utilisation de SALSA 3 3 3 2 Visualizing the Current State e The user may visualise what the current state of the plant is with the rectangle at the top left corner of the screen CURRENT STATE NORMAL Figure 43 Current State e A bar graph with the state of the plant each time a new message data arrives is also available 1 1 1 1 1 1 1 1 1 1 1 1 90 100 110 120 130 140 150 160 170 180 190 200 Seconds Figure 44 Bar Graph with States e A Table with the time of the change of state the state its associated class and the membership of the message to that class for the last 10 states is shown The current state is highlighted with the corresponding colour of the state TIMESTAMP STATE CLASS GAD 10 17 2003 17 46 05 NORMAL NoRegul 1 00006e 05 10 17 2003 17 46 03 B_LEAKAGE BoilerLeak 9 99993e 06 10 17 2003 17 45 49 NORMAL NoRegul 1 0001 e 05 BoilLevelStable Figure 45 Table with change of State occurrences To EXIT the online screen the user
78. 1 Visualizing incoming data 3 3 3 2 Visualizing the Current State 4 APPENDIX 4 1 ONLINE DATA GENERATOR 5 REFERENCES SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 145 149 149 149 150 150 150 150 151 152 152 154 154 155 156 158 162 164 165 165 167 167 168 168 168 170 146 Annexe B Manuel d utilisation de SALSA Annexe B Manuel d utilisation de SALSA 147 Figures Table Figure 1 SALSA Main Screen Options 444 eens 151 Figure 2 SALSA OFFLINE Main Screen ssssssssesseeueeneeseeseeneeeeeeeenss 151 Figure 3 Example of the DAT files inde naar rame annee pete met nine etat En 152 Figure 4 New Context amp New Population buttons ccceeeee cece eee eee eee teeta eae eae ees 153 Figure 5 Loading a New Context Induce or Retrieve cceceeceeee eee cece eee e ee eae eaeenenas 153 Figure 6 Loading a New population ccc cee eee ee eee ene neta ee eens eae tates 153 Figure 7 View Edit File amp Imposed Classification Windows 154 Figure 8 Presence Function selection 154 Figure 9 Connectives amp Exigency selection 155 Figure 10 Classification Mode selection c cece eee e eee eee eee nets eee sisi 155 Figure 11 Max Variability amp Iterations selectors cee ceeee eect e ee eee eee eee eee 155 Figure 12 Supervised
79. 215 220 225 230 235 240 b Exemple de transitions bruit es oscillation 020 1 i 1 1 i 1 1 1 1 1 1 1 1 1 1 1 1 141 145 150 155 160 165 170 175 180 185 190 195 200 205 210 215 220 225 230 235 240 c volution des DAGs Figure 4 6 Validation des transitions Pour l exemple de la Figure 4 5 la matrice TR peut tre une source d information pour le regroupement de la classe 2 et la classe 3 dans le m me tat fonctionnel L automate r sultant de l exemple de la Figure 4 3 est illustr dans la Figure 4 7 Chapitre 4 Identification d un automate pour la surveillance 85 classe tat P associ Figure 4 7 Automate r sultant de l apprentissage s quentiel 4 5 Identification des s quences en ligne En d veloppant cet automate notre objectif principal tait d aider l op rateur dans l identification en ligne des tats fonctionnels Les tats tant fix s hors ligne en ligne il s agit plut t de la reconnaissance des tats fonctionnels et de la d tection des transitions effectu es par le syst me ainsi que les v nements associ s ces transitions 4 5 1 Estimation des v nements de transition L identification de l automate pour la surveillance tel qu il a t d fini 84 2 comporte trois l ments d terminer e les tats obtenus par classification e les transitions d termin es par l analyse des trajectoires et les connaissances de l expert e les v nements q
80. 37 BCD 1 7 678884 1 027721 C 4 984652 ABD 1 9 994041 2 507010 A 4 953032 DAE 1 5 344999 2 015358 C 3 481344 EEA 1 9 031239 3 020050 A 5 714987 DD BO 8 579471 1 061223 C 4 925020 DBD 2 8 196658 0 961353 C 6 249512 ED B 2 8 619834 0 909940 C 6 692107 ADBO 7 391809 0 987452 C 5 994978 E DB 2 8 945312 3 056641 A 5 458984 B D B 1 6 353343 5 844610 A 1 251475E AC 1 5 928058 6 129644 A 1 275735 CC C3 5 927319 6 129463 A 1 276346 DC C 3 5 955299 6 138647 A 1 276663 C C C 0 5 958092 6 142730 A 1 283172 DC C3 7 255859 0 976562 C 5 537109DBC 1 gt Figure 3 Example of the DAT file Annexe B Manuel d utilisation de SALSA 153 e Loading a Training File To load a file the user must select either the New Context or the New Population buttons Figure 4 Although it is possible to start with any of the two options it is recommended to first load the context data file and then the population file _ CONTEXT POPULATION New gt lt none gt Figure 4 New Context amp New Population buttons Loading a new context The context file normally contains the number of descriptors and its type numeric or symbolic It may be induced from a population or plain text file with a DAT extension or retrieved from a binary file previously saved with a CON extension Figure 5 If the context has been induced from a population the application will demand the user if he wants also to load the corresponding p
81. 501 526 551 576 601 Individus 25 co2 Q 20 N D 15 2 10 Q e 6 5 02 0 1 26 51 76 101 126 151 176 201 226 251 276 301 326 351 376 401 426 451 476 501 526 551 576 601 Individus Figure 5 2 Ensemble de donn es brutes du gaz ifieur 5 2 2 R sultats a partir de donn es brutes A partir de l ensemble des donn es brutes enregistr es lors d un fonctionnement nous avons utilis comme espace de repr sentation les descripteurs et les valeurs pour la normalisation montr s dans le Tableau 5 2 La Figure 5 3 illustre l ensemble des donn es utilis pour l identification des tats fonctionnels du gaz ifieur Chapitre 5 Applications industrielles de l outil SALSA 95 Tableau 5 2 Configuration de l espace de repr sentation donn es brutes Valeurs Descripteur Maximale Minimale CO gt 22 8 2 8 0 19 5 0 T1 C 1070 950 T2 C 1080 950 T3 C 1000 900 11 10 CO2 0 3 0 8 0 7 26 3 05 gt 0 4 0 3 0 2 0 1 25 50 75 100 125 150 175 200 225 250 275 300 325 350 375 400 425 450 475 500 525 550 575 600 622 Active Quantitative Descriptors Individuals View Qualitative Descriptors Figure 5 3 Ensemble d apprentissage donn es brutes 1 25 50 75 100 125 180 175 200 225 250 275 300 325 350 375 400 425 450 475 500 525 550 575 600 622 a Classification r sultante lors de l auto apprentissage 1 0 0 9 T3 O
82. Ann e 2004 N d ordre 752 TH SE Pr par e au Laboratoire d Analyse et d Architecture des Syst mes du CNRS En vue de l obtention du titre de Docteur de l Institut National des Sciences Appliqu es de Toulouse Sp cialit Syst mes Industriels Par Tatiana KEMPOWSKY SURVEILLANCE DE PROCEDES A BASE DE METHODES DE CLASSIFICATION CONCEPTION D UN OUTIL D AIDE POUR LA DETECTION ET LE DIAGNOSTIC DES DEFAILLANCES Soutenue le 14 d cembre 2004 devant le jury Rapporteurs J P CASSAR S GENTIL Directeurs de th se J AGUILAR MARTIN A SUBIAS Examinateurs F JIMENEZ A TITLI Invit s N AGELL M V LE LANN Rapport LAAS N Remerciements Les travaux pr sent s dans ce m moire ont t r alis s au Laboratoire d Analyse et d Architecture des Syst mes du Centre National de la Recherche Scientifique LAAS CNRS au sein du groupe Diagnostic Supervision et Conduite qualitatifs DISCO Je tiens tout d abord remercier les directeurs successifs du LAAS Messieurs Jean Claude Laprie et Malik Ghallab pour leur accueil Je tiens remercier Monsieur Joseph Aguilar Martin et Madame Louise Trav Massuyes successivement responsables du groupe DISCO de m y avoir accueilli pendant ces ann es de th se J adresse toute ma gratitude mes directeurs de th se Madame Audine Subias et Monsieur Joseph Aguilar Martin pour leur collaboration inestimable leur disponibilit et les nombreuses conversations et c
83. Corus Redcar Blast Furnace au Royaume Uni d une sid rurgie Les tests on t r alis s en utilisant des donn es brutes issues directement des capteurs du proc d ainsi qu en combinaison avec d autres outils g n rant des informations qualitatives et quantitatives Pour chaque proc d les r sultats obtenus dans l tape d apprentissage hors ligne seront pr sent s Dans le cas du g n rateur de vapeur nous avons eu la possibilit de valider l outil SALSA dans l tape de reconnaissance en ligne Nous montrerons dans ce cas comment une d viation est d tect e et caract ris e pour permettre la mise jour du mod le de r f rence Pour le cas du haut fourneau nous montrerons les r sultats obtenus partir des donn es trait es par l outil QUALTRAS r alis par le groupe eXiT de l Universit de Girona Espagne qui fourni des pisodes qualitatifs et des informations quantitatives 92 Chapitre 5 Applications industrielles de l outil SALSA 5 2 Gaz ifieur de biomasse en lit fluidis Des donn es de fonctionnement de l unit pilote pour la gaz ification de biomasse en lit fluidis de l Universit Polytechnique de Catalogne UPC Barcelone ont t utilis es pour l identification des tats fonctionnels au travers de l outil SALSA dans le cadre du projet CHEM La gaz ification est une transformation thermochimique d un solide combustible charbon bois paille papier en pr sence d un compos gaze
84. Pour les sous syst mes du condenseur et du receveur nous pr sentons les performances de l outil SALSA partir des pisodes L utilisation des donn es brutes ne nous a permis de caract riser de fa on satisfaisante les diff rents tats dans lesquels ce sous syst me peut se trouver 5 3 2 1 Apprentissage hors ligne partir des pisodes De mani re analogue que pour le bouilleur les diff rentes situations pour les sous syst mes du condenseur et du receveur devaient tre apprises partir d un ensemble d apprentissage dont les l ments taient d j tiquet s par l expert Les situation identifier sont l op ration en r gime normal une fuite au niveau du condenseur et une fuite au niveau du receveur Pour ce faire trois variables ont t utilis es pour l laboration de l espace de repr sentation la position de la vanne de d charge V5comm le niveau d eau dans le condenseur L8 et le niveau d eau du receveur L1 Pour chaque variable nous avons s lectionn 3 informations concernant les pisodes l pisode courant ActEp l pisode pr c dent PreEp et la valeur finale de l pisode pr c dent Fval Les deux premiers descripteurs sont de type qualitatif et le troisi me de type quantitatif Pour L18 et L1 une information suppl mentaire a t prise en compte il s agit de la pente de l pisode pr c dent S ope Le Tableau 5 11 montre l espace de description choisi pour le condenseur et le receve
85. RT RBF Param trique oui non non non non non num rique num rique Nature de donn es num rique num rique num rique amp num rique amp symbolique symbolique Besoin d un ensemble connu i oui oui oui oui oui oui non d apprentissage Classes attribu es a priori oui oui non oui oui oui non Nombre fixe de classes i ee oui oui oui oui non non initiales valeur d arr t Fonction DAM Param tres r gler K K m fonction d activation connectifs de la couche cach e Type de classification strict strict flou strict strict strict amp flou Mise jour des classes non non non non non oui oui non 2 options sont possibles Chapitre 2 Notre Vision Strat gie pour la surveillance 51 2 4 Conclusion Dans ce chapitre nous avons pr sent une strat gie de d tection et diagnostic au moyen des m thodes de classification Dans un premier temps nous avons d crit les tapes suivre pour construire un mod le de r f rence sur le comportement du processus Ce mod le est labor partir de l analyse des informations provenant des mesures de capteurs historiques et en ligne ainsi que des connaissances expertes Un premier mod le est obtenu partir des r sultats issus d une phase d apprentissage Puis une tape de suivi du proc d peut tre r alis e Ce suivi consiste l identification en ligne des tats attendus La d tection d une d viation travers la
86. WP7 WP9 WP10 WP11 et WP12 La figure A 1 d crit l architecture et la plateforme d int gration pour la mise en place du syst me WP1 d finit la fa on dont les too boxes TB seront con ues et int gr es et fournit une m thodologie de d veloppement WP3 WP9 groupent les diff rents TBs qui fournissent les fonctions d crites pr c demment WP10 v rifie et assure l int gration entre les TBs Le WP11 est charg de conduire les tests relevants et la validation des TBs dans des unit s industrielles Finalement la gestion administrative la coordination et l exploitation du projet sont conduites par le WP12 WP3 Toolboxes WP5 Toolboxes WP7 Toolboxes WP9 Toolboxes Figure A 1 Plate forme d int gration et d architecture du projet CHEM A 4 Notre participation contexte contractuel Notre participation dans le projet CHEM se situe au sein du WP3 Analyse des tendances qualit et identification des situations du proc d L objectif de ce WP est de mener l identification de l tat courant du proc d par le biais de l analyse des tendances des variables en prenant avantage des m thodes quantitatives qualitatives et semi qualitatives intervalles bas es sur des mod les impr cis ou simplement partir des donn es historiques L analyse des tendances ainsi que l identification des situations est r alis e partir de l extraction des informations quantitatives et qualitatives des me
87. a les cause s qui ont pu engendrer le sympt me d tect ce stade le syst me doit avoir la capacit de d cider quand le proc d se trouve dans une situation de fonctionnement normal et quand une action corrective doit tre appliqu e Cette action corrective correspond l tape de reconfiguration de la commande de fa on ramener le proc d dans un mode de fonctionnement normal Cependant il existe d autres approches pour la mise en place d un syst me de supervision En effet pour la communaut de syst mes v nements discrets SED la supervision a pour but de contr ler l ex cution d une op ration effectu e par le syst me de commande sans rentrer dans les d tails de cette ex cution La supervision a lieu dans une structure hi rarchique au moins avec 2 niveaux et recouvre l aspect du fonctionnement normal et anormal e en fonctionnement normal le r le de la supervision est de prendre en temps r el les d cisions correspondantes aux degr s de libert exig s par la flexibilit d cisionnelle e en pr sence de d faillances la supervision prend toutes les d cisions n cessaires pour le retour vers un fonctionnement normal Apr s avoir d termin un nouveau mode de fonctionnement il peut s agir de choisir une solution curative d effectuer des r ordonnancements locaux ou m me de d clencher des proc dures d urgence La surveillance est responsable de l acquisition des signaux en provenanc
88. a possibilit d une part de traiter s quentiellement les donn es d autre part de pouvoir m langer des informations quantitatives et symboliques Cependant une analyse comparative approfondie de diff rentes m thodes de classification devrait tre faite de mani re mettre en place une approche utilisant plusieurs algorithmes en parall le Cette compl mentarit pourrait permettre d am liorer les r sultats Au niveau de LAMDA il serait int ressant d envisager la possibilit de pouvoir utiliser d autres fonctions d appartenance que celles actuellement disponibles Et m me dans le cas o les descripteurs de l ensemble de repr sentation n ont pas le m me type de distribution il nous semble que la possibilit de choisir une fonction d appartenance sp cifique chaque descripteur serait une extension pertinente int grer au niveau de SALSA Tout au long de notre travail une des nos pr occupations principales a t de pr senter l expert des analyses et des r sultats sous une forme facilement interpr table Dans ce sens une perspective de recherche au niveau de la g n ration d un module d interpr tation des r sultats de la classification devrait tre initi e Ces travaux pourraient dans un premier temps compl ter les informations issues du profil de classes en exploitant par exemple davantage le concept d entropies intra classe et inter classe au niveau des descripteurs Au niveau du regroupement de classes galem
89. a classe C1 vers la classe C7 dans la mesure o la d faillance peut se produire directement apr s une situation de fonctionnement normal 5 3 1 3 Apprentissage hors ligne partir des pisodes Les types d pisodes obtenus des variables utilis es pour l identification et la caract risation des tats du g n rateur de vapeur sont pr sent s dan le Tableau 5 8 Tableau 5 8 Types d pisodes pour les variables du g n rateur de vapeur A descente rapide L mont e rapide ee G stable S descente R mont e gt O stable bas F descente lente H mont e lente P stable haut low Lo bas 0 Hi Haut 1 Z inconnu Chapitre 5 Applications industrielles de l outil SALSA 109 En ce qui concerne le sous syst me du bouilleur l objectif tait de caract riser son fonctionnement en r gime normal ainsi que les situations de d faillances connues Il s agit de r aliser un apprentissage dirig Donc partir des informations issues de la repr sentation des variables base d pisodes les l ments de l ensemble d apprentissage ont t tiquet s de mani re repr senter au mieux chaque situation Pour l identification de ces situations 4 variables ont t s lectionn es pour construire l espace de description le d bit de la vapeur la sortie F10 le d bit d eau fourni par la pompe F3 la pression l int rieur du bouilleur P7 et le niveau d eau L8 Pour chaque va
90. adre des processus complexes nous avons d j mentionn que la g n ration d un mod le analytique appropri est un v ritable d fi Une solution est d employer les donn es historiques du proc d souvent disponibles N anmoins cette solution implique d autres difficult s g rer En effet la plupart du temps les donn es sont h t rog nes et en grand nombre car elles r sultent d enregistrements r guliers L analyse de ces donn es devient une lourde t che pour l op rateur expert En plus comme toutes les d cisions prendre sur le processus d pendent de cette analyse il est alors n cessaire d aider l expert pendant cette tape d analyse Comme nous l avons pr cis pr c demment au moyen des techniques d apprentissage Machine Learning et de reconnaissance de formes il est possible d extraire des informations significatives sur le processus partir des donn es historiques L exploration des donn es Data Mining o extraction des connaissances partir des donn es est une fa on d aider l expert A partir des informations pertinentes issues de l exploration des donn es historiques un mod le de r f rence du comportement du proc d peut tre obtenu Ce mod le de comportement est labor hors ligne Bien s r si les donn es historiques sont fiables le mod le obtenu ne comportera pas d erreurs de mod lisation Cependant il ne sera pas exhaustif car les donn es historiques ne peuvent pas couvrir la v
91. aisonnement De fa on g n rale une r gle SI ALORS linguistique s crit R 1 SI xest A ALORS yest B i 1 2 K 1 Ou A et C sont des ensembles flous qui d finissent le partitionnement des espaces d entr e et de sortie e Mod les flous type Takagi Sugeno Kang TSK TAK85 pour lesquels les pr misses des r gles sont de variables linguistiques mais les conclusions sont de type num rique g n ralement sous forme de constantes de polyn mes ou de fonctions lin aires ou non lin aires qui d pendent des entr es R l SI x est A ALORS y f x i 1 2 K 2 Les mod les flous TSK permettent une application relativement facile des techniques puissantes d apprentissage pour leur identification partir des donn es Ce type de mod le est utilis pour approximer des syst mes complexes non lin aires En effet le grand avantage du mod le TSK se situe dans sa puissance de repr sentation particuli rement pour d crire des processus complexes Il permet de d composer un syst me complexe en sous syst mes plus simples parfois m me lin aires La construction d un tel syst me flou est une chose d licate Quand la connaissance d un expert est disponible les r gles doivent tre exprim es de mani re linguistique ce qui am ne ensuite d terminer des fonctions d appartenance pour les pr misses En ce qui concerne les conclusions les Chapitre 1 Supervision et aide la d cision des syst
92. al Intelligence Vol 4 N 5 pp 329 339 1991 Kaufman L Rousseeuw P J Finding Groups in Data An Introduction to Cluster Analysis Wiley New York 1990 Kempowsky T Aguilar Martin J Subias A Le Lann M V Classification Tool based on Interactivity between Expertise and Self Learning Techniques IFAC Safeprocess 2003 Washington D C USA Juin 2003 Kempowsky T Subias A Aguilar Martin J Supervision of complex processes strategy for fault detection and diagnosis MCPL 2004 Third Conference on Management and Control of Production and Logistics Santiago de Chile Chile 3 5 Novembre 2004 Kohonen T Self organizing maps Springer Series in Information Sciences Vol 30 1995 Kotch G Modular reasoning A new approach towards intelligent control Th se de doctorat Swiss Federal Institute of Technology Suisse 1993 Kuipers B Qualitative simulation Artificial Intelligence Vol 29 N 3 pp 289 338 1986 Bibliographie 129 LURO1 Lurette C Lalot S Lecoeuche S Detection and Diagnostic of Drifts by Unsupervised and Auto adaptative Neural Network Proceedings of the International Conference on Engineering Applications of Neural Networks EANN 2001 pp 239 246 Cagliari Sardaigne juillet 2001 LURO3 Lurette C Lecoeuche S Unsupervised and auto adaptive neural architecture for on line monitoring Application to a hydraulic process Engineering applications of artificial intelligence
93. ans l quation 6 x correspond la valeur moyenne de l ensemble des l ments X Dans ce cas la matrice induit la norme de Mahalanobis dans l espace D Avec cette norme les classes sont repr sent es par des hyper ellipses dont l orientation est arbitraire d finie par les vecteurs propres de M comme le montre la Figure 2 2 Norme Euclidienne A Norme Diagonale Norme Mahalanobis Semer gt gt z Figure 2 2 Mesures de distance pour le regroupement BAB98 32 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification L algorithme simplifi est donn ci dessous Algorithme K Moyennes Entr e K groupes 1 lt K lt N 1 Choisir le centre initial des K groupes al atoirement Affecter chaque l ment x au groupe dont il est le plus proche 2 3 Recalculer le centre v de chaque groupe 4 r p ter 2 et 3 jusqu ce que stabilisation des centres ou nombre d iterations t fix atteint M me s il peut tre d montr que l algorithme converge toujours il ne trouve pas forcement la configuration optimale correspondant au minimum global de la fonction objectif donn e par l quation 3 Ceci correspond un probl me d optimisation multimodal 2 3 1 2 C Moyennes Floues FCM Une extension directe de l algorithme K moyennes est l algorithme des C moyennes floues FCM BEZ81 o la notion d ensemble flou est introduite dans la d finition des cl
94. ans une premi re tape les transitions sont estim es par rapport leur occurrence La matrice brute de transitions TB lrg d tats est construite o TB est le nombre de transitions observ es de l tat classe vers l tat j Ensuite un outil de dialogue avec l expert permettra de valider ces transitions et ventuellement de les compl ter Cette validation va s appuyer sur l interpr tation de la matrice brute de transitions qui implique plusieurs constats e Tout d abord la pr sence des cases non nulles TB 0 montre la possibilit de la transition bas e sur l observation e Dans le cas fr quent de mesures perturb es par du bruit ou de l incertitude nous pouvons consid rer qu une transition est d autant plus certaine qu elle a t mesur e souvent cependant ceci doit tre modul par le nombre Chapitre 4 Identification d un automate pour la surveillance d l ments de l ensemble de d part TB Il est alors possible de construire la matrice des transitions relatives TB TB avec 0 lt TR lt 1 et TR 1 TR rr 34 Nous pouvons alors introduire un seuil de certitude des transitions en dessous duquel une transition sera consid r e absente et construire ainsi la matrice de transition effective TE IrE TE si TR gt seuil TE 0 si TR lt seuil 35 La construction de la matrice TE peut 1 mettre en vidence des oscillations entre deux classes qui
95. aphes causaux TB7 1 Outil pour le support des transitions d tats TB7 3 Analyse de s curit et de fiabilit TB7 4 Aide l op rateur pour les situations anormales Figure 1 6 Structure d int gration pour le projet CHEM 22 Chapitre 1 Supervision et aide la d cision des syst mes complexes La Figure 1 6 pr sente la structure g n rale d int gration et de compl mentarit des diff rentes techniques telle que r alis e dans le projet CHEM Dans ce sch ma type les r sultats des outils de d tection sont utilis s comme des entr es pour les outils de diagnostic dont les sorties sont ensuite transmises aux outils de support l op rateur TES Episodes G n ration EPISOCES _ TB3 7 d pisodes Commande statistique gt S f multi variable AC en tre TB3 2a 5 sene Bandes 5 fi TB3 6 litati Etat du inetre TB3 3 Tandans Classi ce itative Brocade temporel D composition gt des tendances Figure 1 7 Interactions des outils base de donn es historiques Une autre approche d int gration des m thodes base de donn es historiques est pr sent e dans la Figure 1 7 1 5 Conclusion L objectif de ce premier chapitre tait d une part d identifier une probl matique g n rale au niveau du fonctionnement des applications industrielles d autre part de faire ressortir la n cessit de mettre en place des syst mes de supervision pour r
96. artition des trois vari t s la longueur et la largeur de p tale de chaque fleur Ainsi pour faire la diff rence entre les Versicolor et les Virginica les hyperplans ont t construits en utilisant la r gle suivante MIC94 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 35 SI Largeur de p tale lt 3 272 0 325 Longueur de p tale ALORS Versicolor SI Largeur de p tale gt 3 272 0 325 Longueur de p tale ALORS Virginica 3 0 Virginica i 2 0 2 5 Largeur de p tale 1 5 1 0 Setosa S S S SSS S sss S S SSSSSS S S SS 0 5 Versicolor 0 0 T T 0 2 4 6 8 Longueur de p tale Figure 2 3 Classification par Discriminants Lin aires Donn es Iris MIC94 Les techniques statistiques modernes sont consid r es comme des proc dures de classification non param triques qui peuvent tre utilis es sans hypotheses sur l existence d une loi de probabilit La m thode des K plus proches voisins DUD01a est une de ces techniques L id e g n rale est pour un nouvel objet x il s agit de d terminer la classe de chacun des k plus proches individus de x parmi tous les objets de l ensemble d apprentissage Nous pouvons alors classer le nouvel objet dans la classe la plus fr quente parmi celles de ses voisins Une difficult de cette technique est de trouver une normalisation appropri e des observations Pour des donn es multi
97. asses Chaque objet a un degr d appartenance ou de validit associ a chaque classe De ce fait et comme pour les K moyennes l algorithme FCM utilise de mani re it rative un crit re Jpcy de minimisation des distances intra classes et de maximisation des distances inter classes mais en tenant compte des degr s d appartenance des l ments KN 2 m p2 Ju XUV gt M Dina 7 k 1n 1 O e X est la matrice des N l ments x x X 1 d D Xn Xn Xn xh eee xi eee Cee e U est la matrice de partition floue dimension KxN avec LU 0 1 qui d finit le coefficient d appartenance de chaque l ment x la classe em e V est la matrice des prototypes v ou centres des classes e me l conditionne le degr flou de la partition sa valeur est g n ralement fix e 2 dans les applications Le poids de cet exposant s interpr te comme un param tre de distorsion Le flou de la partition augmente avec ce coefficient Par cons quent Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 33 les faibles niveaux d appartenance s accentuent car il y a un recouvrement entre les classes L algorithme simplifi est donn ci dessous Algorithme FCM Entr e K groupes classes o 1 lt k lt N degr de flou m m trique Initialiser al atoirement la matrice d appartenance U R p ter pour chaque it ration l 1 2 1 modifier les prototypes centres de cl
98. asses v 0 Eur Xn D _ nal ooo Vie N ISk lt K Sy kn n l 2 calculer les nouvelles distances D Dina x vP A x vP 1SkK lt K 1 lt n lt N 3 mettre jour la matrice y SiD 4 gt 0 pour 1 lt k lt K 1 lt n lt N 1 Ha T K S Dina Dana jenn k l Copp Sinon Lx 1 distance est 0 appartenance est 1 Jusqu obtenir la stabilit de y W U e lt e O correspond au crit re de convergence Il existe d autres extensions de l algorithme de FCM tel que l algorithme GK Moyennes de Gustafson et Kessel GUS79 qui propose une mesure de distance adaptative bas e sur la norme de Mahalanobis quation 6 pour d tecter des classes avec des formes g om triques diff rentes Un d savantage des algorithmes de regroupement clustering est qu ils sont sensibles la s lection de la partition initiale Souvent l initialisation se fait al atoirement plusieurs fois dans l espoir qu une des partitions m ne un regroupement acceptable Cette sensibilit l initialisation devient aigu quand la distribution des donn es montre une grande variance Les techniques de regroupement sont consid r es parmi les m thodes de classification non supervis es car elles n utilisent aucune connaissance a priori des classes qui doivent tre cr es N anmoins un nombre sp cifique de classes doit tre choisi l avance peu importe si les classes cr es sont significatives o non ce qui donne t
99. ateur de vapeur un haut fourneau et une usine d puration de gaz Coke oven gaz cleaning plant Dans le cadre du projet nous avons t amen es tester notre travail sur trois de ces unit s le gaz ifieur de biomasse l usine d puration de gaz et le g n rateur de vapeur Les r sultats obtenus ont t pr sent s dans le chapitre 5 de cette th se 140 ANNEXE A Le Projet CHEM ANNEXE B MANUEL D UTILISATION DE SALSA Annexe B Manuel d utilisation de SALSA 143 Situation Assessment using LAMDA claSsification Algorithm User s Manual SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 144 Annexe B Manuel d utilisation de SALSA Annexe B Manuel d utilisation de SALSA Contents 1 ABOUT THIS USER MANUAL 2 SOFTWARE INSTALLATION 2 1 INTRODUCTION 2 2 TECHNICAL DATA 2 3 SALSA SETUP 3 GETTING STARTED 3 1 SALSA MAIN SCREEN 3 2 SALSA OFFLINE 3 2 1 FUNCTIONS OF THE OFFLINE STAGE 3 2 1 1 Loading of the training data file in the specified format 3 2 1 2 Selection of the Classification Algorithm Quantitative descriptors 3 2 1 3 Selection of the connectives and the exigency level 3 2 1 4 Selection of the classification mode 3 2 1 5 Data Processing Treatment and Visualisation 3 2 1 6 Classification Results and Visualisation 3 2 1 7 Mapping Classes to States 3 3 SALSA ONLINE 3 3 1 ONLINE CONFIGURATION 3 3 2 ONLINE CONNECTION 3 3 3 RECEIVING ONLINE DATA 3 3 3
100. aux axes des descripteurs 25r HF HAE He 27 H H HE 1 5 Hee HE cut HAE 1 o5 H Hh gi 0 1 2 3 4 S 6 Fa a ensemble d l ments pour l apprentissage supervis 3 classes 2 5 1 5 05 1 2 3 4 5 6 7 1 2 4 5 6 7 b Fonction Binomiale Floue c Fonction Binomiale Centr e 2 5 058 1 2 3 4 5 6 7 d Fonction Gaussienne Figure 2 9 Partition de l espace de description selon les fonctions DAM pour le cas quantitatif Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 45 e DAM Qualitatif pour un individu X la valeur d un attribut qualitatif peut tre une de ses m modalit s Chaque modalit est associ e une valeur 7 qui indique la fr quence de celle ci dans les objets appartenant la classe C4 L ensemble des m fr quences observ es dans la classe C pour chaque modalit est le vecteur Pj 14 1 552m Pour le calcul du DAM la pr sence de la modalit d signe un masque qui recouvre toutes les autres modalit s et seulement la fr quence de la modalit correspondante sera prise en compte DAM x Py T 18 B Degr d Ad quation Globale DAG Une fois que les DAMs pour une classe ont t obtenus le degr d ad quation global DAG doit tre calcul Comme nous l avons mentionn pr c demment le DAG est obtenu par l agr gation des DAMs en utilisa
101. bon que le mod le mental de son cr ateur Pour ex cuter un diagnostic correct partir des arbres de d faillances ceux ci doivent largement repr senter toutes les relations causales du processus c est dire qu ils doivent tre capables d expliquer tous les sc narios de d fauts possibles De plus l emploi de cette m thode se r v le difficile pour les syst mes fortement d pendants du temps Enfin il n y a pas de m thode formelle pour v rifier l exactitude de l arbre d velopp Chapitre 1 Supervision et aide la d cision des syst mes complexes 15 1 3 2 2 Syst mes experts Pour les syst mes experts ou syst mes base de connaissances le diagnostic industriel est devenu un des domaines privil gi s d application Les syst mes experts sont des outils de l intelligence artificielle utilis s lorsque aucune m thode algorithmique exacte n est disponible ou praticable De fa on g n rale nous pouvons dire qu un syst me expert sert codifier la connaissance humaine en termes d exp rience raisonnement approximatif analogie raisonnement par d faut apprentissage etc De ce fait la propri t principale de ces syst mes est de pouvoir repr senter et restituer les connaissances acquises par les sp cialistes d un domaine technique pr cis Les connaissances utilis es dans la plupart des cas pour le d veloppement d un syst me expert d aide au diagnostic reposent sur l apprentissage des relations entre les
102. causes et les effets observ s pour chaque d faillance AGUI99 N anmoins il est possible aussi d utiliser les mod les fonctionnels d crivant les comportements des composantes de syst mes complexes CHA93 La d finition que nous retenons pour les syst mes experts est celle donn e par ZWI95 Un syst me expert est un syst me informatique destin r soudre un probl me pr cis partir d une analyse et d une repr sentation des connaissances et du raisonnement d un ou plusieurs sp cialiste s de ce probl me Un syst me expert est compos de deux parties ind pendantes voir Figure 1 3 e une base de connaissances elle m me compos e d une base de r gles qui mod lise la connaissance du domaine consid r et d une base de faits qui contient les informations concernant le cas trait e un moteur d inf rences capable de raisonner partir des informations contenues dans la base de connaissances de faire des d ductions etc Au fur et mesure que les r gles sont appliqu es des nouveaux faits se d duisent et se rajoutent la base de faits EXPERT Base de R gles Moteur ee UTILISATEUR d Inf rence Base de Connaissances Figure 1 3 Architecture d un syst me expert Les principaux avantages des syst mes experts pour le diagnostic sont leur capacit a raisonner sous incertitude et leur capacit a apporter des explications des solutions fournies La difficult sp cifique de leur mise
103. ce aux classes C ne d passent pas le seuil minimum d ad quation la caract risation de ces l ments peut tre r alis e en lan ant une nouvelle tape d apprentissage Diff rents types d apprentissage sont envisageables l apprentissage hors ligne r alis de mani re p riodique et l apprentissage en ligne r alis en continu Au cours de l apprentissage en ligne toutes les observations pr sent es sont utilis es pour l adaptation des classes ou la cr ation de nouvelles En effet l apprentissage en ligne consiste en un auto apprentissage o partir d un nombre 70 Chapitre 3 Identification des tats fonctionnels pour la surveillance d l ments non reconnus l algorithme de classification proc de la cr ation d une nouvelle classe laquelle doit tre interpr t e ensuite par l expert comme repr sentative ou non d un nouveau mode de fonctionnement Dans le cadre de notre travail nous nous sommes int ress e la caract risation des d viations partir d un apprentissage hors ligne A partir des l ments non reconnus en ligne l expert peut lancer un nouvel apprentissage pour cr er des nouvelles classes et ainsi caract riser les d viations d tect es par la non reconnaissance Le nouvel apprentissage prend en compte le classificateur construit auparavant et l expert peut choisir soit de cr er des nouvelles classes en gardant les caract ristiques des classes existantes inchang es soit de cr er des
104. construction d un mod le de comportement du processus par le biais d une tape d apprentissage En g n ral les m thodes de classification sont bas es sur l optimisation d une fonction objectif laquelle d pend du type de similitude d fini dans l ensemble des donn es ou l ments classer De ce fait il existe des techniques qui minimisent les distances entre objets du m me groupe et d autres qui maximisent l appartenance des objets une classe Nous donnons maintenant une br ve pr sentation des principales approches que nous consid rons appropri es pour la mise en place de la strat gie propos e 2 3 1 M thodes de coalescence clustering Les techniques de coalescence regroupement ou en anglais c ustering essayent de trouver une partition de l espace en regroupant les l ments de nature quantitative xe R d un ensemble X x Xy en un nombre K de groupes ou classes selon leurs ressemblances ou bien leur proximit KAU90 JAI99 30 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification Typiquement le concept de similitude est d fini partir de la distance entre un vecteur de donn es et le prototype centre du groupe classe Ces groupes doivent satisfaire deux crit res e Chaque groupe ou classe est homog ne les objets appartenant au m me groupe ou classe doivent tre similaires entre eux le plus proche possible e Chaque groupe ou classe
105. cord 2 NoState NoState Specify Class Record Class Number 1 Class Name OBSTRUCTION CRITICAL_OBS Figure 29 Assignment of Class to State e The table may be viewed or edited with the View Edit Mapping button The user can also view the assignment of states to the individuals by clicking the States button Figure 30 E States Figure 30 View Edit Mapping amp States buttons SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 164 Annexe B Manuel d utilisation de SALSA 4 i pr 2 uen ee E D ES ni DS ee RS SN M D SS Ss Be D ee ee 0 1 1 I En 1 1 1 se hese Peu el pe en eel 1 1 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 419 CURRENT STATES Individuals View Edit Mapping Figure 31 Current States Graph e SALSA allows saving the different contexts used active descriptors presence function for quantitative descriptors connectives and exigency level as well as the classification results for future use Context will be saved in a binary format with a CON extension Whereas a classification parameters classes and states will be saved with in a binary format with a CLA extension See Figure 18 for location of save buttons for context and classification 3 3 SALSA ONLINE ONLINE SALSA 1 CURRENT STATE o 1 2 w 1 2 1 2 b 1 Normalized Values
106. ction de l environnement et de 136 ANNEXE A Le Projet CHEM gestion des ressources naturelles disponibles Il leur faut minimiser la pollution ainsi que les accidents et optimiser les proc dures op ratives pour liminer le gaspillage des mat riaux et d nergie tout en respectant les normes de qualit et environnementales de plus en plus exigeantes e La flexibilit est absolument n cessaire pour pouvoir rester comp titives les compagnies doivent r agir aux changements du march et r pondre aux demandes des nouveaux produits e La complexit des syst mes de commande rend de plus en plus difficile la prise de d cisions L avanc e technologique sur les capteurs les syst mes de commande distribu e et l informatique ont augment la quantit de donn es rassembl es sur les unit s industrielles et pr sent es aux op rateurs qui doivent prendre les d cisions importantes et strat giques Cette information doit tre employ e pour am liorer l efficacit et la productivit pour viter des arr ts non programm s ainsi que des situations anormales En donnant des outils appropri s aux op rateurs le projet CHEM am liorera leurs conditions de travail Les outils bas s sur l intelligence artificielle fournissent des explications dont la plupart sont facilement interpr tables ce qui permet d augmenter le niveau de connaissance sur le processus Ces diff rentes pr occupations m nent la conclusion qu il y a un b
107. d Figure 1 shows its principal window There are three main options to choose OFFLINE Learning Stage This concerns the design and construction of a classification system from a set of experimental data It consists of two main stages a learning stage unsupervised or supervised and the assignment of the resulting classes into significant functional states Active participation of the process expert is required ONLINE Recognition Stage Using a previously generated classification system the current functional state of the process will be identified QUIT This option exits the toolbox To exit the application the user must first close quit the option he is working on one of the above an exit by clicking the QUIT button in the principal MENU window Annexe B Manuel d utilisation de SALSA 151 SALSA Situation Assessment using LAMDA claSsification Algorithm OFFLINE ONLINE Situation Assessment using LAMDA claSsification Algorithm Figure 1 SALSA Main Screen Options 3 2 SALSA OFFLINE OFFLINE SALSA Situation Assessment using LAMDA claSsification Algorithm _ CONTEXT System Busy o _ POPULATION New see D lt none gt _ CLASSIFICATION lt none gt Presence Function 3 Lamdal 1 1 I 1 Pots B 10 15 2 2 30 4 45 80 Exigency Index 3 1 000000 Current Classification edie 1 0 0 3 Pfassifcation Mode f 3 DE UNE LASSIFY 0 8 ns 0 7 _Self Leamin
108. d di e l aide pour l analyse et l interpr tation des r sultats de fa on obtenir un classificateur convenable pour identifier par la suite les situations attendues Finalement nous pr senterons l tape de reconnaissance des situations en ligne et les d marches suivre dans le cas de la d tection des d viations de comportement 3 2 l ments de param trage du syst me de surveillance Le premier aspect consid rer dans l laboration du syst me de surveillance est le param trage du classificateur c est dire les r glages n cessaires pour l obtention du mod le de r f rence comportement partir d informations issues directement des mesures du processus ou bien par le biais d outils de filtrage ou d extraction d information et de la m thode de classification s lectionn e Ce param trage est fait hors ligne et n cessite une intervention active de l expert de fa on int grer ses connaissances dans toutes les tapes Pour cela nous devons fournir l op rateur expert des outils lui permettant de faire ce r glage en lui donnant des crit res de choix objectifs Chapitre 3 Identification des tats fonctionnels pour la surveillance 55 3 2 1 Choix de l espace de repr sentation contexte Pour surveiller un syst me il est n cessaire de disposer d informations provenant de celui ci informations g n ralement d livr es par des capteurs N anmoins les mesures des capteurs ne permettent pas t
109. d tection d un glissement Nous pr sentons par la suite les r sultats de l apprentissage hors ligne partir d pisodes 5 4 1 Apprentissage hors ligne partir des pisodes Les variables brutes qui ont t utilis es pour la repr sentation en pisodes taient les diff rentiels de pression entre les rang es 6 et 9 de chacune des colonnes Ap du fourneau avec une p riode d chantillonnage de 1 l ment min Figure 5 27 Q1 6 9 RC TTC VA ES SRE PURE U Pf dl A RRRLATEIR 2 6 9 01 M __66 135 202 269 336 403 470 537 604 671 738 805 872 939 1006 1073 1140 1207 1274 1341 1408 Q3 6 9 4 6 9 Figure 5 27 Donn es brutes pour le haut fourneau 118 Chapitre 5 Applications industrielles de l outil SALSA Sur les donn es brutes de la Figure 5 27 l expert a localis deux conditions d instabilit glissements d limit es par les traits pointill s Cinq types d pisodes ont t obtenus pour repr senter les tendances des pressions Q1 Q2 Q3 Q4 du fourneau Ces pisodes sont illustr s dans le Tableau 5 13 Tableau 5 13 Episodes repr sentatifs des variables du haut fourneau A descente rapide G stable F descente lente O stable bas L mont e rapide P stable haut DRE H mont e lente Les descripteurs utilis s pour l apprentissage hors ligne sont des informations qualitatives issues de la repr
110. dans certains cas peuvent traduire une homog n it entre ces classes Ceci peut par la suite amener l expert regrouper ces deux classes dans un seul tat fonctionnel 2 permettre d liminer les transitions non significatives introduites par les erreurs de mesure ce qui pr sente l inconv nient d liminer certaines transitions peu fr quentes mais tr s significatives Ces transitions peuvent en effet correspondre des pannes qui en g n ral ne se pr sentent pas souvent C est pourquoi une validation des r sultats par l expert sera n cessaire en prenant en compte les sp cificit s du syst me surveill et du sc nario d apprentissage Dans le cas o un tat j correspond une de ces situations peu fr quentes nous avons TB petit Nous pouvons construire alors la matrice de transitions d arriv e aux tats qui permet de mettre en vidence le nombre de fois que l tat est atteint TB TB TA ra 36 Ce type d information peut tre pertinent dans le cas de d faillances particuli res non critiques pour lesquelles le processus peut avoir une certaine tol rance Le processus peut produire tout de m me Ceci est le cas notamment s il existe une flexibilit mat rielle due par exemple une redondance des capteurs Chapitre 4 Identification d un automate pour la surveillance 83 Nous allons maintenant montrer sur un exemple la mise en place des transitions de l automate et leur
111. de mod les qualitatifs pour la surveillance et le diagnostic de d faillances a pris une grande ampleur TRA97b ESCO1 Parmi les m thodes qui utilisent les mod les physiques de type qualitatif pour la d tection et le diagnostic de fautes se trouve la pr diction du comportement partir des quations diff rentielles qualitatives QDEs Ces QDEs sont des abstractions des quations diff rentielles ordinaires qui utilisent des intervalles de variables et des param tres L algorithme QSIM KUI86 repr sente un syst me comme un ensemble d quations diff rentielles qualitatives QDEs coupl es Le comportement du syst me est alors repr sent par une s quence d tats Selon l approche DX le diagnostic est bas sur la th orie du raisonnement logique DAGO1 Pour le diagnostic les termes suspect et candidat sont utilis s Le premier fait r f rence tout composant que le syst me de diagnostic a identifi comme responsable possible de l apparition d une divergence Tandis que le deuxi me fait r f rence au composant ou ensemble de composants dont le fonctionnement incorrect expliquerait toutes les divergences observ es Une caract ristique de cette technique est que le diagnostic se fait de fa on it rative en trois phases La D tection de conflits recherche de l ensemble de composants suspects en fonction des divergences observ es 12 Chapitre 1 Supervision et aide la d cision des syst mes complexes
112. ded SALSA identifies the number of descriptors and its nature and it internally rescales quantitative values between 0 and 1 Normalisation process To make possible a direct confrontation between individuals and classes it is necessary that the descriptors used for observations are the same same order than the concepts used for classes context However whenever the number of descriptors or its nature or the actual values exhibited in the population do not fit the ones stored in the context the problem is reported in an error file named error out The error is explained in this file with an indication of its nature type and location number of individual and number of descriptor if necessary A message window is displayed to notify the user If the population can still be loaded for instance if a value is lower than the minimum value SALSA will take into account a 0 or if a value is greater than the maximum value SALSA will replace it with a 1 the process will continue The user may view each context descriptor separately and in a detailed way as well as the values of each individual Figure 14 It is possible for the user to change the descriptors he wants to use for learning and classification he can enable and disable a descriptor for classification Annexe B Manuel d utilisation de SALSA 157 Ef Descriptor Details Values xj EP Descriptor Details s x INACTIVE B ACTIVE INACTIVE DT
113. dicate the class where the individual is to be assigned The algorithm expects these numbers to appear in a semi ordered way that is the class 1 has to appear at least once before the class 2 there has to be at least one 2 before any 3 and so on When these numbers are greater than 0 they create a class The zero 0 means that the individual is part of a population that later will undergo pattern recognition Figure 3 shows an example of the training file format for the case of supervised learning LEVEL DAT 0 This individual file collects data from a real pilot plant system which consists of two tanks and a control system to manage the level of the second one This data base has been generated from three possible situations normal operation class one a partial obstruction between tanks class two and the emergency situation total obstruction at the exit of tank two class three Used descriptors are level in tank one level in tank two both from 0 to 10 the desired output or control input only High or Low the control signal also from 0 to 10 and the derivatives of first second level and control signal coded Negative Large Negative Small Zero Positive Small and Positive Large We do have a last field of imposed class amp LEVEL_T1 LEVEL_T2 OUTPUT CTRL_SIG DERIV_T1 DERIV_T2 DERIV_CONTROL 9 107939 3 021866 A 5 622508 DDC 1 9 312390 2 988349 A 5 9409
114. doit tre distinct des autres les objets qui appartiennent au m me groupe doivent tre diff rents des objets appartenant d autres groupes le plus loign possible des autres groupes Les caract ristiques des prototypes qui ne sont pas habituellement connues l avance doivent tre choisies al atoirement et sont mises jour en m me temps qu est faite la partition de l espace Les m thodes de regroupement sont bas es sur l optimisation it rative d une fonction objectif e g variabilit dans les classes permettant d obtenir des classes homog nes et les plus distinctes possibles 2 3 1 1 K Moyennes L algorithme populaire et le plus connu des m thodes de regroupement est celui des K moyennes K means MCQ67 Cet algorithme r alise une partition stricte dure c est dire que chaque objet n est assign qu une seule classe Il s agit d une proc dure simple et it rative dont l id e g n rale est de classer un ensemble X Coe d l ments dans un nombre K de groupes clusters fix s a l avance Chaque l ment est un vecteur xe R La partition est faite de telle fa on que les l ments l int rieur d un groupe sont les plus semblables possible et les plus distincts des l ments appartenant a d autres groupes Le regroupement est r alis en deux tapes d abord il faut d finir les K centres ou prototypes de chaque groupe ensuite chaque l ment est associ au groupe dont il est le plu
115. e minerai principalement chaux silice magn sium aluminium L air chaud 1200 C insuffl la base du fourneau provoque la combustion du coke carbone presque pur L oxyde de carbone ainsi form va r duire les oxydes de fer c est dire leur prendre leur oxyg ne et de ce fait isoler le fer du minerai dioxyde de carbone monoxyde de oxyde de fer III carbone _ fer Fe 0 s 3 CO g 2Fe s 3CO g La temp rature du fourneau tant de l ordre de 1500 C la chaleur d gag e par la combustion fait fondre le fer et la gangue La gangue de densit moindre flotte sur un m lange base de fer appel fonte La fonte est recueillie apr s que le fer plus dense soit vacu en fond de fourneau La production de fer en haut fourneau est un processus continu Le fourneau est chauff constamment et est re charg avec des mati res premi res par le haut pendant que le fond du fourneau est soutir voir Figure 5 26 La production de fer peut se faire en continu durant dix ans avant de renouveler la couche interne de protection du fourneau Le haut fourneau lui m me est un r cipient refroidi l eau de coupe transversale circulaire de 30m d hauteur Des couches de coke et de minerai sont alternativement charg es par le haut de fa on contr l e L air environ 1200 C est insuffl par le fond du fourneau au travers d une tuy re de cuivre refroidie l eau L air r agit avec le coke et du fuel i
116. e 5 classes ont t identifi es 60 Chapitre 3 Identification des tats fonctionnels pour la surveillance Le fait de pouvoir contr ler l exigence de l algorithme de classification permet l expert de trouver un compromis entre une partition suffisamment repr sentative des modes de fonctionnement et une partition capable de faire de la g n ralisation selon les besoins Value 1 10 2 30 40 50 60 70 80 90 100 110 120 130 140 180 160 170 180 190 200 Active Quantitative Descriptors Individuals ote a espace de description avec 4 attributs 3 CLASSES 05 1 1 1 1 1 1 1 1 10 2 30 40 50 60 70 s0 90 100 110 120 130 140 180 160 170 180 190 200 b a 0 3 1 10 20 3 40 50 60 70 s 90 100 110 120 130 140 150 160 170 180 190 200 c 4 0 6 1 10 2 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 d a 0 8 Figure 3 2 Exemples de classification pour diff rentes valeurs d exigence Chapitre 3 Identification des tats fonctionnels pour la surveillance 61 3 3 Analyse et interpr tation des r sultats Il s agit de fournir l expert des outils visuels avec des informations utiles relatives la classification r alis e L objectif est de donner l expert des moyens pour mieux exploiter les r sultats de la classification lors de l interpr tation et la validation des classes 3 3 1 Reconnaissance de l ensemble d apprentissage Nous consid rons que pendant la phase d app
117. e Function Connectives and Exigency Index e Once both files have been loaded the user may close the configuration window by clicking on the OK button 3 3 2 Online Connection Once the configuration window is closed the user will see the list of the quantitative descriptors or the qualitative descriptors that will be received online See Figure 34 D3 Quantitative Descriptors vy 1 PasEp y D6 EP F3 PasEpYal D9 EP P7 PasEpYal D10 EP P7 PasEpSlope D13 EP L6 PasEpVYal D14 EP L6 PasEpSlope a View Qualitative Figure 34 List of Online Quantitative Descriptors SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 166 Annexe B Manuel d utilisation de SALSA View Configuration DE Figure 35 Ready to Send Online configuration The Send Configuration button is enabled Figure 35 The user must click this button for SALSA to get ready to receive online data If the connection is successful SALSA will start checking for a new message to arrive View Configuration Send Configuration Figure 36 Ready to Receive Online data The Get Data button is enabled Figure 36 SALSA will display the path where the data transfer will take place Figure 37 The DataTr folder must contain the file with the current information message This file has the name d_in dat It contains one single line in the same format as for the training files s
118. e des ressources et de la commande Ces informations sont utilis es pour la reconstitution de l tat r el du syst me command et pour faire les inf rences n cessaires afin de produire des informations suppl mentaires pour dresser des historiques de fonctionnement Les activit s de la surveillance sont donc limit es aux fonctions relatives aux informations et n ont pas une action directe sur le mod le ni sur le proc d A priori la surveillance a un r le passif vis a vis de la commande Parmi les fonctions de la surveillance nous trouvons donc en plus de l acquisition de donn es la d tection COMO0 qui caract rise le fonctionnement du syst me de normal ou anormal Deux classes d anomalies sont distingu es e la premi re regroupe les situations pour lesquelles le comportement du syst me devient anormal car les contraintes d op ration ne sont pas garanties 8 Chapitre 1 Supervision et aide la d cision des syst mes complexes e la deuxi me regroupe les situations dans lesquelles le comportement est anormal par rapport la loi de commande appliqu e Cette classe recouvre les anomalies de fabrication mise en vidence par des contr les de qualit Le suivi fait partie aussi des fonctions de la surveillance Cette fonction maintient en permanence un historique des traitements effectu s et une trace des v nements que per oit le syst me La fonction diagnostic tabli un lien de cause effet entre un sympt
119. e sont pas soumis r gularit Le mod le synchrone que nous consid rons ici suppose une base de temps correspondant au temps d acquisition des mesures qui consiste en une s quence infinie d instants A tases telle que t gt t En g n ral cette base de temps sera r guli re c est dire que t t constante 33 Nous verrons dans nos applications 8 chapitre 5 partir de la repr sentation base d pisodes que cette condition de r gularit n est pas n cessaire Remarquons qu avec un mod le synchrone la possibilit de permanence dans un m me tat entre instants d chantillonnage est certaine et donc u 1 Wi Chapitre 4 Identification d un automate pour la surveillance 77 4 2 1 Machines tats finis automates pour la supervision L tat d un syst me dynamique est l information suffisante pour d terminer la trajectoire future du syst me pour une fonction d entr e d finie ou une s quence d actions La notion d tat fonctionnel essaie de g n raliser le concept d tat un niveau sup rieur Il s agit de caract riser la situation dans laquelle se trouve un processus en fonction de son pass des fonctions qu il doit ex cuter et des possibles transitions vers de nouvelles situations A cause de cette diff rence conceptuelle entre l tat fonctionnel et l tat proprement dit d un syst me dynamique il est n cessaire de s assurer de la s mantique propre chaque tat fonctionn
120. e tout nouveau ph nom ne normal ou anormal pr sent dans le processus surveill De nombreux travaux ont d j permis de montrer l int r t des m thodes de classification pour le diagnostic notamment dans le cadre de syst mes complexes RIBO2 Les m thodes choisies vont des m thodes les plus classiques comme les classificateurs statistiques le classificateur Bayesien les K plus proches voisins MARO3 CASO3 jusqu aux r seaux de neurones artificiels VEN90 LURO1 Nous reviendrons plus en d tails sur ces diff rentes m thodes 2 3 1 4 Tentative d int gration des m thodes et outils Il devient vident que toutes ces diff rentes m thodes de d tection et diagnostic voqu es pr c demment ont leurs points forts et leurs faiblesses Ainsi il est possible que certaines m thodes puissent se compl menter laissant esp rer de meilleurs syst mes de diagnostic L int gration de diverses m thodes compl mentaires est une fa on de d velopper des syst mes hybrides permettant de surmonter les limitations des strat gies individuelles Par exemple les tendances qualitatives pisodes peuvent tre utilis es en compl ment d une base de connaissance base de r gles floues SI ALORS pour r aliser l affectation des tendances diff rentes situations ou tats et l identification d une d faillance dans le processus DASO3 Isermann ISE97 a propos dans sens l utilisation de mod les analytiques et heuristiq
121. ec apprentissage dirig Profil des classes obtenues a partir d un apprentissage dirig Profil des classes avec descripteurs quantitatifs Visualisation des DAGs pour chaque classe Connectivit entre classes pour l exemple de la Figure 3 7 Reconnaissance en ligne suivi et d tection des d viations Caract risation du sympt me apprentissage supervis actif Structure SALSA hors ligne Cr ation du mod le de r f rence Structure SALSA en ligne Identification des tats fonctionnels Exemple de l automate pour une machine outil Exemple du graphe d tats et transitions Exemple de classification pour l identification des tats Profil des classes Matrice de transitions Validation des transitions Automate r sultant de l apprentissage s quentiel S quence des tats connus en ligne Exemple d une transition non pr vue D tection d une d viation Sch ma du gaz ifieur en lit fluidis Ensemble de donn es brutes du gaz ifieur Ensemble d apprentissage donn es brutes Classification pour l identification des tats du gaz ifieur volution des DAGs pour la classification r sultante Automate pour la gaz ification donn es brutes Type d pisodes pour les variables du gaz ifieur Exemple de repr sentation des variables avec les pisodes Ensemble d apprentissage pisodes Classification avec pisodes et auto apprentissage Automate g n r partir d pisodes Aper u du g n rateur de vapeur Sch ma g
122. ee Figure 38 Once SALSA reads the d_in dat file it destroys it and when recognition is made an output file is generated d_out dat see Figure 39 the application that is sending the online data must destroy this file and create the d_in dat file to tell SALSA that a new message has arrived ThingDemo PathD SALSA403v2bat DataTr Figure 37 Path for data transfer A d_in dat Bloc notes Fichier Edition Format Affichage g h 3 387 low high 670 872 o p 7 446 0 006 g a 159 511 0 957 Figure 38 Format for the online data file P d_out dat Bloc notes Fichier Edition Format Affichage 02 06 2004 11 39 49 NORMAL NoRegul 1 12262e 05 Figure 39 Format for the output file by SALSA Annexe B Manuel d utilisation de SALSA 167 View Configuration Send Configuration Stop Data Figure 40 Stop receiving data The user may stop receiving messages with the Stop Data button 3 3 3 Receiving Online Data The online screen offers the visualization of the incoming data the current state the state of the plant at the instance of an arriving message it has a historical table with the time at which there was a change of state with its associated class and Global Adequacy Degree 3 3 3 1 Visualizing incoming data The user may choose to visualise either the quantitative or the qualitative data Tis 104 Normalized Values o N 1 00 1 1 I 1 1 I 1 1 J 1 0 1 1 1 1 1 1 1 1 I 1
123. el pour cela il convient d tablir un dialogue avec l expert du processus pour qu il puisse associer ses connaissances la d finition des tats fonctionnels Hpi ces Figure 4 1 Exemple de l automate pour une machine outil Prenons l exemple d une machine outil L tat strict a comme composantes la vitesse instantan e de la pi ce et les efforts exerc s par l outil dans les trois dimensions spatiales Cependant l tat fonctionnel exprimera l usure de l outil la qualit de lubrification la mati re usin e et le type de t che effectu e Si l tat de la machine est consid r dans quatre situations ou phases lt nouvel gt lt normal gt lt us gt et lt cass gt le sch ma de la Figure 4 1 repr sente les transitions possibles entre tats fonctionnels et les actions associ es Nous repr sentons de cette fa on le fait que l outil ne peut pas se casser sans avoir travaill au moins sur une pi ce et qu apr s avoir travaill sur N pi ces il est n cessaire de changer l outil Ce sch ma repr sente un automate dont les tats fonctionnels correspondent des situations connues par l expert Un syst me qui est capable de d tecter automatiquement dans quel tat fonctionnel se trouve le processus et de d terminer quelles sont les transitions favorables son fonctionnement r alise une t che de surveillance 78 Chapitre 4 Identification d un automate pour la surveillance Un syst me de d tectio
124. en ceuvre est la formalisation de la d marche cognitive qui a pour objectif a partir d une situation donn e de d finir et de d crire le raisonnement associ 16 Chapitre 1 Supervision et aide la d cision des syst mes complexes 1 3 3 M thodes partir des donn es historiques Ces m thodes ont l avantage de ne pas n cessiter la connaissance d un mod le math matique ou structurel du proc d contrairement aux m thodes base de mod les Seulement la disponibilit de grandes quantit s de donn es historiques du processus est n cessaire Il y a diverses fa ons de traiter ces donn es et de les pr senter en tant que connaissance a priori pour le diagnostic Ceci est connu comme l extraction des caract ristiques Parmi les m thodes d extraction des caract ristiques se trouvent les m thodes de repr sentation et analyse qualitative des tendances l Analyse en Composantes Principales ACP Moindres Carr s Partiels MCP et les m thodes de classification et de reconnaissance de formes RdF parmi lesquelles nous pouvons citer d une part les classificateurs statistiques d autre part les r seaux de neurones artificiels VENO3b 1 3 3 1 Analyse et repr sentation qualitative des tendances Un traitement g n ral des signaux a pour but l analyse et la repr sentation qualitative des tendances du processus propos e par Cheung et Stephanopoulos CHE90 avec le concept de tendance s rie d pisodes avec une repr
125. ent d autres crit res ind pendants des donn es pourraient tre mis en place Certaines de ces am liorations seront court terme inclues dans le cadre du d veloppement d un outil professionnel de Data Mining reprenant certaines fonctionnalit s de SALSA Cet outil con u ind pendamment de tout contexte de supervision est actuellement en cours de r alisation par le support R amp D informatique du LAAS CNRS D autres perspectives peuvent tre d gag es du mod le des tats fonctionnels que nous avons propos En effet la construction de l automate pour la surveillance a montr la difficult de valider les transitions par des concepts uniquement statistiques comptages alors que certains v nements li s des d faillances exceptionnelles ne peuvent tre observ s qu en tr s petit nombre voire une seule fois Dans ces Conclussions et Perspectives 123 conditions l exploration de l volution des degr s d ad quation globale DAG et des connaissances de l expert sont envisager Par ailleurs jusqu pr sent nous avons essentiellement utilis l automate pour la surveillance et plus pr cis ment pour les fonctions de suivi et de d tection de d faillances N anmoins l utilisation de l automate des fins de pronostic peut tre envisag e dans la mesure o il serait possible l aide de l automate de suivre des volutions du processus conduisant de mani re irr vocable vers une situation de d faillance Ce
126. entissage hors ligne et de reconnaissance en ligne de l outil SALSA et leur utilisation 3 6 Conclusion Ce chapitre a t consacr l identification des diff rents tats fonctionnels pour la surveillance des proc d s Nous avons d crit dans un premier temps les diff rents aspects prendre en compte lors de l laboration du mod le de r f rence c est dire pendant la phase d apprentissage Parmi ces aspects nous trouvons Chapitre 3 Identification des tats fonctionnels pour la surveillance 73 e la d finition de l espace de description o l op rateur doit choisir le type et la quantit d attributs qui repr sentent le mieux le comportement du proc d e le mode d apprentissage selon la connaissance a priori sur les situations repr sent es au sein de l ensemble de donn es pour l apprentissage e le r glage des param tres de l algorithme de classification choisi Bien que la connaissance experte soit toujours n cessaire pour la construction du mod le de r f rence il faut apporter l op rateur les moyens pour faciliter l analyse et l interpr tation des r sultats obtenus lors de l apprentissage Ceci est r alis au travers d une interface homme machine essentiellement graphique Une fois le mod le de r f rence construit nous avons pr sent l tape d identification de l tat courant du proc d partir des donn es en ligne et nous avons d taill les d marches suivre lors de la d
127. ents tats fonctionnels du processus plusieurs situations peuvent surgir Chapitre 3 Identification des tats fonctionnels pour la surveillance 57 e l expert n est capable d exprimer qu une connaissance partielle du processus e il est conscient de l existence de plusieurs tats mais il ignore comment les identifier en utilisant les donn es historiques et celles disponibles en ligne e il n a pas une id e claire des tats reconna tre Pour ces raisons la m thode de classification utiliser doit fournir l expert plusieurs alternatives d apprentissage pour identifier et caract riser les tats fonctionnels Ainsi la s paration en r gions de l ensemble des observations utiliser pour l apprentissage peut se r aliser selon un tiquetage des observations impos par l expert apprentissage supervis ou de fa on automatique apprentissage non supervis Une combinaison des deux types d apprentissage peut tre galement envisag e 3 2 2 1 Apprentissage supervis Impos par l expert Lorsque l op rateur conna t a priori les modes r els de fonctionnement contenus dans l ensemble d apprentissage nous parlons d un apprentissage dirig o impos par l expert En effet l expert tiquette les observations qui d apr s lui repr sentent le mieux les diff rentes situations De cette fa on les param tres de chaque classe seront une combinaison des caract ristiques des observations impos es par l expert
128. eraction homme machine et la personnalisation des syst mes construits autour des architectures Honeywell pour permettre aux op rateurs de pr venir des situations anormales Le but du programme du NIST est de d velopper et valider des solutions int gr es pour la commande de processus de fabrication ANNEXE A Le Projet CHEM 137 A 3 Organisation et partenaires Les partenaires du projet proviennent de la communaut europ enne du Japon et de la Cor e Les participants sont des tablissements acad miques et des industriels qui fournissent des logiciels ou disposent de sites industriels pour valider les toolboxes Le consortium europ en a t tabli de sorte que les partenaires puissent fournir des techniques compl mentaires et diff rentes applications repr sentatives Ont particip ce projet cinq institutions acad miques de huit pays l Universit Polytechnique de Catalunya UPC l Institut Technologique de Lund l Universit de Girona et le LEA SICA l Universit de Lille USTL LAIL et l Universit de Technologie de Varsovie WUT et 9 partenaires industriels l Institut Fran ais de P trole IFP Gerth sp cialiste en gestion financi re Thal s Computas VTT sp cialiste en gestion de risque UPM Kymmene KCL Corus British Steel Limited et Gensym Ce projet international aborde diff rents aspects qui sont int gr s dans une architecture modulaire dont diff rents modules toolboxes peuvent collab
129. ermet de choisir quelles seront les caract ristiques retenir pour le diagnostic Les classes peuvent tre assimil es aux diff rents modes de fonctionnement du processus d finissant alors l espace de d cision Donc l objectif en termes de diagnostic est de d finir quel mode de fonctionnement correspond une nouvelle observation Dans la plupart des cas la conception d un syst me de diagnostic partir de la reconnaissance de formes se d roule en trois tapes DUB90 e Une phase d analyse o il s agit d tudier les informations fournies par les diff rents capteurs les historiques ainsi que l exp rience des op rateurs afin de d finir l espace de repr sentation du syst me ainsi que les classes qui repr senteront les diff rents tats de fonctionnement Il s agit donc de la phase de classification un ensemble de N observations X X X qui seront regroup es en K classes Bien que cela d pende de la m thode de classification utilis e pour l apprentissage cette phase est g n ralement lourde en terme de calcul e Une phase de choix du syst me de d tection qui consiste construire une r gle de d cision qui tablira des fronti res entre les diff rentes classes La r gle de d cision permettra d affecter ou non une nouvelle observation l une des classes connues e Une phase d exploitation qui consiste impl menter le syst me afin de proposer une d cision pour toute nouvelle observation effectu e
130. ert Intelligent systems amp their applications Vol 12 N 3 pp 22 31 Mai Juin 1997 Blake C L Merz C J UCI Repository of machine learning databases http www ics uci edu mlearn MLRepository html University of California Department of Information and Computer Science Irvine USA 1998 Van de Steene L Girard P Le point sur la gaz ification de la biomasse Bois Energie N 1 mars 2003 Vedam H Venkatasubramanian V A wavelet theory based adaptive trend analysis system for process monitoring and diagnosis Proceedings of the American Control Conferences Piscataway USA pp 309 313 1997 Venkatasubramanian V Rengaswamy R Yin K Kavuri S A review of process fault detection and diagnosis Part I Quantitative model based methods Computers amp Chemical Engineering Vol 27 N 3 pp 293 311 2003 Venkatasubramanian V Rengaswamy R Kavuri S Yin K A review of process fault detection and diagnosis Part III Process history based methods Computers amp Chemical Engineering Vol 27 N 3 pp 327 346 2003 Venkatasubramanian V Vaidyanathan R Yamamoto Y Process fault detection and diagnosis using neural networks I steady state processes Computers and Chemical Engineering Vol 14 N 7 pp 699 712 1990 Villemeur A S ret de fonctionnement des syst mes industriels Fiabilit Facteurs humains Informatisation Eyrolles 1988 Waissman Vilanova J Construction d u
131. es s rie Diagnostic et Maintenance Herm s Paris 1995 ANNEXE A PROJET EUROPEEN CHEM 134 ANNEXE A Le Projet CHEM ANNEXE A Le Projet CHEM 135 Le projet CHEM a t financ par la Communaut Europ enne dans le cadre du programme Croissance Comp titive et Durable du 5 Programme cadre pour des actions communautaires de recherche de d veloppement technologique et de d monstration RTD Research and Technological Development 1998 2002 GROWTH sur contrat G1RD CT 2001 00466 A 1 La probl matique objectifs L objectif principal du projet CHEM Advance Decision Support System for Chemicla Petrochemical Manufacturing Processes tait de d velopper et mettre en place un Syst me d Aide la D cision SAD pour la surveillance l analyse et l interpr tation des donn es la d tection et le diagnostic des v nements et le support aux op rateurs dans la prise de d cisions dans l industrie chimique et p trochimique Ce syst me est construit partir de l int gration synergique des outils logiciels toolbox bas es sur des nouvelles technologies que permettent la d tection et le diagnostic robuste en temps r el des probl mes du processus L ensemble permettra d am liorer la s ret la qualit du produit et la fiabilit d op ration ainsi que de r duire les pertes conomiques dues des situations de d faillances principalement dans le cadre de proc d s chimiques et p trochimiques Ce
132. es fonctions l algorithme n est pas non plus le r sultat des combinaisons de poids inconnus mais une modification coh rente des caract ristiques des classes En plus le fait d utiliser les concepts de la logique floue permet une approximation du raisonnement humain qui conduit des r sultats facilement interpr tables En outre l algorithme ne demande pas de faire des initialisations al atoires et pour certains choix des fonctions DAM l utilisateur ne doit pas faire le choix du seuil minimum qu un individu doit franchir pour tre attribu une classe Ce seuil est donn automatiquement par la classe NIC en fonction de l espace de description La possibilit d ajuster l exigence peut tre vue comme une fa on de g n raliser ou de donner un degr de flou la classification permettant d obtenir diff rentes partitions pour chaque valeur d exigence du m me ensemble de donn es PIE91 Aussi m me si le r sultat final de la classification est pr sent comme une partition classique concr te le fait d obtenir les diff rentes appartenances d un individu toutes les classes permet de faire une analyse post rieure sur le voisinage des classes ainsi que sur les individus Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 49 Une autre raison pour laquelle nous avons choisi LAMDA parmi d autres m thodes est le traitement s quentiel des donn es Contrairement aux m thodes sta
133. es more classes will be created or in the case of recognition a greater adequacy is required of a measurement to thee assigned to a pre established class Connectives MinMex v Manual v Figure 9 Connectives amp Exigency selection Exigency Level gt 0 8000 3 2 1 4 Selection of the classification mode When a file has been loaded for the first time the classification mode will be selected according to the characteristics of the file SelfLearning Y Supervised Learning Recognition Figure 10 Classification Mode selection Self Learning Unsupervised learning No pre defined classes There is no preliminary knowledge SALSA creates a group of classes using as base the values of the descriptors from the individuals of the data file that has been loaded There are two selectors that may be changed by the user only when unsupervised learning has been chosen These are the maximum desired variation percentage and the maximum allowed iterations number see Figure 11 Max variability 1 0000 Self Learning Mode Max iterations 1 Figure 11 Max Variability amp Iterations selectors They are necessary because in unsupervised learning the class parameters vary so to obtain some stability and to overcome in a certain way the effect of the observations ordering the same population is classified several times until a maximum percentage of individuals changes from one iteration to another How
134. es que les arbres de d cision car ces derniers coupent l espace de repr sentation de fa on parall le aux axes attributs Les RNA sont appropri s aussi dans le cas de mesures bruit es N anmoins le temps de calcul pendant la phase d apprentissage peut devenir tr s important et la d finition des param tres du r seau d licate Un autre inconv nient est que les RNA ne donnent pas une repr sentation explicite des connaissances ni partir des r gles ni avec un autre moyen facilement interpr table Le mod le est implicite et cach dans la structure du r seau et les poids des connexions entre n uds C est pour cette raison que les RNA sont parfois consid r s comme un syst me bo te grise En outre les RNA ne permettent pas de travailler directement avec des informations de type symbolique qualitatif Donc dans un probl me de classification o certains attributs sont de type qualitatif il est n cessaire de r aliser une repr sentation quantitative N anmoins Nauck et Kruse ont propos une approche neuro floue pour la classification de donn es NAU95 Il s agit de r aliser une classification partir des donn es dont leurs attributs sont repr sent s par des sous ensembles flous Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 41 2 3 5 LAMDA LAMDA Learning Algorithm for Multivariable Data Analysis est une m thode de classification avec apprentissage propos e par Jo
135. escriptors Individuals C View Quantitative Descriptors Figure 17 Active qualitative descriptors graph For qualitative descriptors we represent each modality with a similar but different colour 3 2 1 6 Classification Results and Visualisation e After successfully loading context and population green LEDs for Context and Population and name of the loaded file it is possible to put the algorithm to work by pressing the Classify button See Figure 18 CONTEXT New View Save d LAMDA20025DATASTLEVELNCL DAT POPULATION ew View d LAMDA2002 DATA TLEVELV2 DAT CLASSIFICATION lt not saved gt Presence Function E Gauss1 Connectives Probabilistic a Exigency Index gt 0 780000 Classification Mode Recognition v Class Profile Save Ref Cl pes CLASSIFY Class Details View Prof Cl Analyse Figure 18 Application ready for classification Annexe B Manuel d utilisation de SALSA 159 e Once a classification has been made SALSA graphically displays the class assigned to each individual Figure 19 and by clicking on the Class Profile button Figure 20 the profile of each class will be displayed OFFLINE SALSA Situation Assessment using LAMDA claSsification Algorithm CONTEXT _New view Save ee EAST HR d LAMDA2002 DATASTLEVELNCL DAT POPULATION New View Zave d LAMDA2002 DATA TLEVELV2 DAT o CLASSIFICATION e e o aa
136. esoin industriel r el pour des m thodes visant am liorer la gestion des processus des fonctions intelligentes pour les syst mes avanc s d aide la d cision sont n cessaires Beaucoup de travail a t conduit dans des domaines semblables analyse de tendances diagnostic de d faillances et syst mes d aide la d cision mais les m thodes d velopp es fonctionnent toujours s par ment et il reste difficile pour les concepteurs des syst mes industriels de supervision de construire des applications adapt es aux nouvelles usines Par cons quent il est n cessaire de rassembler les efforts des sp cialistes avec une gamme tendue d expertise pour pouvoir concevoir un syst me complet de supervision Il existe parmi les outils commerciaux de d veloppements g n riques des tentatives de mise en place de syst mes d aide la d cision avanc s Nous pouvons citer les d veloppements r alis s en G2 pour Lafarge Amoco et Mobil N anmoins il s agit d applications pour la surveillance des proc d s tr s particuli res et il est difficile de g n raliser de telles exp riences d autres applications Par ailleurs des initiatives similaires celle du projet CHEM existent aux tats Unis telles que le consortium Abnormal Situation Management ASM men par Honeywell ASM et le Programme de Contr le Intelligent du NIST Ces initiatives ont toutefois des objectifs un peu diff rents L ASM met l accent sur l int
137. est toujours pr sent dans l acquisition des donn es il est fr quent que les transitions soient aussi bruit es C est a dire qu il y ait une oscillation entre l appartenance deux classes Cette oscillation peut se voir travers un manque de permanence des l ments dans une classe voir Figure 4 6 L op rateur peut d cider de ne pas prendre en compte une transition identifi e lors de l apprentissage s il s agit en fait du bruit dans les l ments et que dans la pratique ce passage ne doit pas se produire La validit des transitions peut tre faite en s appuyant sur la matrice de transition effective TE Cependant l op rateur ne pourra agir que sur les transitions contr lables Sur la Figure 4 6 nous constatons une oscillation r duite un seul retour de la classe 3 la classe 6 pour l individu 206 Nous pouvons nous demander si ce retour est significatif d une transition r elle de 3 a 6 84 Chapitre 4 Identification d un automate pour la surveillance te 1 0 0 3 0 8 07 0 6 0 5 0 4 0 3 0 2 01 0 0 Value 0 1 Ffi 1 1 i 1 1 1 1 1 1 I I l I j 1 1 1 1 141 145 150 155 160 165 170 175 180 185 190 195 200 205 210 215 220 225 230 235 240 Active Quantitative Descriptors Individuals amihan a Repr sentation des variables 6 SSSSSE sees E Le teh ete ee er re Le kT oD oscillation th 4 FA a 3 sassssss 2 1 ey 0 141 145 150 155 160 165 170 175 180 185 190 195 200 205 210
138. eurs 1 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 937 b Classification r sultante lors d un auto apprentissage Figure 4 3 Exemple de classification pour l identification des tats Chapitre 4 Identification d un automate pour la surveillance 81 ia F3 04 0 8 P7 0 7 0 6 F10 0 5 8 0 4 0 3 0 2 0 1 0 0 Class 1 Class 2 Class 3 Class 4 Class 5 Current Classes Value Figure 4 4 Profil des classes Apr s l interpr tation des classes g n r es automatiquement l expert a associ les classes a des tats repr sentatifs Toujours dans le cadre de l exemple de la Figure 4 3 les tats associ s sont Aucune r gulation R gulation de pression Classe 2 amp 3 R gulation de niveau R gulation de pression et de niveau 4 4 Identification des transitions partir de l apprentissage s quentiel La construction de l automate ou machine tats discrets qui correspond au mod le de r f rence voqu dans les chapitres pr c dents comporte l identification des tats et la d termination des transitions entre tats L identification des tats nous venons de le voir s appuie sur des m thodes de classification appliqu es aux donn es historiques En suivant le principe d identification partir de donn es mais en coordination avec les connaissances des experts nous proposons ici une m thodologie pour l identification des transitions D
139. ever the time to reach stability could be very long so a maximum number of iterations has also been introduced This means that the population will be presented to the existing classes once and again until either no more than the specified percentage of individuals varies its assignment from the previous iteration or the cycles limit has been reached SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 156 Annexe B Manuel d utilisation de SALSA Supervised Learning The loaded population has a class imposition field This option allows performing a different number of choices like learning from an initial set of classes which can be modified by adding new classes or by updating their parameters or both Figure 12 T Only New Class creation Figure 12 Supervised Learning Options window Pattern Recognition This option has two alternatives either the user allows unclassified individuals meaning that an individual has not been recognized in any class its adequacy degree is lower than the minimum threshold and has been placed in the NIC class or force every individual to be assign to a class in this last case the Non Informative Class is not taken into account for recognition Figure 13 Arecooniion options x Do you allow unclassified individuals Figure 13 Recognition Options window 3 2 1 5 Data Processing Treatment and Visualisation Once the context and the population have been loa
140. exhaustivit de la connaissance du comportement du processus car les donn es historiques ne peuvent pas couvrir la vie enti re du processus En plus au fur et mesure de la pr sentation de nouvelles observations des nouvelles situations peuvent appara tre dans la structure initiale De m me les classes existantes peuvent aussi voluer au cours du temps Pour ces raisons il est n cessaire que le syst me de surveillance pr sente un caract re adaptatif non seulement au moment de la construction du mod le de comportement phase d apprentissage mais aussi au moment de l identification des nouvelles situations Pour ceci deux principes d apprentissage sont pr vus un apprentissage hors ligne et un apprentissage en ligne L apprentissage hors ligne est utilis bien s r dans l tape de caract risation des situations mais aussi pour essayer de caract riser des nouvelles situations qui peuvent se pr senter lorsqu un nombre suffisant d observations n est plus reconnu compte tenu des classes existantes L apprentissage en ligne permet de modifier en continu les classes existantes et m me d en cr er des nouvelles tout au long de l tape du suivi Ainsi la premi re partie de ce chapitre est consacr e la pr sentation des param tres r gler pendant l laboration du mod le de comportement du processus Nous insisterons plus particuli rement sur les param tres relatifs la m thode LAMDA La deuxi me partie est
141. expert for the assignment of classes or groups of classes to meaningful functional states The online stage is the recognition stage which will determine de functional state of the process from online data of plant sensors and actuators or other information from the process variables During plant operation SALSA generates the current functional state of the supervised process by using real time online data SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS Annexe B Manuel d utilisation de SALSA 2 2 Technical Data This version of SALSA was programmed in plain ANSI C although the underlying philosophy is object oriented SALSA is a standalone tool it can operate on its own without need of another software tool The selected platform for the application s development was LabWindows CVI 6 Graphic User Interface Source Code programming The software may be installed in Windows 98 NT 2000 XP 2 3 SALSA Setup 1 2 From the installation Folder Install SALSAO4vbat double click at the setup exe file and let you guide by the installation wizard Once SALSA application has been installed verify that the directory SALSA04v1 has been created Verify that the sub folder DataTr has been created in the SALSA04v1 directory This folder is required for the online data transfer between SALSA and another application running online 3 GETTING STARTED 3 1 SALSA MAIN SCREEN When SALSA is launche
142. f exprim s sous forme d quations math matiques ou bien de type qualitatif exprim s par exemple sous forme de relations logiques Les m thodes base de connaissance exploitent les comp tences le raisonnement et les connaissances des experts sur le processus pour les transformer en r gles de mani re r soudre des probl mes sp cifiques Enfin les m thodes base de donn es cherchent d couvrir des informations sous forme d exemples type ou tendances au sein des mesures venant des capteurs et des actionneurs pouvant identifier le comportement du proc d Ces m thodes comprennent parmi d autres les m thodes d apprentissage et de classification ou reconnaissance de formes Les travaux d velopp s par le groupe DISCO Diagnostic Supervision et COnduite au sein du LAAS Laboratoire d Analyse et d Architecture des Syst mes se situent dans ce cadre de la ma trise des syst mes complexes Les th mes de recherche abord s couvrent les aspects commande r gulation poursuite supervision surveillance diagnostic aide la conduite et interaction homme syst me Les travaux d velopp s s appuient sur trois types d approches que sont les approches base de mod les base de connaissances et par apprentissage et reconnaissance de formes En ce qui concerne les approches par apprentissage et reconnaissance des formes des travaux r cents ont t men s au niveau de la supervision et de la surveillance des syst me
143. ff rent et ne peut tre affect aucune classe Il y a deux situations d favorables qui peuvent se produire e les nouveaux l ments sont reconnus dans une classe existante qui n est pas celle qui leur correspondait nous consid rons qu ils sont mal reconnus e les nouveaux l ments ne sont reconnus dans aucune classe Il se peut en effet qu un l ment soit mal reconnu cause du bruit pr sent dans les mesures constituant les attributs Donc l l ment peut avoir des appartenances similaires entre deux ou plusieurs modes de fonctionnement et son affectation l un d eux induit un risque de mauvais classement Ce mauvais classement peut induire des fausses alarmes dans le syst me et s il y a un nombre significatif d l ments mal class s il peut tre n cessaire de remettre en question la fa on selon laquelle le mod le de r f rence a t con u pendant la phase d apprentissage Un sympt me est identifi par la d viation du comportement attendu pendant la phase de reconnaissance en ligne Ces d viations sont d tect es lorsqu un nombre suffisant d l ments sont affect s la NIC c est dire que leur appartenance aux classes existantes ne d passent pas le seuil minimum d ad quation et donc qu ils ne correspondent aucun comportement pr vu Dans la Figure 3 9 un exemple de la phase de reconnaissance en ligne est illustr pour une p riode de 600 secondes un individu par seconde Pendant les 500 prem
144. fonction d observation Nous avons introduit la possibilit de r unir plusieurs classes obtenues par apprentissage dirig ou auto apprentissage en un seul tat fonctionnel cette op ration correspond la fonction h de mesure Les caract ristiques dynamiques utiles la surveillance ne d pendent pas de cette fonction qui est uniquement une application passive Ainsi h pourra tre assimil e une fonction identit X Y La fonction d observation aurait une importance si nous consid rions la supervision compl te qui inclurait des actions de reconfiguration En tenant compte de ceci l automate est d fini par S U X X fid o id es la fonction identit Nous pouvons alors ne consid rer que S U x f 32 Ou X X X X est l ensemble d tats fonctionnels et l ensemble U est celui des v nements qui peuvent provoquer des transitions Dans le contexte de la surveillance ces v nements ne se caract risent souvent que par la constatation de la transition elle m me Nous appellerons Ui l v nement qui a caus la transition de X X Lorsque la transition est impossible u 0 lorsqu elle correspond une transition possible dans le mod le de r f rence nous posons u 1 Les mod les tats discrets peuvent tre consid r s selon deux points de vue temporels Le mod le asynchrone consiste ne consid rer le syst me que par rapport des v nements dont les instants d occurrence n
145. g Mode Max Variability 2 7 000 0 6 NO init Indiv 441 000 Max Iterations E 1 Active Descriptors 50 Individuals per Figure 2 SALSA OFFLINE Main Screen SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 152 Annexe B Manuel d utilisation de SALSA Figure 2 shows the main screen for SALSA offline learning stage The following sections give some guidelines of the features and use of this stage 3 2 1 Functions of the Offline stage 3 2 1 1 Loading of the training data file in the specified format Format Specification The format for the input training files the context data base and the population to be classified is a text file with a DAT extension Lines can be blank ones comments MatLab style always preceded by or observations These observations or individuals present values for the context descriptors in columns separated by blank spaces and may have an additional field if we are interested in supervised learning i e the additional field correspond to the pre defined class Type of Data a descriptor is assumed to be quantitative if it starts with a number a point or a minus sign and qualitative otherwise The name or tag for each descriptor must be a line with the amp sign at the beginning of the line and they should be also separated by a blank space Pre defined classes the additional field for supervised learning will in
146. i s et caract ris s par un apprentissage dirig ou par un auto apprentissage selon des connaissances a priori des caract ristiques de l ensemble d apprentissage Une autre fa on d identifier les tats fonctionnels est a partir de la d tection des d viations en ligne au moyen d un apprentissage supervis actif Dans le premier cas nous obtenons les tats partir de l analyse d ensembles de donn es historiques comprenant des enregistrements faits dans des situations connues Selon les connaissances a priori sur les caract ristiques de l ensemble de donn es une partition de l espace de description sera impos e par l expert selon l tiquetage donn chaque l ment Au contraire si un auto apprentissage est effectu l algorithme de classification r alise une partition automatique d apr s les abstractions faites sur l ensemble d apprentissage Les classes r sultantes doivent tre interpr t es et valid es par l expert jusqu obtenir une repr sentation convenable Dans le troisi me cas appel apprentissage supervis actif il est possible d identifier des tats fonctionnels non pr sents dans la phase d apprentissage dirig Ceci est fait lors de la d tection d une d viation Lorsque plusieurs l ments ne sont accept s dans aucune classe connue l ments rejet s et assign s la NIC ils sont utilis s pour la cr ation de nouvelles classes au moyen d un apprentissage supervis actif De la m me fa on que p
147. ication Windows 3 2 1 2 Selection of the Classification Algorithm Quantitative descriptors To make the different calculations required in the learning and classification procedures it is necessary to choose the type of algorithm to be used for the quantitative descriptors Figure 8 Presence Function _ Lamdat Lamda Lamdal Lamda2 Lamda3 Lamdad Gaussian Gaussian2 Figure 8 Presence Function selection e Lamdai p p Kp 1 p p 1 0 e Lamda e Lamda3 e Lamda4 K o o x y e Gaussi e 2o Gay e Gauss2 Ke 6 oat 2p 1 lod 2 K pal 2p p l p p pF Kg Oo 3 2 1 3 Selection of the connectives and the exigency level e Connectives The user may choose between two different families of logic operators T norms amp dual T conorms functions in order to aggregate all the Marginal Adequacy Degrees of an individual to a class Figure 9 These operators are Product Probabilistic Sum T norm amp T conorm and the Minimum Maximum T norm amp T conorm Annexe B Manuel d utilisation de SALSA 155 Exigency Level The user may also use mixed connectives of the same family by choosing an exigency level a between 0 and 1 Figure 9 In recognition we call a the exigency level and in self learning it is called se ectivity level By changing the value of a different partitions based on the same data used may be obtained Thus as the value of a increas
148. ication pr sent e dans la Figure 5 29 a t obtenue en utilisant la fonction gaussienne pour le calcul des ad quations marginales DAMs le Minimum comme connectif avec une exigence a 0 765 1 15 1 0 A 0 i 4 ae 4 w a Na A aa 1 a4 a 0 3 V 0 2 01 am Q1 01 1 1 1 1 1 1 1 1 1 1 1 1 1 i 1 1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 Active Quantitative Descriptors Individuals View Qualitative Descriptors a Descripteurs quantitatifs valeurs des diff rentiels de pression Value Descriptors Modalities 10 15 20 25 3 3 4 4 5 5 60 6 7 7 Active Qualitative Descriptors Individuals View Quantitative Descriptors b Descripteurs qualitatifs pisode courant et pisode pr c dent Figure 5 28 Espace de repr sentation pour le haut fourneau pr faute T CLASSES Figure 5 29 R sultats de l auto apprentissage pour la pr diction et la d tection des glissements La pr faute est repr sent e par la classe 5 la premi re occurrence et par les classes 10 et 11 deuxi me occurrence En ce qui concerne la situation de faute elle est repr sent e par la classe 7 La caract risation de la pr faute et de la faute est montr e dans le Tableau 5 15 120 Chapitre 5 Applications industrielles de l outil SALSA Tableau 5 15 Caract risation des situations de pr faute et faute pour le haut fourneau SITUATION VARIABLE SEQUENCE D
149. ie enti re du processus Ce manque de compl tude implique comment nous l avons d j voqu qu une situation anormale non attendue peut correspondre soit une r elle situation de d faillance au niveau du syst me physique surveill soit une situation de fonctionnement normal non pr sente dans le mod le de r f rence Dans certains cas le mod le de r f rence peut inclure des situations identifi es avec assez de pr cision qui correspondent des tats critiques du processus en terme de s ret des quipements et ou des op rateurs Pour l laboration du mod le de r f rence comportement partir des donn es une des tapes les plus importantes est la d termination de l espace de repr sentation car du bon choix des donn es utiliser d pend la d finition d un ensemble de caract ristiques repr sentatives des tats de fonctionnement du proc d En outre il 28 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification SSS EEE faut s lectionner une technique d apprentissage assez flexible et adapt e aux donn es capable de caract riser les diff rentes situations et d en permettre une interpr tation par l expert Nous reviendrons plus en d tail sur les diff rents l ments de param trage prendre en compte voir 83 2 pour identifier les tats fonctionnels en vue de la surveillance du proc d 2 2 2 Surveillance et suivi du proc d Une fois que la caract
150. iers l ments les diff rentes classes comportements connues ont t correctement identifi es partir de l l ment 520 une d viation a t d tect e par l affectation des l ments la NIC Comme le montre la Figure 3 9c les appartenances des l ments pour toutes les classes existantes ont des valeurs inf rieures au seuil de minimum d ad quation dans cet exemple DAGyzc 0 5 M me si l op rateur est alert par le rejet de certains l ments aucune information sur les causes ou la nature du sympt me n est disponible Il faut alors lancer une proc dure d apprentissage pour caract riser le sympt me qui vient d tre mis en vidence Chapitre 3 Identification des tats fonctionnels pour la surveillance 69 d viation Value H Reseed d 525 550 575 600 1 25 50 75 100 125 150 175 200 225 250 275 300 325 350 375 400 425 450 475 Active Quantitative Descriptors Individuals a Donn es en ligne 5 i 4 u Le i B 3 elements non reconnus 125 50 75 100 125 160 175 200 225 260 275 300 325 350 375 400 425 450 475 sont 525 560 575 600 c Evolution des appartenances DAG des l ments Figure 3 9 Reconnaissance en ligne suivi et d tection des d viations 3 4 3 Caract risation des d viations d tect es D s qu un nombre significatif d l ments cons cutifs sont affect s la classe non informative NIC c est dire que leur appartenan
151. industrielles de l outil SALSA 97 Figure 5 6 Automate pour la gaz ification donn es brutes 5 2 3 Donn es transform es en pisodes 5 2 3 1 Repr sentation base d pisodes Le mode en op ration normale du gaz ifieur ne peut pas garantir un fonctionnement autour d un point d op ration fixe car il existe des variables non contr lables telles que l humidit et la temp rature ambiante qui changent les conditions d op ration du r acteur De plus la quantit de charbon ou biomasse l entr e du r acteur n est pas uniforme et donc selon la qualit de la composition du gaz la sortie l op rateur modifie le d bit d eau Fp et le d bit d air F1 pour garantir la qualit du gaz tant donn es ces conditions op ratoires l identification des tats repr sentatifs du processus partir des donn es brutes reste restreinte aux conditions sp cifiques du sc nario qui se d roule L utilisation des tendances qualitatives des Variables au moyen de la repr sentation en pisodes peut tre une alternative pour r soudre le probl me du point d op ration variable De ce fait et dans le cadre du projet CHEM nous avons travaill en collaboration avec l Universit de Girone UdG de mani re extraire des informations qualitatives et quantitatives partir de la repr sentation des pisodes des variables du processus La s quence d pisodes est g n r e par l outil QUALTRAS Ces informations peuvent ensuite
152. insi que qualitatifs le calcul des DAMs est r alis diff remment selon le cas Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 43 e DAM Quantitatif Dans le cas o le descripteur est de type quantitatif il existe plusieurs fonctions qui ont t propos es pour le calcul des DAMs Nous citerons ici trois fonctions qui ont t utilis es dans notre travail 1 Fonction Binomiale Floue Il s agit d une extension floue de la fonction binomiale AGUI80 Cette fonction est une estimation Bayesienne non parametrique c est dire il n y a pas de distribution probabiliste impos e tant bas e sur une loi de probabilit bin miale elle exprime intrins quement le degr entre l ad quation et l inad quation 1 x DAM x Pg Pi l py 14 Dans l quation 14 pour un descripteur quantitatif 7 Pr est la valeur du param tre de la classe C qui d crit le descripteur et x correspond la valeur normalis e observ e dans l individu Cette fonction fait une partition de l espace de repr sentation par rapport aux valeurs extr mes c est dire qu il y a une tendance vers la bipolarisation r ussite chec identifi es 1 et 0 voir Figure 2 9 2 Fonction Binomiale Centr e Waissman WAI98 a propos une fonction qui permet une partition autour des centres des classes Le DAM est calcul alors par la proximit entre la valeur Xj observ e pour le descripteur
153. ision rule with incomplete knowledge about classes Pattern Recognition vol 26 pp 155 165 1993 DUDO1a Duda R Hart P Stork D Chapter 4 Nonparametric Techniques dans Pattern Classification Second Edition Wiley Interscience 2001 DUDO1b Duda R Hart P Stork D Chapter 8 Non metric Methods dans Pattern Classification Second Edition Wiley Interscience 2001 ELT98 Eltoft T deFigueiredo R A new neural network for cluster detection and labeling IEEE Transactions on neural networks Vol 9 N 1 pp 1021 1035 1998 ESCO1 Escobet T Trav Massuy s L Tornil S Quevedo J Fault detection of a gas turbine fuel actuator based on qualitative causal models European Control Conference ECC 01 Porto Portugal pp 2741 2746 Septembre 2001 FAY96 Fayyad U Piatetsky Shapiro G Smyth P From Data Mining to Knowledge Discovery An overview Advances in knowledge discovery and data mining AAAI Press MIT Press California USA 1996 FIS36 Fisher R A The use of multiple measurements in taxonomic problems Annals of Eugenics Vol 7 pp 179 188 1936 FRA89 Frank P M W nnenberg J Robust fault diagnosis using unknown input observer schemes en Patton R J Frank P M Clark R N Eds Fault diagnosis in dynamic systems theory and applications Prentice Hall London 1989 GALO2 Galindo M Aguilar Martin J Interpretaci n secuencial de encuestas con aprendizaje
154. isodes 112 5 4 Haut Fourneau pour la production de fer Redcar Corus Blast Furnace 115 5 4 1 Apprentissage hors ligne partir des pisodes cccecceceeeeeseaeeeeeeeeaeaees 117 5 5 CONCIUSION 24 res me oddest nant n ne nana eme se da lend fa ne cu dem dead sien 120 Conclusion et perspectives mmnssmnnnnnnmmnnnnnneennnsnnnneennnsnnnne LOL Bibliographie sssssssesssasnssnssnansacsensennnssnssansnnsensessenssneseuses 125 Projet Europ en CHEM sssnnssannmaansannenanennnenanmnnsennannnncnns LOO A 1 La probl matique objectifs 135 A2 L context industriele inienn AEREA A a 135 A 3 Organisation et partenaires ss issues 137 A 4 Notre participation contexte contractuel sssssssssssrrrrirrrrrrrerrsnrrrirrrns 138 A 5 Utilisateurs finaux les unit s industrielles 139 MANUEL D UTILISATION DE SALSA nnnnnnnnnssnnsnnnmnnmmnnmmnnnmnnnnnes 141 Liste des figures Figure 1 1 Sch ma g n ral de supervision Figure 1 2 Principe de g n ration des r sidus Figure 1 3 Architecture d un syst me expert Figure 1 4 Types d pisodes partir de la deuxi me d riv e 8 10 15 17 Figure 1 5 Objectif en Reconnaissance des Formes associer une nouvelle observation X une des classes Figure 1 6 Structure d int gration pour le projet CHEM Figure 1 7 Interactions des outils base de donn es historiques Figure 2 1 Strat gie pour l iden
155. it Ceci montre les caract ristiques de chaque classe selon l espace de description calcul es d apr s le type d algorithme employ pour l apprentissage La Figure 3 5 illustre les caract ristiques des classes obtenues apr s un apprentissage dirig Il y a trois classes chaque classe est caract ris e par 8 descripteurs 4 quantitatifs et 4 qualitatifs Les descripteurs quantitatifs correspondent au param tre Py et les descripteurs qualitatifs repr sentent les pisodes de chaque Variable o chaque modalit correspond un type d pisode 81 3 3 1 Dans la Figure 3 5 les descripteurs du profil des classes apparaissent dans l ordre suivant Up_Ep qualitatif Up Val quantitatif h2_ Ep qualitatif h2_ Val quantitatif h1_Ep qualitatif h1_Val quantitatif Qp_Ep qualitatif et Qp_Val quantitatif 64 Chapitre 3 Identification des tats fonctionnels pour la surveillance 0 4 0 3 0 3 Class 1 Class 2 Current Classes Episodes g y f a qah nl A 1 0 133 0 8 urs 0 6 5 05 gt 0 4 137 0 2 NAE 0 0 Class Figure 3 5 Profil des classes obtenues partir d un apprentissage dirig partir du profil de classes l expert peut d terminer quels sont les descripteurs les plus discriminants dans l espace de repr sentation c est dire ceux qui ont le plus d influence dans la caract risation des classes Pour ce faire il est possible de calculer l entropie de chaque descripteur pa
156. ivement 2 3 Choix d une m thode de classification pour l impl mentation de la strat gie Si nous consid rons les recherches men es par la communaut du Data Mining ainsi que la terminologie associ e FAY96 l tape de caract risation des modes de fonctionnement du processus dont l id e est d terminer les diff rentes r gions de l espace de repr sentation de fa on tablir un mod le correspond la phase dite d apprentissage La fa on de r aliser la partition de l espace pour le regroupement des donn es d pend du type de m thode utilis pour l apprentissage Ainsi la partition peut se faire de deux fa ons en utilisant soit un apprentissage supervis dirig soit un apprentissage non supervis Nous d taillerons ces aspects ult rieurement 8 3 2 3 D une mani re analogue l tape du suivi et d identification des situations attendues est quivalente une phase de reconnaissance Finalement la caract risation des sympt mes peut tre associ e une nouvelle proc dure de regroupement des donn es avec des caract ristiques similaires clustering que nous avons appel e apprentissage supervis actif car il s agit de r aliser une nouvelle partition partir des observations associ es la d viation prenant en compte les classes tablies auparavant de fa on compl ter et faire voluer le mod le de r f rence obtenu Il existe plusieurs techniques issues du Data Mining qui permettent la
157. l la Chapitre 3 Identification des tats fonctionnels pour la surveillance 59 plus appropri e si ce n est pas le cas ou s il n est pas satisfait de la classification obtenue il peut choisir une autre fonction 3 2 3 2 Op rateurs d agr gation connectifs et indice d exigence Comme nous l avons mentionn pr c demment il existe diff rentes possibilit s pour agr ger les contributions marginales DAMs d un individu une classe L expert a le choix parmi les familles de connectifs les plus connues le minimum T norme et le maximum T conorme de la th orie de la Logique Floue de Zadeh ZAD78 et celles du produit et somme probabiliste qui pr suppose un raisonnement de type statistique avec une ind pendance entre descripteurs D autres familles de connectifs pourraient tre exp riment es cependant dans ce travail nous nous limiterons ces deux t normes et t conormes Tableau 3 1 Familles d op rateurs d agr gation T Norme Intersection T Conorme union CONNECTIF T x y S x y Produit x y x y x y Somme probabiliste Minimum Maximum min x y max x y L algorithme d auto apprentissage de LAMDA tant s quentiel avec des connectifs diff rents diff rentes partitions seront g n r es De plus comme nous l avons d j mentionn dans le chapitre 2 2 3 5 il est possible de r gler l exigence du classificateur l aide de l indice d exigence amp Ainsi le c
158. l est d j fait dans la m thode des C moyennes floues voir 8 2 3 1 2 LAMDA est une m thode de classification et de regroupement bas e sur la logique floue L id e g n rale est de trouver le degr d ad quation appartenance d un l ment ou individu des classes existantes Cette ad quation est obtenue partir de l analyse des contributions de chacun des attributs de l individu aux caract ristiques des classes Cette contribution est appel e le degr d ad quation marginal DAM Une fois que tous les DAMs sont calcul s le degr d ad quation globale DAG d un individu une classe donn e est d termin au moyen des op rateurs logiques d agr gation appel s connectifs mixtes de compensation lin aire introduits et tudi s en PIE91 LAMDA offre la possibilit d effectuer un apprentissage supervis avec professeur et ou non supervis auto apprentissage Cet apprentissage est fait de fa on incr mentale et s quentielle les donn es sont trait es une fois ce qui permet de r duire la phase d apprentissage une ou tr s peu d it rations Quoi qu il en soit l attribution d un individu une classe suit la m me proc dure qu il soit le premier initialiser une classe ou qu il contribue la modification d une classe existante La Figure 2 8 illustre la proc dure d attribution d un individu une classe 42 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification
159. la pr sence ou non d une d faillance Cette valuation des r sidus est tablie principalement par l utilisation de seuils fixes ou adaptatifs pour viter les fausses alarmes N anmoins la plupart du temps les r sidus sont corr l s entre eux Pour g rer cette corr lation la maximum de vraisemblance g n ralis e peut tre utilis e Il s agit d une technique qui sous l hypoth se que les variables ont une distribution connue usuellement la distribution normale permet d estimer les param tres d un mod le d une quation ou d un syst me lin aire ou non lin aire avec des restrictions sur les param tres coefficients matrice de variances et covariances ou non Plus sp cifiquement la technique consiste construire une fonction appel e fonction de vraisemblance construite partir de la fonction de densit et maximiser son logarithme par rapport aux param tres inconnus Chapitre 1 Supervision et aide la d cision des syst mes complexes 11 Pour isoler la faute l approche FDI utilise une matrice de signatures de fautes 2 qui est obtenue partir de l ensemble des r sidus Cette matrice d crit les relations entre les r sidus lignes de X et les fautes colonnes de X Un l ment de Zy aura une valeur de 1 si la faute de la colonne j a une influence sur le r sidu de la ligne i dans le contraire la valeur sera 0 La comparaison d une signature observ e avec les diff rentes colonnes de la matrice per
160. la suite diff rentes techniques de classification sont expos es afin de choisir celle qui semble la plus appropri e pour la mise en place de la strat gie 24 Chapitre 1 Supervision et aide la d cision des syst mes complexes Chapitre 2 2 UNE STRATEGIE POUR LA SURVEILLANCE A BASE DE METHODES DE CLASSIFICATION 2 1 Introduction Comme nous l avons dit pr c demment un syst me de surveillance doit tre capable de rendre compte de l tat d un proc d tout moment Un syst me de surveillance est une source de gains potentiels pour une entreprise des gains financiers en diminuant les pertes de production les rebus et le co t d entretien des quipements entre autres des gains mat riels en minimisant les d t riorations pr matur es des machines en vitant l apparition de fautes plus graves et surtout des gains humains en r duisant les risques auxquels sont expos s les op rateurs Notre objectif est de d velopper une strat gie permettant partir de donn es historiques et de donn es r cup r es en ligne lors de l exploitation du proc d de construire un mod le du comportement du processus et d identifier des situations anormales issues des dysfonctionnements pour aider l op rateur humain dans sa prise de d cisions Plus pr cis ment le but est d identifier au plus t t les d faillances du processus surveill en diminuant le nombre de fausses alarmes 26 Chapitre 2 Une strat gie pour
161. lasse la plus non homog ne MIT97 l algorithme emploie le concept d entropie issu de la th orie de l information L entropie caract rise la puret ou l homog n it d une collection d individus Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 37 Entropie A J 2 log 2 8 k n b To Entropie Moyenne x Entropie 9 b ny O e n est le nombre d individus dans la branche b d un attribut A de l espace de repr sentation e n est le nombre d individus dans la branche b d un attribut pour la classe k e ny est le nombre total d individus dans toutes les branches La proc dure suivre est la suivante d abord il faut trouver la fa on dont l attribut distribue les individus dans les classes selon chaque branche quation 8 Ensuite il faut calculer l entropie moyenne quation 9 de chaque attribut et choisir celui pour lequel l entropie est moindre il sera le premier attribut tre test La proc dure de s lection d un nouvel attribut et la partition des individus est r p t e pour chaque n ud en n utilisant que les individus associ s au n ud Ainsi les attributs qui ont d j t test s ne sont pas inclus de fa on ce que chaque attribut soit test au moins une fois dans un des chemins possibles Ceci est fait jusqu ce que e chaque attribut ait t d j inclus ou que e les individus li s ce n ud feuille aient tous la
162. lassificateur le plus exigeant accepte un individu dans une classe uniquement si tous ses attributs pr sentent un DAM lev a cette classe ce qui correspond avoir 1 T Norme intersection De la m me mani re le classificateur le moins exigeant accepte un individu dans une classe si au moins l un de ses attributs poss de une appartenance marginale lev e cette classe dans ce cas il s agit de la T Conorme a 0 Donc partir du connectif mixte l expert peut avoir une s rie de partitions plus ou moins strictes de l espace de description La Figure 3 2 montre un exemple des r sultats avec un espace de repr sentation 4 descripteurs Les donn es repr sentent un mode de fonctionnement normal et une situation de d faillance avec retour en fonctionnement normal Figure 3 2a la d faillance est pr sente deux fois Les diff rentes partitions illustr es ont t obtenues en faisant de l auto apprentissage utilisant la fonction binomiale floue et comme op rateurs d agr gation le Minimum T Norme Dans la Figure 3 2b une exigence tr s faible 0 3 est choisie et le classificateur n a identifi que 2 classes Au fur et mesure que l exigence est incr ment e le nombre de classes augmente Figure 3 2c d jusqu obtenir une partition satisfaisante Dans notre exemple la classification qui a donn la partition consid r e la plus significative par l expert a t obtenue avec une exigence de 0 8 pour laquell
163. le cadre de notre travail nous avons pr f r ne pas modifier les classes lors de la reconnaissance en ligne car en absence d information sur l ventuelle volution des classes nous consid rons tr s risqu le fait de les modifier au fur et mesure de l affectation des individus En effet dans ce cas il sera possible qu une situation d finie dans le cadre du fonctionnement normal volue vers une situation anormale de d faillance sans que l op rateur soit capable de reconna tre en ligne le fait qu il y a eu un probl me Lorsqu une observation commence s loigner de tous les modes de fonctionnement connus son DAG maximal se rapproche de plus en plus du seuil minimal DAGy c jusqu ne plus tre affect une classe existante ce qui conduit la d tection d une d viation de comportement du processus surveill Pour savoir quel est l tat courant du proc d surveill les diff rentes appartenances DAG de l l ment correspondant l instant d observation sont calcul es et l l ment est affect la classe pour laquelle son DAG est maximum 68 Chapitre 3 Identification des tats fonctionnels pour la surveillance 3 4 2 D tection de d viations l ments non reconnus ou mal reconnus Du fait qu une reconnaissance passive en ligne est r alis e le suivi ne peut que confirmer une situation existante attendue dans le mod le de r f rence ou bien rejeter un nouvel l ment car il est trop di
164. le suivi des tats fonctionnels connus ainsi que pour la d tection des d faillances A partir de l laboration de cet automate deux types de d faillance peuvent tre trait s des d faillances au niveau d tats au travers de la non reconnaissance des observations en ligne et des d faillances au niveau des transitions au travers des passages non valides entre tats De plus le fait de pr senter l expert les descripteurs qui ont eu un 122 Conclusions et Perspectives changement important dans les transitions observ es est une aide suppl mentaire pour celui ci dans un contexte de diagnostic Enfin nous avons montr le mode op ratoire et la faisabilit de notre proposition sur divers exemples issus de syst mes r els Deux applications industrielles en vraie grandeur ont pu tre abord es Ces travaux ont t en partie r alis s dans le cadre du projet CHEM Le but initial de ce projet tait li la demande des industriels chimiques et p trochimiques concernant la disponibilit d outils d aide a la d cision dans le suivi de diverses op rations propres aux proc d s complexes et leurs possibles d faillances Suite notre travail plusieurs perspectives peuvent tre envisag es notamment au niveau de la m thode de classification choisie pour le d veloppement de la strat gie de surveillance que nous avons propos e En effet le choix de LAMDA comme m thode de classification a t motiv par l
165. lles donn es En ce qui concerne la m thode LAMDA il y a essentiellement trois param tres r gler la fonction d ad quation marginale pour les descripteurs quantitatifs les connectifs mixtes d association pour l agr gation des contributions de chaque descripteur et l indice d exigence pour rendre plus ou moins stricte l attribution d un individu une classe 3 2 3 1 Fonctions d ad quation marginale Le choix de la fonction d ad quation marginale est propre la topologie ou nature de chaque descripteur ou de l ensemble des descripteurs de l espace de repr sentation Selon la topologie des descripteurs de type quantitatif nous pouvons diff rencier trois cas e les valeurs des donn es pour un ou plusieurs descripteurs suivent une distribution de type normale autour d un centre ou prototype la fonction de type gaussien voir l quation 17 peut tre s lectionn e e les valeurs des descripteurs se trouvent dans l intervalle Xwnm Xmax et distribu es vers une des extr mit s de cet intervalle alors la fonction Binomiale floue quation 14 est la plus ad quate e si les valeurs des descripteurs ne suivent pas une distribution de type normal mais se trouvent autour d un centre la fonction Binomiale centr e quation 15 est une alternative De cette fa on si l op rateur poss de des connaissances sur la distribution de chaque descripteur il peut choisir la fonction du DAM Degr d Ad quation Margina
166. lomer J Mel ndez J A family of FIR differentiators based on a polynomial least squares estimation Proceedings of the european control conference pp 2802 2807 2001 COLO2 Colomer J Mel ndez J Gamero F I Pattern recognition based on episodes and DTW Application to diagnosis of a level control system 16th International Workshop on Qualitative Reasoning QR 2002 pp 37 43 Sitges Barcelona Espagne 10 12 juin 2002 COMOO Combacau M Berruet P Zamai E Charbonnaud P Khatab A Supervision and monitoring of production systems 2 management and control of production and logistics MCPL Grenoble France 2000 DAGO1 Dague P Th orie logique du diagnostic a base de mod les Chapitre 1 dans Diagnostic intelligence artificielle et reconnaissance des formes Hermes Paris 2001 Bibliographie 127 DASO3 Dash S Rengaswamy R Venkatasubramanian V Fuzzy logic based trend classification for fault diagnosis of chemical processes Computers and Chemical Engineering Vol 27 pp 347 362 2003 DES87 Desroches P Syclare Systeme de classification avec apprentissage et reconnaissance de formes Manuel d utilisation Rapport de recherche Centre d estudis avan ats de Blanes Espagne Novembre 1987 DUB90 Dubuisson B Diagnostic et reconnaissance de formes Trait des nouvelles technologies S rie Diagnostic et Maintenance Hermes Paris 1990 DUB93 Dubuisson B Masson M A statistical dec
167. male Blocage l entr e du solide Incr ment des temp ratures T2 et T3 ca obstruction fond du r acteur combustion arr t e CO bas et incr ment 02 Arr t du r acteur Diminution des temp ratures combustion arr t e C5 Vers une situation de d faillance ou retour en Transitoire ou alarme op ration normale Changement des temp ratures et C2 amp C6 des compositions du gaz de sortie CO amp 02 Selon l volution des DAGs de la Figure 5 5 et en consid rant la matrice de transition l automate de la Figure 5 6 a t construit Nous constatons qu apr s une augmentation du d bit d eau pour l obtention de la vapeur d eau il est possible pour le syst me de revenir l tat stable Par contre lorsqu il y a une obstruction au niveau de l entr e du solide charbon ou biomasse le syst me ne peut pas revenir au fonctionnement normal et doit tre arr t L expert a ajout une transition transition en pointill dans la Figure 5 6 d s l op ration normale C1 vers le blocage l entr e du solide C4 car m me si cette transition n est pas pr sente dans le sc nario d apprentissage la connaissance du syst me permet de dire qu elle est possible GAD 1 I I i 1 i 1 I 1 I 1 I 1 1 i 1 1 1 1 1 1 1 i i 1 25 50 75 100 125 150 175 200 225 250 275 300 325 350 375 400 425 450 475 500 525 550 575 600 622 Figure 5 5 Evolution des DAGs pour la classification r sultante Chapitre 5 Applications
168. manual is divided into two main chapters as follows Chapter 2 It covers some technical information the installation of the application and the system requirements Chapter 3 This section provides sufficient information to use the application It shows an overview of the basic features of SALSA as well as the steps that must be followed SALSA application as well as this user manual were developed by the DISCO group from the LAAS CNRS All rights reserved For further information and details please contact Joseph AGUILAR MARTIN aguilar laas fr Tatiana KEMPOWSKY kempowsky laas fr This is a January 2004 version 1 1 of SALSA User s Manual Updates will be constantly made 2 SOFTWARE INSTALLATION 2 1 Introduction The main function of SALSA is to identify in a qualitative way the current functional state of a supervised process using the online symbolic and or numeric information from the process variables To do this SALSA has two main stages The first offline stage corresponds to a earning stage which from a given data set generates classes and assigns significant functional states to these classes by a constant dialogue with the expert The learning stage includes e Class Generation a clustering classifier with the capacity to perform a supervised or unsupervised learning procedure Interaction with the expert is necessary in order to tune up the classifier parameters e Mapping Classes to States a dialog tool with the
169. met de localiser la faute Le principal inconv nient des m thodes analytiques de d tection de d faillances et diagnostic est la n cessit d avoir des mod les math matiques assez pr cis et complets ce qui n est pas toujours facile voire impossible pour des processus complexes tels que les processus chimiques Ces mod les sont limit s aux repr sentations lin aires ou des mod les non lin aires tr s sp cifiques Un autre inconv nient est la mod lisation des perturbations qui peuvent engendrer des erreurs dans le mod le En plus si un type de faute n a pas t mod lis de mani re sp cifique il n y a pas de garanties que les r sidus soient capables de le d tecter Finalement l adaptabilit de ces approches aux changements du processus n est pas consid r e 1 3 1 2 Mod les qualitatifs ou semi qualitatifs Dans certains cas il devient tr s difficile de disposer des connaissances compl tes pour faire un mod le analytique du processus cause de sa complexit structurelle ou de son comportement Une alternative pour traiter les connaissances incompl tes est de faire des abstractions selon le principe du raisonnement qualitatif TRA97a Les mod les d crivent alors la structure du processus diagnostiquer G n ralement il s agit des connexions entre les composants L approche DX exprime explicitement le lien entre un composant et les formules d crivant son comportement Ces derni res ann es l utilisation
170. mitation importante de la surveillance bas e sur l ACP est que la repr sentation obtenue est invariante dans le temps tandis que la plupart des processus r els voluent au cours du temps Par cons quent la repr sentation issue de l ACP n cessite galement d tre mise jour p riodiquement Un autre inconv nient est qu elle ne poss de pas des propri t s de signature pour le diagnostic ce qui rend l isolation des d faillances difficile 1 3 3 3 Classification et m thodes de reconnaissance de formes Ici le diagnostic de d faillances est essentiellement vu comme un probl me de classification Le but principal est de construire un bloc de correspondance tel qu partir d un ensemble d informations d crivant la situation courante du processus il est possible d obtenir les causes probables des situations anormales Or quand le diagnostic est bas sur des observations multiples ces observations sont regroup es pour former des classes qui d finissent une situation ou un mode de fonctionnement du processus auxquelles une nouvelle observation sera compar e pour tre identifi e En d autres termes le diagnostic a pour mission d identifier le mode de fonctionnement d un syst me partir d observations sur celui ci La classification peut tre d finie comme le groupement des observations ou objets ou individus qui ont des caract ristiques similaires Chaque observation est Le i T x d finie par un vecteur not
171. mplexit physique des installations et des diff rentes proc dures pour la fabrication des produits de qualit mais aussi de par la croissante quantit d information qu il est n cessaire de g rer pour en garantir le fonctionnement correct La commande automatis e de ces syst mes a t enrichie progressivement gr ce aux avances technologiques dans tous les domaines les capteurs les r gulateurs les r seaux haute vitesse etc De plus il est possible d tablir des liaisons de communication plus rapides de r cup rer et stocker chaque fois davantage d information Et m me si les consoles des salles de contr le sont plus performantes et plus versatiles la quantit d information affich e peut devenir ing rable Malgr le progr s et les avances technologiques dans la commande distribu e les syst mes pr dictifs et l automatisation des proc d s complexes la supervision de processus reste une t che tr s importante qui est encore en grande partie une activit manuelle ex cut e par les op rateurs notamment lorsqu il s agit de r pondre aux v nements anormaux Cette activit peut selon la nature et la criticit des anomalies ou dysfonctionnements avoir un impact conomique environnemental et de s curit plus ou moins significatif non seulement au niveau des quipements mais aussi des op rateurs D autant plus que le fait de g rer une grande quantit d information et d avoir besoin d agir vite peut mener les
172. n mod le comportemental pour la supervision des proc d s application une station de traitement des eaux Th se de doctorat Institut National Polytechnique de Toulouse 2000 Waissman J Aguilar J Dahhou B Roux G G n ralisation du degr d ad quation marginale de la m thode de classification LAMDA 6 mes rencontres de la Soci t Francophone de Classification Montpellier France 1998 132 Bibliographie WAI99 YAG94 ZAD73 ZAD78 ZAM98 ZWI95 Waissman J Sarrate R Dahhou B Aguilar Martin J Building an Automaton for Condition Monitoring in a Biotechnological Process 5th European Control Conference Karlsruhe Germany 1999 Yager R R Filev D P Chapter 5 Fuzzy system models dans Essentials of fuzzy modeling and control John Wiley amp sons Inc 1994 Zadeh L Outline of a new approach to the analysis of complex systems and decision processes IEEE Transactions on systems man and cybernetics SMC 3 pp 24 44 1973 Zadeh L A Fuzzy sets as a basis for a theory of possibility Fuzzy Sets and Systems Vol 1 pp 3 28 1978 Zamai E Combacau M Chaillet Subias A Models and strategies for monitoring of flexible manufacturing systems 9 symposium on information control in manufacturing Nancy Metz France juin 1998 Zwingelstein G Diagnostic des d faillances Th orie et pratique pour les syst mes industriels Trait des Nouvelles Technologi
173. n pourra v rifier que les transitions qui ont eu lieu sont licites c est dire qu une connexion entre tats existe dans le graphe de la Figure 4 1 et ne m ne pas des tats inacceptables comme par exemple l tat d outil lt cass gt Nous distinguons diff rents types de transition e les transitions contr lables dans l exemple sont contr lables le changement de l outil et les pi ces qui sont introduites dans la machine e les transitions non contr lables dans l exemple l effort excessif qui cause la rupture de l outil est non controlable Le superviseur en plus de la surveillance devra proposer des actions qui emp chent d entrer en conflit transiter par des tats non souhait s et qui en plus essaient d optimiser les crit res de qualit de fonctionnement Le mod le dynamique de l automate tats finis est une structure appropri e pour la supervision des processus volutifs 4 2 2 Matrices de transition Nous adopterons la repr sentation sous forme de matrice de la fonction de transition d tat associ e au graphe d tats La Figure 4 2 et le Tableau 4 1 donnent un exemple de cette repr sentation condition initiale Ensemble d tats X A B C D Ensemble d v nements U e f g Fonction de transition d tat 4 B C D x e f g gt f gt 4 B C D Figure 4 2 Exemple du graphe d tats et transitions Tableau 4 1 Matrice de fonction de transition d tat
174. nject en suppl ment pour g n rer la chaleur n cessaire pour faire fondre le fer et la gangue ainsi que pour former un gaz r ducteur de CO et H2 Le minerai a besoin de 7 heures pour tre r duit et fondre au fur et mesure qu il descend au travers des diff rentes piles Le temps de s jour pour les gaz qui remontent est de l ordre de quelques secondes Le fourneau est toujours rempli en chargeant un nouveau lot de minerai d s qu une chute de niveau est d tect e dans la partie sup rieure du fourneau La descente du minerai est g n ralement stable 5 m tres heure Le fer liquide et la gangue recueillis dans l tre construit avec des briques r fractaires sont enlev s p riodiquement par clusage 116 Chapitre 5 Applications industrielles de l outil SALSA Downcomer Blast furnace gas to gas cleaning plant Receiving hopper Upper sealing vaives Material flow valves Lower sealing valves Distributing chute JUUUUT YS Water cooled x Refractory lining Bustle main bal ring pipe for Es hot air blast i 4 Hot air blast Tuy re Tap hole 3 at iron ladle Figure 5 26 Sch ma d un haut fourneau 2a Supporting column Slag notch Slag ladie kN Le haut fourneau de Redcar est le plus grand du Royaume Uni Il produit 64000 tonnes de fer liquide par semaine Chaque heure 5 lots de minerai de 120 tonnes chacun sont charg s avec la m me quantit de l
175. normale C3 V5com ActEp hi V5 ouverte r gulation L18 L18 ActEp s L18 PreEp p Fuite du receveur C4 L1 ActEp a f Fuite condenseur C5 V5com ActEp lo L18 ActEp lo Les param tres de l algorithme LAMDA qui ont t utilis s pour la validation de la caract risation des situations partir de l apprentissage dirig sont la fonction gaussienne pour le calcul des ad quations marginales le produit pour l agr gation des contributions des DAMs et une exigence de 0 9 Un aper u des r sultats de la reconnaissance des l ments de l ensemble d apprentissage est illustr dans la Figure 5 23 Tous les l ments tiquet s ont t class s n anmoins 19 4 59 d entre eux ont t mal reconnus Cependant les d faillances apprises ont t correctement identifi es D RE DE ER Eu se ta Pe Pe se ea es il ls Descriptors Modalities SS a ra PE ER I RE LS 253 260 265 270 275 280 285 290 295 300 305 310 315 320 325 330 335 340 345 350 355 360 365 373 Active Qualitative Descriptors Individuals C View Quantitative Descriptors a Ensemble d apprentissage descripteurs qualitatifs 5 seem 1 CLASSES T N r amam Be 2 Re es DE ey se et LE ed ee ae eet tek o a ae ee ad ee em da D van 0 CLL 253 260 265 270 275 280 285 290 295 300 305 310 315 320 325 330 335 340 345 350 355 360 365 373 Reference Classification Individuals b Classes pr d finies par l expert 114 Chapitre 5 Applicatio
176. nouvelles classes et d ajuster aussi les classes existantes Cette deuxi me proc dure pr sente les dangers que nous avons voqu s lors de la modification des classes en ligne Pour le cas de l exemple de la Figure 3 9a un apprentissage supervis actif avec la possibilit de cr ation de classes a t r alis Une nouvelle classe a t g n r e partir des l ments rejet s sans modification des param tres des classes existantes La Figure 3 10 illustre les r sultats la classe 8 a t cr e ayant comme profil celui montr dans la Figure 3 10b Nous pouvons constater qu aucune des classes obtenues auparavant ne pr sentait un profil proche de celui de la nouvelle classe nouvelle 6 situation i 5 Tr wo z 4 a 3 2 q EE 1 25 50 75 100 125 150 175 200 225 250 275 300 325 350 375 400 425 450 475 500 525 550 575 600 a Cr ation d une nouvelle classe 0 7 0 6 0 5 E Z 0 4 03 0 2 01 0 0 1 1 1 1 T 1 1 Class 1 Class 2 Class 3 Class 4 Class 5 Class 6 Class 7 Current Classes b Profil des classes Figure 3 10 Caract risation du sympt me apprentissage supervis actif A partir des r sultats obtenus de l apprentissage supervis actif et avec une analyse du profil de la nouvelle classe c est dire de ses caract ristiques l op rateur Chapitre 3 Identification des tats fonctionnels pour la surveillance 71 peut interpr ter la d viation d tect e aupara
177. ns industrielles de l outil SALSA EEEEEZEZEZEZEZEZEZEZEZEZEZEZEZEZEZEZEZEZEZEZEZEE Ea Ae a A O en Lu re a 3 LL LE Oo jm a ee CEEE 0 1 1 1 1 i 1 1 1 i i I I 1 Li 1 I i i 1 Li 1 i i 253 260 265 270 275 280 285 290 295 300 305 310 315 320 325 330 335 340 345 350 355 360 365 373 c Reconnaissance des classes par SALSA Figure 5 23 R sultats de l identification des tats pour le condenseur et le receveur Le profil des classes g n r partir des param tres de LAMDA est illustr dans la Figure 5 24 Les descripteurs suivent l ordre donn dans le Tableau 5 11 1 0 0 9 0 8 0 7 0 6 o 05 gt 0 4 0 3 0 2 a1 0 0 Class 1 Class 2 Class 3 Class 4 Class 5 Current Classes Figure 5 24 Profil des classes pour le condenseur et le receveur L automate r sultant pour les tats du condenseur et du receveur est pr sent dans la Figure 5 25 Omer ee reereeeeceereceseseseeeseseseceeeseereesseeesessseseseses Figure 5 25 Automate issu de l apprentissage s quentiel pour le condenseur et le receveur Chapitre 5 Applications industrielles de l outil SALSA 115 5 4 Haut Fourneau pour la production de fer Redcar Corus Blast Furnace Dans le haut fourneau l oxyde de fer est r duit pour produire du fer m tallique Le fer est ensuite fondu une temp rature de 1500 C Les d chets liquides sont aussi enlev s Ces d chets sont form s de composants non ferriques pr sents dans l
178. nsion D du vecteur et la pertinence des caract ristiques Tr s souvent ce choix est guid par l expertise sur le proc d Une fois l espace de description choisi il faut mettre en place l ensemble de donn es pour l apprentissage Cet ensemble est constitu partir des observations historiques du proc d II se peut que les diff rents modes de fonctionnement ne se trouvent pas dans un seul ensemble de donn es et la n cessit d tablir un espace de description g n ra l ind pendant de la base d apprentissage s impose Dans le cas de la m thode LAMDA l op rateur expert doit d finir e l intervalle d op ration c est dire les valeurs minimale et maximale pour la normalisation des descripteurs quantitatifs et e toutes les modalit s pouvant appara tre dans chacun des descripteurs qualitatifs De cette fa on l op rateur pourra tablir plusieurs combinaisons de configuration pour chaque descripteur dans l espace de repr sentation A titre d exemple la Figure 3 1 illustre trois intervalles diff rents pour repr senter un descripteur quantitatif Le graphe b montre la normalisation utilisant directement la valeur maximale et la valeur minimale pr sente dans la base d apprentissage Le graphe a montre la normalisation obtenue en ne consid rant que le rang dans lequel le descripteur doit se maintenir pendant le mode de fonctionnement 56 Chapitre 3 Identification des tats fonctionnels pour la surveillance no
179. nt des connectifs mixtes PIE91 Ces connectifs sont issus de la th orie des ensembles flous Ils effectuent une interpolation entre l op rateur logique d intersection T norme et celui de l union T conorme par le biais du param tre par la formule DAG DAM DAM aT DAM DAM 1 S DAM DAM 19 Le param tre est appel indice d exigence et amp e 0 1 T correspond la T norme intersection et S correspond la T conorme union Ainsi si la valeur z ro est choisie pour a la classification est peu exigeante dans l attribution d un individu une classe L exigence la plus forte est obtenue pour a 1 Diff rentes familles de connectifs flous peuvent tre choisies pour le calcul des DAG En proc dant de cette fa on pour un individu le DAG pour toutes les classes est calcul L individu est affect la classe dont le degr d appartenance globale correspondant est maximum S il y en a plusieurs c est la premi re classe trouv e qui est choisie Pour viter l attribution d un individu peu repr sentatif une classe c est dire un individu avec une faible appartenance toutes les classes un seuil minimum pour le DAG est employ Ce seuil correspond au DAG obtenu pour la Classe Non Informative NIC Cette classe a la particularit d accepter tous les individus de l espace de description avec le m me DAG Elle repr sente l homog n it totale de l espace de description
180. ntitative Descriptors ce ccecceee eee eset e ee eee eeeeeaeeeaeeaeeaas 165 Figure 35 Ready to Send Online configuration 166 Figure 36 Ready to Receive Online data sisi 166 Figure 37 Path for data transfer sise 166 Figure 38 Format for the online data file 166 Figure 39 Format for the output file by SALSA 166 Figure 40 Stop receiving data sise 167 Figure 41 Online Quantitative Descriptors sise 167 Figure 42 Online Qualitative Descriptors sisi sise esreesneeness 167 Figure 43 Current State inerte A rem eines dete an etsy tides 168 Figure 44 Bar Graph with States sise 168 Figure 45 Table with change of State occurrences ss 168 Figure 46 Online Data Generator setup WINdOW ccceee ence eee e eee e teens teen eae eae eae 169 Figure 47 Online Data generator Main Screen 169 SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 148 Annexe B Manuel d utilisation de SALSA Annexe B Manuel d utilisation de SALSA 149 1 ABOUT THIS USER MANUAL This manual is a reference for the qualitative situation assessment of a given industrial process It provides the guidelines for the construction of classification systems for the offline characterisation and online identification of the functional states of a process by means of a learning classification technique using qualitative and or quantitative information of the process variables and the expert s knowledge The
181. ojet CHEM Advance Decision Support System for chemical petrochemical manufacturing processes CHEM Le but principal de ce projet est de regrouper partir d une int gration modulaire d outils logiciels des techniques de supervision et d aide la d cision notamment de d tection de diagnostic et de reconfiguration d velopp es par diff rentes quipes de recherche europ ennes Cette int gration modulaire permet le choix et la combinaison des techniques les plus appropri es selon les connaissances disponibles du processus superviser afin de donner l op rateur des informations repr sentatives pour la prise de d cisions L annexe A de cette th se est d di e la pr sentation plus d taill e du projet CHEM Analyse du D tection de Composant Explication Actions Mod le d faillances d fectueux l op rateur sugg r es 183 25 Ps LA H Symbole Descriptif TB3 1 Repr sentation qualitative des tendances du processus pisodes TB3 2a b G n ration de s quences temporelles TB3 4 G n ration d alarmes TB3 7 Gestion de qualit et performance bas e sur la commande statistique multi variable Analyse des Composantes Principales TB5 1 Construction de mod le fonctionnel pour l analyse qualitative et structurale TB5 2 Diagnostic de d faillances a partir des donn es impr cises bandes temporelles TB5 4 Diagnostic de d faillances et gestion d alarmes par gr
182. onctionnement normaux ou Chapitre 1 Supervision et aide la d cision des syst mes complexes 23 anormaux du processus l outil de supervision doit tre en mesure de d tecter des nouveaux ph nom nes et les prendre en compte de fa on les caract riser et les int grer Autrement dit l outil recherch doit tre adaptatif Il appara t donc clairement que le fait d tre capable d identifier la situation dans laquelle se trouve le proc d chaque instant est indispensable pour apporter des informations suppl mentaires sur les causes d une d faillance et pour aider dans la prise de d cision des actions mener pour la reconfiguration du syst me Mais il est galement pr pond rant que l op rateur puisse suivre l encha nement des situations et les changements d tat la suite d un v nement Les outils de supervision doivent donc non seulement aider la reconnaissance des comportements situation assessment mais aussi fournir l op rateur les moyens d avoir un suivi de ces comportements une sorte de mod le de comportement Ainsi dans le chapitre suivant nous pr sentons une strat gie pour la construction d un mod le de comportement d un processus Ce mod le est obtenu partir des donn es en utilisant des m thodes de classification Dans un premier temps les diff rentes tapes prendre compte pour la caract risation et l identification des situations du processus sont pr sent es Par
183. onns on 3 nonan susssssus 2 5 saussss a sesessecsccess nusasss ason as OF ia 1 1 1 1 Teraa EEn cel Lapeer 1 1 ees aes 1 1 1 1 121 125 130 135 140 145 150 155 160 165 170 175 180 185 190 195 200 205 210 215 220 225 230 Reference Classification Individuals b Classes pr d finies par l expert 7 n an 6 un a 5 aa ro a 4 aususnn suona nena ouunno onoo ou 3 ssssussss sessuss 2 vesesss LI sunsssssssssss sogssss sssss supa Individuals c Reconnaissance des classes par SALSA Current Classification Figure 5 22 R sultats de la reconnaissance pour le classificateur 2 En utilisant les param tres de classification ci dessus plus d l ments 21 soit 6 38 ont t rejet s mais seulement 3 0 97 ont t mal class s La reconnaissance en ligne a t effectu e pour les deux classificateurs Nous avons constat que pour certaines situations de d faillances telle que la fuite du bouilleur il n y a pas suffisamment d l ments pour r aliser un bon apprentissage et donc lors de la reconnaissance en ligne la d tection de fausses alarmes a lieu Une situation parfois difficile identifier tant avec des donn es brutes qu avec des 112 Chapitre 5 Applications industrielles de l outil SALSA pisodes est le blocage de la vapeur la sortie du bouilleur quand le d bit de vapeur est tr s faible avant que le blocage ne se produise 5 3 2 Condenseur et receveur
184. onseils qui m ont aid e et orient e non seulement dans mon travail mais aussi dans la vie quotidienne Je voudrais les remercier aussi pour toute la confiance qu ils ont eu en moi pour leur patience et leur soutien Je suis tr s reconnaissante de l honneur que m ont fait Madame Sylviane Gentil Professeur l INP de Grenoble et Monsieur Jean Philippe Cassar Professeur l Universit de Lille 1 en acceptant la t che d valuer en qualit de rapporteur les travaux pr sent s J exprime galement ma reconnaissance Messieurs Andr Titli Professeur l INSA de Toulouse Fernando Jimenez Professeur l Universit des Andes Colombie et Madame Nuria Agell Professeur l Universitat Ramon Llull Barcelona pour avoir accept de prendre part au jury Je remercie galement Madame Marie V ronique Le Lann Professeur l INSA de Toulouse pour ses remarques ses conseils et son soutien et en fin pour avoir accept de prendre part au jury Je leur remercie tous pour l int r t qu ils ont port ces travaux Une grande partie de la th se a t financ e par le projet europ en CHEM Je voudrais remercier les partenaires du projet et toutes les personnes qui m ont apport leur collaboration Je tiens remercier tout particuli rement toutes les personnes qui ont contribu au d veloppement de l outil SALSA Je tiens exprimer ma gratitude Bernard Franc pour sa disponibilit et son aide chaque fois que j ai rencontr un p
185. op rateur humain comme l une des parties cl s de toute m thodologie de Data Mining Ainsi partir des consid rations d crites pr c demment nous avons d velopp un outil qui permet de mettre en uvre la strat gie propos e dans le chapitre 2 Cet outil offre une interface modulaire flexible et convivial qui int gre les donn es issues du proc d l algorithme de classification LAMDA et les connaissances de l op rateur expert afin de l assister pendant l laboration du mod le de comportement du syst me surveiller Par ailleurs il apporte aussi une aide au moment du suivi et lors de la d tection des d viations Nous avons appel cet outil SALSA Situation Assessment using LAMDA claSsification Algorithm et son utilisation comprend deux tapes e Une tape hors ligne pour l laboration du mod le de r f rence Pour ce faire nous avons adapt la m thodologie de classification LAMDA de mani re a ce que l expert puisse intervenir de fa on dynamique pendant la cr ation et la reconnaissance de classes La Figure 3 11 montre la structure de l outil SALSA pour la phase d apprentissage hors ligne A partir des donn es historiques l op rateur modifie les param tres de configuration jusqu obtenir un ensemble de classes repr sentatives du comportement du proc d Quand la classification obtenue est acceptable l op rateur peut r aliser l affectation des classes aux tats fonctionnels identifi s 72 Chapitre 3
186. opulation to be used for classification 2 New Context Do you want to induce a context from a population or retrieve a previously used one Retrieve Figure 5 Loading a New Context Induce or Retrieve Loading a new population This file contains the individuals that will be used for training It must have the same number and type of descriptors as in the context and it may contain an additional field corresponding to the pre defined classes to be used for the supervised learning case A dialog window will appear asking the user if he wants to load the corresponding context Figure 6 If changes have previously been made e g a descriptor has been disabled to the context they will be lost if the user accepts loading the new context also x Do you want also to load the corresponding context REMEMBER that means losing any previous classification Figure 6 Loading a New population e Because of the presence of commented lines with a symbol and a possible supervised learning field there exist a couple of dialog windows that ask the user if the population file is to be looked at or edited with a Windows text editor and if the last field is to be treated like an imposed classification value See Figure 7 SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 154 View Edit Population Annexe B Manuel d utilisation de SALSA Figure 7 View Edit File amp Imposed Classif
187. or un mod le de r f rence pour le sous syst me du bouilleur et un autre pour le condenseur et le receveur ceci afin de bien isoler les diff rents comportements possibles qui peuvent se produire dans chaque sous syst me Nous disposons de plusieurs ensembles de donn es historiques contenant aussi bien des situations de fonctionnement normal ainsi que des dysfonctionnements qui se sont produits dans le pass 5 3 1 Bouilleur 5 3 1 1 Apprentissage hors ligne partir des donn es brutes Pour le sous syst me du bouilleur nous avons test les performances de l outil SALSA dans un premier temps hors ligne en r alisant un premier mod le de r f rence en ne prenant en compte que le r gime en fonctionnement normal Pour ceci nous avons utilis comme descripteurs et valeurs pour la normalisation la configuration de l espace de repr sentation montr e dans le Tableau 5 7 Les descripteurs choisis ne correspondent qu aux variables directement li es au fonctionnement du bouilleur et consid r es par l expert comme les plus repr sentatives La Figure 5 14 illustre l ensemble d apprentissage normalis utilis pour la caract risation des tats fonctionnels du bouilleur en op ration normale Tableau 5 7 Configuration de l espace de description du bouilleur donn es brutes Valeurs Descripteur Maximale Minimale F3 800 0 Q4 54 0 P7 8 5 5 L8 160 140 F10 20 0 Value
188. orer Le consortium europ en s est centr sur les aspects suivants e L interpr tation des informations recueillies par des capteurs d terminer la fiabilit des donn es suivre et analyser les tendances du processus faire une abstraction des signaux e La d tection des d faillances et la gestion d alarmes afin d viter des situations anormales d terminer les causes des v nements diagnostic et d terminer leurs cons quences e La planification r active et le d veloppement de structures de d cision afin de d terminer le nouvel tat du proc d atteindre en prenant en compte les v nements d tect s et les capacit s restantes du proc d La structure du projet international comprenait 12 Work Packages WP savoir WP1 Conception g n rale et M thodologie d Int gration WP2 Pr traitement et conciliation des donn es WP3 Analyse des tendances qualit identification et valuation des situations du processus WP4 valuation de performance de syst mes de commande WP5 Diagnostic de d faillances et gestion d alarmes WP6 Optimisation de processus WP7 Structures d aide la d cision WP8 R glage du syst me de commande WP9 Planification et ordonnancement r actifs WP10 Int gration des Toolboxes WP11 Tests et validation industrielle WP12 Gestion projet 138 ANNEXE A Le Projet CHEM Les partenaires europ ens ont particip a 8 d entre eux WP1 WP3 WP5
189. ots de coke chacun de 30 tonnes La chaleur est enlev e des parois travers de larges panneaux refroidis l eau sur 13 rang es Les rang es 7 10 sont faites de cuivre et celles d en dessous et d au dessus sont faites de fonte L installation de Redcar contient 4 colonnes de pression La pression est mesur e entre les rang es 6 et 13 pour chaque colonne de pression 4 Sous op ration en r gime normal la pression doit diminuer graduellement entre le fond rang e 6 et le haut rang e 11 de la section du fourneau examin e Les op rateurs se sont aper us que les tendances des pressions diff rentielles chutes de pression peuvent tre un bon indicateur de l instabilit du fourneau Un v nement instable se produit quand la mati re dans la pile du fourneau glisse soudainement au lieu de descendre graduellement Chapitre 5 Applications industrielles de l outil SALSA 117 L objectif tait donc d analyser les tendances des pressions diff rentielles des rang es 6 9 de mani re d terminer s il est possible de les utiliser pour pr dire qu un glissement s est produit Les op rateurs ont observ qu avant qu un glissement se produise plus d une mesure de Ap doit avoir des tendances similaires Pour r aliser ceci nous avons choisi l aide de l expert des ensembles de donn es historiques contenant des l ments fortement li s des tats de pr faute pr diction d un glissement et de faute
190. oujours de d finir les caract ristiques repr sentatives des diff rents tats de fonctionnement et un pr traitement est souvent n cessaire Il faut tre attentif la technique employ e pour ce traitement des donn es surtout au niveau du temps de calcul car il doit permettre le fonctionnement en ligne et le retard d au temps de calcul ne doit pas tre trop p nalisant par rapport au temps de r ponse n cessaire pour conna tre l tat courant du processus surveill Dans tous les cas le choix d un pr traitement des donn es est li au domaine d application Si un pr traitement des donn es s av re n cessaire pour extraire les informations quelle que soit la technique utilis e il est n cessaire de conserver l interpr tabilit des caract ristiques tr s importantes tant pour la d tection que pour le diagnostic Une simplification trop importante de l espace de repr sentation lors de la phase de caract risation du mod le de comportement du processus peut tre n faste au moment de la reconnaissance En effet une simplification trop h tive g n re le risque de non d tection de modes de fonctionnement non pr sents dans l tape d apprentissage Il s agit donc de d finir partir des donn es pr trait es ou non un nombre D de caract ristiques ou descripteurs pertinents vis vis des diff rentes situations ou modes de fonctionnement connus Il n existe pas de r gle il faut trouver un compromis entre la dime
191. our l auto apprentissage l expert doit ensuite interpr ter et valider ces nouvelles classes comme repr sentatives d un ou plusieurs modes de fonctionnement Une fois la validation faite les nouveaux tats doivent tre ajout s au mod le de r f rence 80 Chapitre 4 Identification d un automate pour la surveillance Dans tous les cas quelque soit le type d apprentissage utilis l association des classes aux tats significatifs est faite directement par l expert Il peut associer une classe un tat ou associer plusieurs classes un m me tat La Figure 4 3 illustre un exemple d identification des tats en op ration normale au moyen d un auto apprentissage Cinq classes on t cr es Le profil des classes r sultantes est montr dans la Figure 4 3c Ces classes ont t interpr t es par l expert de la fa on suivante Classe 1 Le proc d fonctionne normalement aucune r gulation n est n cessaire Classe 2 R gulation de pression r sistance chauffante en fonctionnement Classe 3 Transitoire proc d sans r gulation vers r gulation de pression Classe 4 R gulation du niveau allumage pompe d eau Classe 5 R gulation du niveau et de pression allumage pompe d eau et r sistance chauffante en fonctionnement Value 1 5o 100 150 200 250 300 350 400 450 500 550 600 680 700 750 800 850 900 937 Active Quantitative Descriptors Individuals D venu a Espace de description avec 5 descript
192. our la supervision et l aide a la d cision des op rateurs des proc d s complexes est abord e Cette tentative d int gration et de collaboration entre diff rentes m thodes a t l objectif d un projet international pour lequel une partie importante de la th se a t d velopp e Le deuxi me chapitre propose une strat gie pour le suivi du comportement d un processus et la d tection de d faillances en s appuyant sur des donn es historiques et des donn es en ligne Ce chapitre d crit galement diff rentes m thodes de classification et d apprentissage qui peuvent tre utilis es pour la mise en place de la strat gie propos e dont la m thode LAMDA Learning Algorithm for Multi variable Data Analysis sur laquelle nous avons appuy nos travaux Dans le troisi me chapitre nous abordons les diff rentes tapes suivre pour l laboration d un syst me de surveillance partir de m thodes de classification Ainsi la premi re phase consiste r aliser un apprentissage pour identifier et caract riser les diff rents tats de fonctionnement du processus surveiller Une description des l ments de param trage n cessaires pour l laboration du mod le de comportement du processus est aussi r alis e La non exhaustivit du mod le de comportement labor partir des donn es met en vidence la n cessit d avoir un syst me de surveillance adaptatif Ainsi la deuxi me phase que nous pr sentons consiste
193. out de m me ces m thodes un caract re supervis Ceci peut tre un 34 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification inconv nient car il n est pas toujours possible de conna tre le nombre de groupes classes contenues dans l ensemble de donn es 2 3 2 M thodes statistiques Selon Michie et a MIC94 deux types diff rents de m thodes sont identifi s comme des proc dures statistiques pour la classification Le premier type correspond aux algorithmes dits classiques car ils sont d riv s des Discriminants Lin aires de Fisher DL FIS36 Le deuxi me type englobe des techniques de classification modernes et fournit une estimation de la distribution conjointe des caract ristiques dans chaque classe Pour l approche des DL de Fischer l ensemble d apprentissage comprend N l ments repr sentant q classes pr d finies connues L espace de repr sentation est d fini par D attributs de type quantitatif et chaque objet de l ensemble d apprentissage est d crit par un vecteur d attributs x x x x Cet espace de repr sentation est divis par un ensemble d hyperplans chacun d fini par une combinaison lin aire des attributs L hyperplan divisant deux classes est trac de fa on bissecter la ligne joignant les centres de ces classes La direction de l hyperplan est d termin e par la forme des groupes des l ments Cette approche ne requiert pas de suppositions
194. pprentissage En fait cet apprentissage peut tre consid r comme la mise jour des poids des connexions au sein du r seau Il existe diff rentes techniques d apprentissage dont la plupart ont besoin d une quantit consid rable d exemples et de beaucoup de temps de calcul Une de ces techniques est l apprentissage supervis ici le r seau s adapte par comparaison entre le r sultat qu il a calcul en fonction des entr es fournies et la r ponse attendue en sortie De cette fa on le r seau va modifier ses poids jusqu ce que le r sultat soit le plus proche possible de la sortie attendue correspondant une entr e donn e L algorithme de r tro propagation Figure 2 7 est le plus populaire parmi les techniques d apprentissage supervis BIS95 L algorithme essaye d am liorer la performance du RNA en r duisant la diff rence entre le r sultat y obtenu par le n ud et la sortie attendue d en ajustant les poids par une t chnique de gradient Cette diff rence est mesur e par l erreur quadratique 1 E dy 4 12 r glage poids erreur attendue r elle sortie sortie entr e r elle attendue Figure 2 7 R seaux avec apprentissage par retro propagation L apprentissage par r tro propagation travaille de la fa on suivante les poids w Son initialis s al atoirement Chaque fois qu un exemple est pr sent au RNA l activation de chaque n ud est calcul e Apr s que le r sultat de
195. pprentissage ainsi qu un apprentissage dirig sont possibles Nous avons fait une comparaison des avantages et faiblesses de ces m thodes de mani re s lectionner celle sur laquelle va s appuyer la strat gie de surveillance que nous proposons Dans le chapitre 3 nous allons approfondir le probl me du param trage n cessaire pour mettre en place un syst me de surveillance bas sur la classification Nous d taillerons les l ments prendre en compte mais aussi nous voquerons les prestations que doivent apporter les outils de supervision pour aider l op rateur humain dans la prise de d cision 52 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification Chapitre 3 3 IDENTIFICATION DES ETATS FONCTIONNELS POUR LA SURVEILLANCE DES PROCEDES A PARTIR DE DONNEES 3 1 Introduction Apr s avoir d taill les diff rentes tapes suivre pour l laboration d un syst me de surveillance partir de m thodes de classification il est n cessaire de d crire la phase essentielle l apprentissage Cette phase correspond a la caract risation du comportement du processus En effet il s agit de la construction partir des observations issues du processus d un classificateur caract ris par la structure des classes qui permettent d identifier un ensemble de situations Ceci correspond alors l obtention d un mod le de comportement Le param trage du classificateur est obtenu en consid ran
196. ppuient seulement sur des donn es historiques du processus Pour la description de ces diff rentes m thodes de diagnostic nous avons adopt la classification propos e par Vankatasubramanian et al VENO3a Cette classification a t faite selon la connaissance du processus disponible Nous pr cisons que cet tat de l art n est pas exhaustif car notre objectif est uniquement de situer ces m thodes par rapport leurs applications potentielles D autres fa ons de classer les diverses m thodes et techniques de diagnostic ont t propos es ZWI95 1 3 1 M thodes base de mod les Les m thodes de diagnostic base de mod les connues aussi comme diagnostic partir de principes premiers REI92 sont appropri es quand l information disponible sur le processus permet d utiliser les principes physiques du processus et leur compr hension Selon la connaissance du processus il est possible de d finir deux formulations diff rentes de cette approche base de mod les l approche FDI Fault Detection and Isolation issue de la communaut Automatique s appuyant sur des mod les quantitatifs et l approche DX du nom du International workshop on principles of diagnosis de la communaut de l Intelligence Artificielle utilisant des mod les qualitatifs 10 Chapitre 1 Supervision et aide la d cision des syst mes complexes 1 3 1 1 Mod les Quantitatifs Ces mod les sont construits partir des lois fondamentales phy
197. process trends for diagnosis and control IFAC symposium on online fault detection and supervision in the chemical process industry Newark USA 1992 pp 69 74 126 Bibliographie BEZ81 Bezdek J C Pattern recognition with fuzzy objective function algorithms Plenum Publishing Corporation New York 1981 BIS95 Bishop C Neural Networks for Pattern Recognition Oxford University Press New York USA 1995 BRA96 Brachman R J Anand T The process of knowledge discovery in databases Advances in Knowledge Discovery and Data Mining AAAI MIT Press 1996 CASO3 Casimir R Diagnostic des d fauts des machines asynchrones par reconnaissance des formes Th se de doctorat de l cole Central de Lyon 2003 CASS97 Cassar J P Staroswiecki M A structural approach for the design of failure detection and identification systems Proceedings IFAC IFIP IMACS Conference on Control of Industrial Processe Belfort France pp 329 334 1997 CHA93 Chatain J N Diagnostic par syst mes experts Hermes Paris 1993 CHE90 Cheung J T Stephanopoulos G Representation of process trends Part I A formal representation framework Computers amp Chemical Engineering Vol 14 N 4 5 pp 495 510 may 1990 CHEM Projet CHEM disponible sur http www chem dss org CHO70 Chow C K On optimum recognition error and reject trade off IEEE Transactions on information theory vol 16 pp 41 46 1970 COLO1 Co
198. pulation has pre defined classes a Results Window is displayed with different information Figure 23 number and percentage of individuals not recognised number of individuals with pre defined classes number and percentage of individuals badly recognised and the list of the individuals badly recognised Recognition Results Recognition of Pre Classified Individuals Recognition Type allows INDIVIDUALS in NIC Total number of NON Recognized Individuals 4 Individuals with Pre assigned Classes 251 Number of NON tecognised individuals 4 gt 1 59 Number of Individuals Badly Recognised 69 gt 27 94 List of Individuals Badly Recognised 6 10 15 16 20 21 30 31 41 83 Figure 23 Recognition Results Window Annexe B Manuel d utilisation de SALSA 161 e When a population with pre defined classes has been loaded the View Prof CL button is enabled By clicking this button the pre defined classes for each individual are displayed Figure 24 Reference Classification 1 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 41 Reference Classification Individuals Figure 24 Reference Classification Graph e SALSA automatically creates a result file where each individual has its corresponding class This file is a text file and has a RES extension It is possible to save the classification result as the reference one by clicking on the Save Ref CL button The u
199. que descripteur ainsi que les fr quences observ es partir de l ensemble d individus pr affect s la classe C4 1 Pu x 20 k xeC INDIVIDUS X Xj Xas Xa Non Informative Degr d Ad quation Marginal Teo DAM x C EA Degr d Ad quation Global DAG X C ENSEMBLE de CLASSES Mise a jour Cr ation classe C C Cy AUTO APPRENTISSAGE RECONNAISSANCE Figure 2 10 Algorithme g n ral de LAMDA Le sch ma de la Figure 2 10 illustre l algorithme LAMDA dans le cas de l auto apprentissage ou bien dans le cas de la reconnaissance Dans le cas de l apprentissage sachant qu il s effectue de fa on s quentielle la repr sentation d une classe varie apr s qu un l ment ait t attribu La mise jour de la classe s effectue en prenant en compte les caract ristiques du nouvel l ment ainsi que la description de la classe l instant pr c dent Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 47 C Mise jour des classes pendant l apprentissage En ce qui concerne les descripteurs quantitatifs les param tres mettre jour d pendent de la fonction choisie pour le calcul des DAMs 1 Ainsi pour la fonction binomiale floue nous avons l algorithme it ratif de la moyenne Xj Ph Pig Prj Nal 21 2 Dans le cas de la fonction binomiale centr e deux param tres doivent tre estim s de fa
200. r pondre aux demandes de qualit aux contraintes environnementales la r duction des co ts de production et maintenance tout en garantissant la s curit des installations ainsi que celle des op rateurs humains Face cet incr ment d information changeante et dynamique l op rateur humain a besoin de nouveaux outils qui l aident dans sa t che de surveillance du processus pour en garantir le fonctionnement correct et r agir au cas o des v nements anormaux se produisent Dans ces conditions nous pouvons dire que la supervision a pour objectif d assurer la gestion r active et s re des modes de fonctionnement d un processus Ces modes ou situations sont d finis partir de l analyse des donn es de la connaissance du syst me et du savoir faire des op rateurs Il faut alors exploiter au maximum toutes les informations disponibles sur le syst me pour pouvoir d tecter les ventuels dysfonctionnements d un processus et les diagnostiquer et r agir en cons quence de fa on assurer son fonctionnement m me en situations anormales Au niveau de la supervision toute description du proc d qui apporte une connaissance a priori sur ses caract ristiques et ses fonctionnalit s constitue un mod le du proc d Ceci permet de comparer l volution du proc d r el au travers du suivi des mesures la description th orique offerte par le mod le Le r sultat de cette comparaison d tecte le bon ou mauvais fonctionnement
201. r rapport chaque classe Ainsi le descripteur avec la plus petite entropie sera le plus discriminant et celui avec la plus grande entropie est celui qui apporte le moins dans la caract risation des classes Lid Class 1 Class 2 Class 3 Class 4 Class 5 Current Classes 0 0 Figure 3 6 Profil des classes avec descripteurs quantitatifs Pour l exemple de la Figure 3 5 le descripteur Qp est le plus discriminant et le moins discriminant est h2 puisque ses valeurs pour chaque classe sont peu diff rentes Ces informations permettent l expert d identifier et de caract riser les classes significatives et celles qui pourraient repr senter un m me tat fonctionnel 3 3 4 Visualisation et interpr tation des appartenances Une des informations utiles relative la classification r alis e est la matrice d appartenances des individus chaque classe Dans cette matrice 29 les lignes correspondent aux individus et les colonnes aux classes existantes DAG est alors le degr d ad quation global de l individu n la classe k Chapitre 3 Identification des tats fonctionnels pour la surveillance 65 DAG DAG DAG 29 DAGy DAG yx 3 3 4 1 Evolution des degr s d ad quation globale DAG tant donn que l ordre d apparition des l ments correspond aux instants de mesure des variables du processus la repr sentation graphique de la Matrice d Appartenance MA en prenant l ordre des lignes comme
202. rentissage il existe une interaction constante entre la cr ation et la reconnaissance des classes Apr s qu une classification ait t d finie il s agit de traiter l ensemble d apprentissage et d assigner aux classes existantes les individus de l ensemble d apprentissage ou d un ensemble dans lequel l expert conna t en partie les attributions correctes La reconnaissance doit disposer du choix de rejet c est dire qu il faut pouvoir distinguer les observations qui ne correspondent aucune des classes existantes soit parce qu elles se trouvent dans une zone de l espace de repr sentation trop loign des classes soit parce qu elles se trouvent pr s d une fronti re entre deux ou plusieurs classes ce qui correspond une situation d ambiguit En effet des nouvelles situations de d faillances ou des d gradations peuvent se pr senter au cours de la vie d un proc d et il serait dangereux d affecter syst matiquement une nouvelle observation une situation existante connue Dans la litt rature une premi re r ponse au probl me d ambigu t a t introduite par Chow CHO70 Plus r cemment Dubuisson et Masson DUB93 ont tabli une distinction entre le rejet de distance et le rejet d ambiguit La Figure 3 3 illustre pour deux classes de type gaussien les zones de rejet d ambiguit et de rejet de distance classe classe K rejet rejet de distance Figure 3 3 Zones de rejet d ambiguit et de distance
203. riable trois informations concernant les pisodes ont t choisies l pisode courant ActEp l pisode pr c dent PreEp et la valeur finale de l pisode pr c dent Fval Les deux premiers descripteurs sont de type qualitatif et le troisi me de type quantitatif Pour P7 et L8 une information suppl mentaire a t prise en compte il s agit de la pente de l pisode pr c dent Le Tableau 5 9 montre l espace de description choisi pour le bouilleur Tableau 5 9 Espace de description partir d pisodes pour le bouilleur DESCRIPTEURS TYPE VALEURS D1 F10 ActEp Qualitatif Modalit s a f g h 0 p r s D2 F10 PreEp Qualitatif Modalit s a f g h 0 p r s D3 F10 Fval Quantitatif Min 0 Max 20 D4 F3 ActEp Qualitatif Modalit s lo hi D5 F3 PreEp Qualitatif Modalit s lo hi D6 F3 Fval Quantitatif Min 0 Max 800 D7 P7 ActEp Qualitatif Modalit s a f g h 0 p r S low D8 P7 PreEp Qualitatif Modalit s a f g h 0 p r S low D9 P7 Fval Quantitatif Min 6 Max 8 3 D10 P7 Slope Quantitatif Min 0 229 Max 8 3 D11 L8 ActEp Qualitatif Modalit s a f g h 0 p r D12 L8 PreEp Qualitatif Modalit s a f g h 0 p r D13 L8 Fval Quantitatif Min 145 Max 157 D14 L8 Slope Quantitatif Min 2 272 Max 2 587 Les situations qui devaient tre identifi es sont d crites dans le Tableau 5
204. rmal Dans ce cas les oscillations sont agrandies et les perturbations amplifi es Au contraire le graphe c repr sente le descripteur normalis a partir de toute la plage des valeurs th oriquement possibles et les petites perturbations ne sont pas observables Tia 1 0 0 9 0 8 07 os il o5 a 0 4 j 0 3 0 2 01 0 0 01 1 1 1 1 1 1 1 1 1 1 1 1 100 200 300 400 500 600 700 800 300 1000 1101 1 1 1 95 0 9 0 8 0 7 0 6 5 b 05 0 4 0 3 0 2 0 1 0 0 01 1 1 1 1 1 1 1 1 1 1 1 1 100 200 300 400 500 600 700 800 900 1000 1101 Tis 1 07 0 9 0 8 0 7 0 6 0 5 c 5 0 4 0 3 0 2 lt 0 0 01 Ti 1 T 1 1 1 i 1 1 1 1 1 1 100 200 300 400 500 600 700 800 300 1000 1101 Figure 3 1 Choix de l intervalle pour la normalisation d un descripteur quantitatif Le fait de pouvoir ajuster l intervalle des descripteurs quantitatifs permet de d finir jusqu quel point leurs variations peuvent tre consid r es De m me le r glage de l intervalle peut d terminer l influence des descripteurs sur la caract risation des classes 3 2 2 Modes d Apprentissage Afin de d terminer la partition de l espace de description la plus convenable pour caract riser les diff rents modes de fonctionnement l op rateur peut faire appel aux diff rents modes d apprentissage en fonction de ses connaissances En effet quand seule la connaissance des experts est utilis e pour l identification des diff r
205. rmale Aucune r gulation n est n cessaire C1 D s que la pression descend en dessous d un seuil R gulation de la pression P7 minimum la r sistance se met chauffer Q4 C2 amp C3 55kW Si le niveau d eau est inf rieur a une valeur minimale R gulation du niveau L8 la pompe P1 se met en marche et un d bit d eau en C4 F3 est observ R gulation du niveau 8 et Quand la temp rature de l eau provenant du receveur est tres basse la pression P7 chute et donc Q4 C5 de pression P7 uA commence chauffer avant que la pompe P1 s arr te roe L automate g n r a la Figure 5 16 partir de la s quence de classes obtenues est montr dans 106 Chapitre 5 Applications industrielles de l outil SALSA Value 1 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 Active Quantitative Descriptors Individuals a Ensemble de test op ration normale bouilleur 2i SSS SS EEE EEE EE Et n 1 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 b classes identifi es lors de la reconnaissance Figure 5 17 Validation de la classification obtenue pour l op ration normale du bouilleur La classification obtenue par SALSA a t valid e en utilisant un ensemble de donn es de test pour l op ration normale du brouilleur La Figure 5 17 montre les r sultats de la reconnaissance des donn es de test Dans les donn es de tes
206. rmulation du m canisme d apprentissage sous la forme d une r gle de modifications des connexions synaptiques Ce m canisme est devenu la base des algorithmes courants La premi re architecture neuronale le perceptron appara t en 1958 gr ce aux travaux de Rosenblatt PER98 Un RNA se compose typiquement d une couche d entr e d une ou de plusieurs couches interm diaires ou cach es et d une couche de sortie Dans le fonctionnement du RNA chaque n ud ou neurone est connect d autres neurones d une couche suivante par des poids synaptiques adaptables La Figure 2 5 montre le sch ma g n ral d un neurone Chaque n ud j calcule la somme de ses entr es x x pond r es par les poids synaptiques Wi1 Win correspondants cette valeur repr sente l tat interne du neurone u Ce r sultat est alors transmis une fonction d activation f voir Figure 2 6 pour la repr sentation des fonctions d activation les plus utilis es La sortie y est l activation du neurone Le mod le g n ral du neurone est repr sent par N U gt WinX 10 n l Ji f u 11 Figure 2 5 Sch ma g n ral d un neurone Figure 2 6 Fonctions d activation les plus utilis es a fonction seuil b fonction lin aire c fonction sigmoide d fonction gaussienne Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 39 La propri t principale des RNA est leur capacit d a
207. robl me informatique Durant ces ann es pass es au LAAS et Toulouse j ai pu appr cier l amiti de certaines personnes qui au del de l ambiance tr s amicale qu elles ont cr e m ont toujours apport leur soutien dans les moments critiques Je voudrais remercier tr s sinc rement Emmanuelle Despontin pour ses encouragements et son amiti je n ai pas assez de mots pour lui exprimer ma gratitude Je souhaiterais aussi remercier mes coll gues du groupe DISCO en particulier Miguel Gonzalez et Victor Hugo Grisales qui ont toujours t pr ts r pondre mes interrogations de nature tr s diverse mes colocataires de bureau Antonio et Hector je dis merci pour tout ce que nous avons pu partager Mes remerciements tout le personnel technique et administratif du LAAS avec une attention particuli re envers Eliane Dufour et Christian Berty pour leur amabilit leur efficacit et leur temps Enfin il y a des choses que ne peuvent pas tre remerci es par crit n anmoins je voudrais remercier Juan Carlos d avoir t toujours mes cot s dans cette aventure de croire en moi plus que personne d autre de ne pas m avoir laiss ba sser les bras dans les moments les plus difficiles et bien s r d avoir partag aussi les moments les plus heureux A ma famille pour leur soutien et leur compr hension l o je serai je sais qu elle sera toujours pr s de moi Table des mati res Introduction G n rale ssss
208. s pisodes a notre approche Ainsi des informations telles que le type d pisode courant le type d pisode pr c dent la dur e de l pisode la valeur initiale de la variable dans chaque pisode la pente de l pisode sont utilis es pour construire un nouvel l ment de l ensemble d apprentissage a chaque instant qu un changement d pisode se produit Les l ments classer ou reconna tre sont les instants o il y a eu un changement d pisode dans au moins une variable Pour l exemple de la Figure 5 8 nous avons obtenu l ensemble d l ments suivants Tableau 5 3 Ensemble d l ments issus des pisodes pour les compositions CO et O2 CO2 02 Instant Episode Episode Valeur Episode Episode Valeur courant pr c dent finale courant pr c dent Finale 1 G G 21 G G 0 5 547 A G 10 06 G G 0 5 550 A G 10 06 L G 10 9 565 F A 5 24 L G 10 9 568 F A 5 24 H L 13 38 585 G F 3 09 H L 13 38 592 G F 3 09 G H 19 2 Les descripteurs comme le montre le Tableau 5 3 sont les pisodes pr sents sous forme qualitative et les valeurs finales des pisodes pr c dents sous forme num rique Ces informations sont r p t es lorsqu il n y a pas eu de changement dans le descripteur correspondant Chapitre 5 Applications industrielles de l outil SALSA 99 5 2 3 2 R sultats partir des donn es mixtes pisodes Les descripteurs utilis s pour l apprentissage
209. s complexes Ces travaux plus particuli rement ax s sur les bio proc d s et les processus de traitement des eaux ont abord les probl mes li s l interpr tation des donn es Data Mining et l extraction des informations partir d une m thode de classification avec apprentissage WAIOO Notre travail se situe dans un contexte voisin puisqu il porte sur la supervision et la surveillance de proc d s complexes tels que les proc d s chimiques et p trochimiques Pour ce type de proc d l obtention d un mod le math matique n est pas toujours possible Notre contribution a donc consist proposer une strat gie permettant partir des donn es disponibles et l aide d une m thode de classification de construire un mod le du comportement du processus La mise en place de ce mod le est r alis e avec l objectif de suivre en ligne les volutions du proc d surveill d identifier des situations anormales et d aider l op rateur dans la prise de d cisions surtout lorsque ces situations anormales ont pour origine des dysfonctionnements de la partie op rative Introduction g n rale 3 Ce m moire de th se est structur en cinq chapitres Le premier chapitre propose un tour d horizon sur la supervision et les diff rentes approches de d tection et de diagnostic de d faillances d velopp es par les diff rentes communaut s de recherche De plus une tentative d int gration des diff rentes m thodes p
210. s proche du centre Ainsi chaque groupe est caract ris par son centre y et par les l ments qui lui ont t associ s Le centre du groupe est le point dans l espace D dimensionnel qui minimise la somme de la distance de tous les l ments qui font partie du groupe Ici D correspond au nombre de caract ristiques de l espace de repr sentation L algorithme a comme but la minimisation de la fonction objectif K N J Dina 3 k l1n 1 O Dina d finit la mesure de distance entre l objet x et le prototype v au sens d une m trique d finie par la matrice A Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 31 Daas x av xn vy A x v 4 La forme des groupes est d termin e par le choix de la matrice A dans l quation 4 Un choix tr s commun est A I ce qui donne la distance euclidienne BAB98 Dina x Vz x v 5 Cette distance est la plus utilis e dans l algorithme des K moyennes et elle induit une partition en hyper sph res de dimension D Un autre choix pour A est une matrice diagonale qui utilise les variances dans les directions des coordonn es de l espace de repr sentation Ceci produit la norme diagonale et g n re des classes hyper ellipso dales parall les aux axes de l espace de repr sentation Finalement peut tre d finie comme l inverse de la matrice de covariance de l ensemble X A M gt 6x 6 1 N n l D
211. s represented with a different colour and their occurrence frequency is shown the sum of all modalities for a qualitative descriptor must be 1 It is also possible to view the complete information for each class in text mode Class details button See Figure 22 M Class Details Current Classification x Current Classification For beta 0 8000000 we have the NIC and 3 more classes 2 Class 1 Name ofthe class NONAME Number of assigned elements 243 Descriptor 1 LEVEL_T1 Type QUANTITATIVE Extended frequency of quantitative descriptor 0 773994 Descriptor 2 LEVEL_T2 Type QUANTITATIVE Extended frequency of quantitative descriptor 0 219022 Descriptor 3 CONTROL_SIG Type QUANTITATIVE Extended frequency of quantitative descriptor 0 672618 Descriptor 4 DERIV_T1 Type NON ORDERED QUALITATIVE Modality 1 D Frequency 0 312295 Modality 2 B Frequency 0 201639 Modality 3 C Frequency 0 172951 Modality 4 E Frequency 0 103279 Modality 5 A Frequency 0 209836 Descriptor 5 DERIV_T2 Type NON ORDERED QUALITATIVE Modality 1 D Frequency 0 300000 ad 4 Print Figure 22 Class Details window The Class Details window shows all the parameters values for each class Depending on the type of algorithm used for classification different information will appear Also the number of elements individuals assigned to each class are shown e When Recognition is launched and if the loaded po
212. seph Aguilar Martin en collaboration avec plusieurs chercheurs L pez de M ntaras Piera AGUI82 DES87 PIE89 Depuis les ann es 1980 de nombreuses am liorations ont t apport es la m thode Plus r cemment une description d taill e de cette m thode a t pr sent e dans les travaux de th se de doctorat de Aguado AGUA98 et Waissaman Vilanova WAIOO LAMDA a t utilis e dans des domaines tr s divers tels que la psychologie GALO2 les proc d s biotechnologiques WAI99 ainsi que les proc d s industriels KEMO3 Une des motivations l origine du d veloppement de cette m thode est la volont d appr hender les difficult s inh rentes au diagnostic base de donn es historiques En effet e Plus on consid re d attributs pour la description d un l ment plus il est probable de trouver cet l ment diff rent des autres Ceci peut amener une classification avec un nombre excessif de classes dont la plupart avec un seul individu e Certains attributs caract risant les individus sont repr sent s par des valeurs impr cises ou approximatives ou bien correspondent des situations qualitatives pas forcement binaires c est dire que leur pr sence ou leur absence pour un l ment donn est connue avec un certain degr d incertitude Pour ces raisons l organisation d un ensemble d individus en groupes ou classes doit aller au del de l id e de faire une partition logique stricte comme i
213. ser may choose the name of the classification and he can decide to set it as the reference for comparison with other Classification results e The ANALYSE button shows the resulting membership matrix of each individual for each existing class Figure 25 This matrix can also be graphically viewed by clicking on the View Membership Graph button Figure 26 The user may save this matrix in a CSV format by clicking on the EXPORT button MEMBERSHIP MATRIX Class 1 Class 2 Class 3 Class 4 a 1 6 237539 6 219979 6 219998 6 141677 2 6 234413 6 219821 6 219915 6 145618 3 6 231884 6 217624 6 219166 6 144876 4 6 232812 6 214477 6 217964 6 144329 5 6 236916 6 212422 6 216821 6 144615 6 6 228618 6 267328 6 216621 6 214224 7 6 228918 6 215367 6 218612 6 181953 8 6 229478 6 216897 6 218628 6 182646 9 6 235467 6 218843 6 219661 6 133472 18 6 234311 6 219592 6 219877 6 133618 11 6 228348 6 219788 6 219876 6 218144 12 6 226749 6 219675 6 219826 6 218148 13 6 229638 6 218613 6 219162 6 196312 14 6 234589 6 216153 6 218471 6 144366 ui 15 6 233642 6 212169 6 217599 6 184221 x 4 gt Classes Adequacy 0 250218 aad NIC 0 217265 Cutting Alpha Population Covering 0 218351 E 0 500000 View Membership Graph Export CLOSE Figure 25 Analyse Window SALSA User s Manual February 2004 v1 2 Copyright 2004 LAAS CNRS 162 Annexe B Manuel d utilisation de SALSA MEMBERSHIP GRAPH GAD Ai 1 1 1 I 1 I
214. sible qu une volution vers une situation de d faillance puise se laisser entrevoir au niveau de l automate Cette tendance d volution peut galement tre visualis e au travers de l volution des DAG Degr d Ad quation Global Enfin cet automate peut tre une source d information pour des actions de reconfiguration dans un cadre de supervision 90 Chapitre 4 Identification d un automate pour la surveillance Chapitre 5 5 SURVEILLANCE D UNITES PILOTES A L AIDE DE SALSA 5 1 Introduction Suite ce que nous avons expos dans les chapitres pr c dents sur l identification des tats fonctionnels et l laboration d un mod le de r f rence pour la surveillance de processus nous pr sentons ici les r sultats des tests de notre approche niveau industriel notamment dans le cadre du projet europ en CHEM 8 Annexe A La validation des performances de l outil SALSA a t r alis e sur trois unit s industrielles partenaires du projet CHEM de nature tr s diff rente Deux de ces unit s sont des unit s pilotes mont es l chelle r duite dans un cadre universitaire il s agit d un gaz ifieur de biomasse en lit fluidis Laboratoire de g nie chimique l UPC de Barcelone et d un g n rateur de vapeur pour centrale nucl aire Laboratoire d Automatique G nie Informatique et Signal LAGIS de Lille Le troisi me proc d sur lequel les performances de l outil SALSA ont t test es est un haut fourneau
215. sique chimie et d crits par des relations math matiques sur les entr es sorties du syst me Diverses approches pour la d tection de d faillances partir des mod les math matiques ont t d velopp es depuis les ann es 70 ISE97 Ces m thodes dites m thodes des r sidus comportent deux tapes d une part la g n ration des r sidus et d autre part le choix d une r gle de d cision pour le diagnostic Les r sidus repr sentent des changements ou divergences entre le comportement r el du processus et celui pr vu par le mod le La Figure 1 2 illustre le principe le plus g n ral pour la g n ration des r sidus Syst me Sorties 0 Mod le estim pli G n ration F sidus de r sidus Entr es Figure 1 2 Principe de g n ration des r sidus L objectif du r sidu est d tre sensible aux d fauts Ainsi normalement en l absence de d faillances c est dire en fonctionnement normal le r sidu doit avoir une valeur nulle Au contraire en pr sence d un d faut le r sidu aura une valeur non nulle Les techniques les plus utilis es pour la g n ration des r sidus partir de mod les analytiques sont list es ci dessous Equations de parit GER98 Estimation d tat partir d observateurs ou filtres de Kalman FRA89 Estimation param trique ISE93 Analyse structurelle CASS97 Une fois les r sidus g n r s ils doivent tre valu s pour d terminer
216. st de raffiner la d tection de la situation anormale faisant une distinction entre une situation de d faillance et une situation normale mais non pr vue Pour ceci il est d abord n cessaire d isoler les donn es associ es la d viation observ e Puis plusieurs analyses sur ces donn es doivent tre fournies l expert de telle mani re qu il puisse interpr ter la signification du sympt me Cette tape de caract risation cruciale dans la prise de d cision des actions futures demande un am nagement du dialogue avec l expert Selon notre sch ma de supervision de la Figure 1 1 un sympt me correspondant une d faillance du processus doit activer une proc dure de diagnostic Le but du diagnostic comme nous l avons mentionn pr c demment voir 8 1 2 est de trouver l origine de la d faillance c est dire trouver les causes de la situation de d faillance Pour effectuer ce diagnostic d autres informations o connaissances du Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification 29 processus peuvent tre utilis es tels que les HAZOP VIL88 les graphes fonctionnels et ou de composantes TOGOO Quel que soit le type de d viation observ e une d faillance ou une situation normale non pr vue elle doit tre ajout e dans le mod le de r f rence de mani re effectuer une mise jour de celui ci De cette fa on un mod le de comportement du processus est construit it rat
217. sunsnnnnnnnnnnnnnnnnnnnnunnunnnnnnnnnnnnnnnnnnnnnnnnnn 1 Supervision et aide la d cision des syst mes complexes 5 LT INGRO DUCTION sp 8e eee de A connate A A ne RE 5 1 2 Supervision des proc d s eases eeeeeeeeeaeegeeaeeeeeaeaaeasenneaneas 6 1 3 Diff rentes m thodes pour l laboration d un syst me de supervision et diagnostic Late d PR A Suaettoes chen AEEA 9 1 3 1 M thodes base de mod les ccce ec ccceseeeeeceeeeaeeeeeeeeeeaeeeeeaeeaeaaeesesneareaees 9 1 3 1 1 Mod l s Qua titatifs serie eue sn ces hw ane eens nn ne et ares 10 1 3 1 2 Mod les qualitatifs ou semi qualitatifs 11 1 3 1 3 Syst mes FOUS abs sctieseetasewes chia ee ta errant a EEEE amende ne era ste its 12 1 3 2 M thodes base de connaissances cecceceeceeeeaeeaeeeeeeeaeeaeeeeeaegaeaeeeneareas 13 1 3 2 1 AMDEC et Arbres de d faillances 13 1 3 2 2 Syst mes experts arie cntceseera soe anne nee iao ie nes a On E sed ed an 15 1 3 3 M thodes partir des donn es historiques 16 1 3 3 1 Analyse et repr sentation qualitative des tendances 16 1 3 3 2 Analyse en Composantes Principales ACP esses sense eeeeeenneeees 17 1 3 3 3 Classification et m thodes de reconnaissance de formes 18 1 4 Tentative d int gration des m thodes et outils 20 L 25 COMCIUSI O Miia 08m RO Re ES A pews Nw aie PONE ens ie Ce at Ne 22 ii Table de mati res 2
218. sures issues du proc d et de leur repr sentation facilement interpr table par l op rateur humain Le but des outils de ce WP est de d terminer l tat normal ou anormal d une variable et d identifier la situation dans laquelle se trouve le proc d L id e est d int grer les r sultats des TBs du WP3 avec les TBs des WP5 diagnostic et gestion d alarmes et WP7 structures pour la d cision Les TBs comprises dans le WP3 sont TB3 1 Repr sentation qualitative des tendances du processus Episodes TB3 2 G n ration de s quences de bandes temporelles TB3 3 D composition des tendances du processus ANNEXE A Le Projet CHEM 139 TB3 4 G n ration d alarmes TB3 5 Mod lisation du proc d partir de logique floue et r seaux de neurones TB3 6 Identification qualitative des situations du proc d en ligne TB3 7 Gestion de qualit et performance bas e sur la commande statistique multi variables Analyse des Composantes Principales Nous avons eu comme t che le d veloppement de la TB3 6 L activit principale de cette TB tait de transformer les mesures quantitatives et les informations qualitatives provenant d autres TBs en une repr sentation qualitative des situations du proc d d finies par l utilisateur op rateur expert Le but tait donc d int grer les r sultats des TB3 1 pisodes TB3 3 d composition des tendances et TB3 7 composantes principales afin d obtenir des situations ou des
219. syst me a comme but principal d aider des op rateurs dans l valuation et l identification des situations du processus et de r pondre aux v nements anormaux permettant de ce fait aux installations de maintenir co t r duit l int grit op rationnelle et d am liorer la qualit de ce qu elles produisent L id e principale tait donc de d velopper et construire un syst me complet pour augmenter les possibilit s d une gestion sans risque et plus efficace des usines chimiques et p trochimiques Un tel outil a une port e extr mement large englobant la gestion d information la d tection et le diagnostic des d faillances la gestion des alarmes et l optimisation A 2 Le contexte industriel Les principales motivations du projet CHEM concernaient e Les performances conomiques qui ne peuvent pas tol rer de longs arr ts ou la pr sence de situations anormales le gain obtenu par la commande avanc e de proc d CAP qui essaye de garder le processus le plus proche possible d un point optimal peut tre perdu lors de situations anormales Cette perte conomique est estim e en milliards d euros par an m me en ne prenant en compte que les dommages qui peuvent tre provoqu s par de tr s grands accidents e Les soucis environnementaux et de s ret qui impliquent de plus en plus de contraintes Les industries doivent assurer une fabrication propre de leurs produits avec un cycle de vie acceptable en termes de prote
220. t seule une situation n tait pas pr sente C4 r gulation du niveau d eau toutes les autres ont t correctement identifi es 5 3 1 2 Identification en ligne Pour la validation en ligne nous avons utilis le mod le de r f rence obtenu pour le sous syst me du bouilleur en op ration normale voir Figure 5 16 et les mesures directes des capteurs et actionneurs de l installation Dans la Figure 5 18 nous observons les volutions du brouilleur au fur et mesure que des observations se Chapitre 5 Applications industrielles de l outil SALSA 107 pr sentent La Figure 5 18a montre la reconnaissance d un tat attendu Ici le brouilleur bascule de la r gulation de pression P7 C2 vers l tat o la r gulation n est pas active C1 En revanche la d tection d une d viation est repr sent e par le rejet non reconnaissance des observations qui fait basculer l automate d un tat attendu C1 vers la NIC comme le montre la Figure 5 18b P7 w 1 F10 L8 b 1 Normalized Values o I in 1 0 0 7 1 1 1 1 1 I 1 1 1 1 0 1 1 1 1 i O 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 QUANTITATIVE DESCRIPTORS Rent ro Sa all te Se O E E cs RETE _ STATE S pam Cf 60 80 400 420 140 160 180 200 220 240 260 260 300 a Suivi des tats attendus brouilleur en r gime normal P7 L8 F10 F3 i 40 500 520 540 560 580 600 620 640 660 680 700 720 740 760 780 809 Oo o oo
221. t dans un tableau associ apparaissent les v nements concernant chaque descripteur Un exemple de cet outil de dialogue est fourni par la Figure 4 8 L expert peut alors interpr ter et valider l information compos e par l ensemble des v nements d tect s Cette information pourra par la suite aider l expert dans une phase de diagnostic en orientant dans un premier temps son analyse vers le ou les descripteurs dont les variations caract risent le mieux le changement d tat observ 4 5 2 Pr sentation l utilisateur de l automate en ligne Pendant la phase d exploitation du syst me l op rateur peut visualiser l tat classe dans lequel se trouve le processus ainsi que les volutions des DAGs au fur et mesure que les observations arrivent D s qu un changement d tat se produit transition suite l occurrence d un v nement les attributs qui ont eu une variation importante entre une classe et une autre sont affich s Cette variation est d finie partir d un seuil fixe choisi l avance Ainsi l op rateur peut suivre l volution du proc d selon les changements des variables Au niveau de notre outil SALSA un code couleur a t mis en place pour distinguer les classes des tats ceci correspondant la fonction h d observation cit e pr c demment 8 4 2 Dans l exemple de la Figure 4 8 nous illustrons une s quence d v nements qui produit des changements d tat avec des transitions licites
222. t des aspects tels que le type et la quantit d attributs dans l espace de description le r glage des param tres de la m thode de classification s lectionn e le type d apprentissage dirig ou non selon les connaissances a priori sur les situations caract ris es par les observations ou m me leurs appartenances ces situations Une fois le classificateur construit le suivi des situations attendues identifi comme tant la phase de reconnaissance vise associer toute nouvelle observation l une des classes d termin es Il est vident que l tape du suivi repose essentiellement sur le r sultat de la phase d apprentissage ce qui pose le probl me de l exhaustivit et de la validit du mod le de comportement En effet e il est fort probable que toutes les classes ne soient pas connues a priori l expert peut avoir une certaine connaissance sur quelques situations repr sent es par certaines observations de l ensemble d apprentissage mais il peut s av rer difficile d en identifier d autres 54 Chapitre 3 Identification des tats fonctionnels pour la surveillance e il est possible que les classes ne soient pas correctement repr sent es par les observations disponibles initialement e il se peut que pour certaines situations possibles l acquisition des donn es soit difficile il s agit souvent de situations critiques qui ne se produisent pas fr quemment Dans ces conditions rien ne permet d assurer l
223. table de proc der hors ligne un auto apprentissage qui traite plusieurs fois l ensemble de donn es jusqu ce qu une proportion d finie comme acceptable d l ments ait chang de classe entre deux it rations 3 3 2 Analyse du pouvoir d extrapolation Pour tester les performances du classificateur et valider ses capacit s de g n ralisation l utilisation d autres ensembles de donn es dans le m me espace de description est souhaitable De la m me fa on que pour la reconnaissance de l ensemble d apprentissage la reconnaissance des individus de test doit permettre l expert d accepter des individus non reconnus Il est souhaitable que parmi les observations de test ne se trouvent pas des situations non apprises pendant la phase d apprentissage cependant dans l ventualit d une telle pr sence il vaut mieux permettre le rejet des observations qui n ont pas une appartenance aux classes sup rieure au DAG Degr d Ad quation Global de la NIC Non_Informative Class Les observations qui ont t assign es la NIC peuvent tre utilis es par la suite pour la cr ation des nouvelles classes ou pour faire voluer les classes d j existantes en mode apprentissage supervis actif 3 3 3 Interpr tation du profil des classes Le profil de chaque classe est repr sent par la moyenne calcul e des valeurs normalis es des descripteurs quantitatifs et pour les qualitatifs par la fr quence d apparition de chaque modal
224. te dans le g n rateur de vapeur ce O FR 7 C va KI Environment oof P4 Cooling TEPPET Figure 5 13 Sch ma g n ral de l installation Tableau 5 6 Caract ristiques des capteurs et actionneurs Point symbole Descriptif Unit s Rang operation Niveau du receveur L 0 420 200 T2 Temp rature d eau du receveur c 0 100 37 Q4 Puissance de chauffage Kw 0 60 15 Temp rature de l eau dans bouilleur_ c 0 200 16 _ Temp rature de la vapeur dans bouilleur c 0 200 vi Vanne commande continue 0 100 V2 Vanne commande continue 0 100 V12 Vanne command e trois voies c Temp rature ambiante V3 V4 V5 Vannes de d charge tout ou rien ni L c w a D bit de la vapeur en sortie du bouilleur 0 100 m 10 En r gime normal d op ration la pression P7 dans le bouilleur est r gul e par un contr leur tout ou rien qui agit sur la r sistance chauffante pour maintenir la 104 Chapitre 5 Applications industrielles de l outil SALSA pression entre 0 2 bars du point d op ration De m me le niveau L8 d eau est r gul entre 3 litres du point d op ration en agissant sur la pompe P1 Le niveau d eau dans le condenseur est maintenu entre 0 5 litres du point de consigne travers des vannes de d charge V3 V4 V5 tant donn que l installation comprend 4 sous syst mes nous avons lab
225. tection d une d viation Dans ce cas une caract risation de la d viation sympt me est r alis e par un nouvel apprentissage hors ligne prenant en compte les l ments rejet s pr c demment A nouveau c est l op rateur qui d cide si la repr sentation obtenue de l apprentissage est significative et doit tre ajout e au mod le de r f rence pour le compl ter Diff rents exemples ont permis d illustrer la mise en place de la strat gie propos e en utilisant la m thode LAMDA Finalement nous avons pr sent la structure de fonctionnement de l outil SALSA Cet outil a t con u comme une interface home machine pour assister l op rateur humain dans le suivi du comportement du proc d ainsi que dans la d tection et le diagnostic de d faillances Jusque l nous avons identifi les diff rents tats fonctionnels du proc d surveill et d tect des d viations repr sentant d ventuelles d faillances Notre objectif par la suite est de construire un mod le des tats fonctionnels repr sent sous forme d automate De cette fa on nous aurons une repr sentation discr te d un proc d continu et la possibilit de suivre les volutions du proc d partir des changements d tats Ceci fait l objet du chapitre suivant 74 Chapitre 3 Identification des tats fonctionnels pour la surveillance Chapitre 4 4 CONSTRUCTION D UN AUTOMATE POUR LA SURVEILLANCE L AIDE DE LA CLASSIFICATION 4 1 Introduc
226. tification des situations et la d tection Figure 2 2 Mesures de distance pour le regroupement BAB98 Figure 2 3 Classification par Discriminants Lin aires Donn es Iris MIC94 Figure 2 4 Exemple d un arbre de d cision Figure 2 5 Sch ma g n ral d un neurone 19 21 22 26 31 35 36 38 Figure 2 6 Fonctions d activation les plus utilis es a fonction seuil b fonction lin aire c fonction sigmo de d fonction gaussienne Figure 2 7 R seaux avec apprentissage par retro propagation Figure 2 8 Affectation d un individu une classe 38 39 42 Figure 2 9 Partition de l espace de description selon les fonctions DAM pour le cas quantitatif Figure 2 10 Algorithme g n ral de LAMDA Figure 3 1 Choix de l intervalle pour la normalisation d un descripteur quantitatif Figure 3 2 Exemples de classification pour diff rentes valeurs d exigence 44 46 56 60 vi Liste des figures Figure 3 3 Figure 3 4 Figure 3 5 Figure 3 6 Figure 3 7 Figure 3 8 Figure 3 9 Figure 3 10 Figure 3 11 Figure 3 12 Figure 4 1 Figure 4 2 Figure 4 3 Figure 4 4 Figure 4 5 Figure 4 6 Figure 4 7 Figure 4 8 Figure 4 9 Figure 4 10 Figure 5 1 Figure 5 2 Figure 5 3 Figure 5 4 Figure 5 5 Figure 5 6 Figure 5 7 Figure 5 8 Figure 5 9 Figure 5 10 Figure 5 11 Figure 5 12 Figure 5 13 Zones de rejet d ambiguit et de distance Reconnaissance apr s une classification av
227. tion Le but de ce chapitre est de compl ter l identification de l tat fonctionnel dans lequel se trouve le processus en pr sentant l expert la s quence d volution des tats d op ration du proc d Un des objectifs de notre travail est de mettre en place partir des r sultats de la classification un mod le des tats fonctionnels et des transitions entre ces tats Ce mod le peut tre consid r comme un mod le dynamique qui d crit les volutions possibles des tats fonctionnels du proc d Pour l laboration de ce mod le tats discrets nous devons d une part d terminer les tats et d autre part identifier les transitions entre tats Pour illustrer la m thode de construction de l automate nous nous sommes appuy e sur un exemple dont les r sultats seront d taill s dans le chapitre 5 4 2 Rappels sur les machines tats finis Nous avons introduit le concept d tat de fonctionnement pour repr senter une situation dans laquelle se trouve un processus ou syst me dynamique Ce concept fait appel une structure dynamique connue sous le nom de machine tat fini ou automate D un point de vue formel un automate est form par trois ensembles d nombrables finis appel s alphabets U X Y et deux fonctions 76 Chapitre 4 Identification d un automate pour la surveillance f XxU gt X 30 h X gt Y 31 La fonction f est appel e fonction de transition d tat et la fonction h
228. tion puisqu elle s appuie sur les sch mas d taill s du syst me 14 Chapitre 1 Supervision et aide la d cision des syst mes complexes L utilisation des tableaux d AMDE C des fins de diagnostic industriel conduit utiliser une proc dure d ductive c est dire utiliser ces tableaux comme un outil d identification des causes de d faillances partir des effets observ s ZWI95 La mod lisation des relations cause effet r alis e par l AMDEC rend cette d marche tr s puissante pour la r solution des probl mes de diagnostic de d faillances de proc d s industriels L AMDE est donc tr s r pandue dans des nombreux domaines industriels l a ronautique en particulier pourtant elle est lourde et insuffisante En effet il est n cessaire d identifier a priori les d fauts et ou les dysfonctionnements pouvant appara tre un certain moment dans le syst me supervis le recensement pr alable des d faillances et leurs relations ventuelles ne peut jamais tre exhaustif et requiert en g n ral une longue exp rience En plus toute modification ou volution du syst me n cessite une r criture du tableau Enfin cette m thode ne peut traiter les cas de d faillances multiples et int grer l aspect fonctionnel e Arbres de D faillances ou Arbres de Causes L arbre de d faillance est l un des outils majeurs d analyse du risque technologique d velopp au d but des ann es 1960 aux Etats Unis VIL88
229. tistiques ou de clustering l algorithme n a pas besoin de garder l ensemble des donn es mais uniquement les param tres des classes LAMDA traite chaque l ment de fa on ind pendante Ceci veut dire que au moins dans la phase d apprentissage LAMDA est plus rapide et sa complexit de calcul est moindre Par contre un inconv nient possible de ceci est la d pendance l ordre dans lequel les donn es sont fournies en mode d auto apprentissage Cependant pour le type de proc d s industriels auxquels nous nous int ressons ce dernier point n est pas un obstacle dans la mesure o les donn es que nous consid rons sont des mesures r alis es en ligne et donc selon un ordre chronologique Finalement LAMDA permet de combiner l auto apprentissage avec l apprentissage dirig c est dire qu il est possible de reajuster les param tres des classes et donc de les faire voluer au fur et mesure que des nouveaux l ments sont pr sent s Ceci admet l utilisation de plusieurs jeux de donn es pour la caract risation des tats fonctionnels du processus permettant ainsi d avoir un mod le de r f rence plus complet 50 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification Tableau 2 1 R capitulatif des principales caract ristiques des m thodes de classification Discriminant Clustering Arbres de D cision RNA ear K Voisin LAMDA Lineaire DES GK moyennes CA
230. tive Descriptors a Descripteurs quantitatifs valeur finale T3 EpAct 02 EpAct Descriptors Modalities 12 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 Active Qualitative Descriptors Individuals View Quantitative Descriptors b Descripteurs qualitatifs pisode courant Figure 5 9 Ensemble d apprentissage pisodes 100 Chapitre 5 Applications industrielles de l outil SALSA Comme dans le cas des donn es brutes pour l laboration du mod le de r f rence un auto apprentissage a t r alis En ce qui concerne le r glage des param tres de LAMDA la meilleure partition a t obtenue en choisissant la fonction gaussienne quation 17 pour le calcul des DAM pour les descripteurs quantitatifs la famille du produit comme op rateur d agr gation pour le DAG avec un indice d exigence 1 La Figure 5 10 illustre la classification r sultante o 6 classes ont t g n r es Les descripteurs apparaissent dans l ordre suivant CO2 EpAct CO2 ValF O2 EpAct O2 ValF T1 EpAct T1 ValF T2 EpAct T2 ValF T3 EpAct T3 ValF 5 4 4 ss 3 ss 2 tebe eee eee ee 2 gQnen ene ne 1 42 ss pepepepe 0 Tiat 1 1 1 1 1 1 1 I I 1 1 I 1 1 1 1 1 j 1 1 1 1 1 112 4 6 8B 10 12 14 18 18 20 2 24 28 ow 201 er Se Se 40 42 44 46 45 50 52 54 656 Se Individuals a Classes g n r es par l auto apprentissage Current Classification 1 0 0 9
231. tribut donn des individus Le n ud initial s appelle racine Deux ou plus branches peuvent tre issues d un n ud selon si la d cision prendre est de type binaire ou non Les n uds interm diaires sont des n uds de d cision Les n uds terminaux se nomment feuilles et c est l que la d cision est prise pour affecter un individu une classe existante Les conditions principales pour l extraction des connaissances partir de la construction d arbres de d cision sont les suivantes e les classes auxquelles les individus sont assign s doivent tre tablies l avance e une quantit suffisante d exemples individus repr sentatifs des classes est n cessaire e pour chaque n ud de d cision l attribut appropri doit tre choisi rouge A bleu Oo n ud O B lt 45 B245 B gt 8 1 B lt 8 1 C vrai faux n ud feuille ze Figure 2 4 Exemple d un arbre de d cision L algorithme ID3 et son successeur C4 5 de J R Quinlan QUI86 et l algorithme CART Classification And Regression Tree DUDO1 sont les algorithmes les plus connus d arbres de d cision Le crit re d valuation dans l algorithme ID3 est le choix d un attribut examiner chaque noeud de d cision Le but est de choisir dans tout l espace de repr sentation l attribut qui s pare le mieux les individus de l ensemble d apprentissage Pour choisir quel attribut est le plus appropri c est dire celui avec la distribution de c
232. type d volution peut aussi tre visualis par les volutions des ad quations globales des observations aux diff rentes classes Enfin dans un cadre de supervision l automate peut apporter l op rateur des informations pour d cider des actions de reconfiguration L automate en effet fourni non seulement l tat de fonctionnement dans lequel se trouve le processus mais aussi des informations correspondantes aux descripteurs les plus impliqu s dans les transitions observ es Dans le futur il appara t donc int ressant de d finir des processus de pronostic et de reconfiguration en s appuyant sur le mod le des tats fonctionnels que nous avons d velopp Compte tenu du contexte dans lequel nous avons travaill la supervision de proc d s chimiques et p trochimiques ces processus de pronostic et de reconfiguration devront tre pens s dans un objectif d aide la d cision Enfin nous avons jusqu pr sent lud les probl mes dus l ventuelle pr sence d actions volontaires de commande li es des v nements de transition Des travaux futurs sur cet aspect pourraient tre amorc s et b n ficier des r sultats sur la commandabilit des syst mes v nements discrets Les probl mes relatifs l instrumentation pour la supervision et plus particuli rement au placement des capteurs sont galement des perspectives d riv es de notre travail Actuellement des travaux de th se orient s en ce sens ORA05
233. ues des classes 1 1 1 0 0 3 0 8 0 7 0 6 0 5 0 4 0 3 0 2 0 1 0 0 01 1 1 1 1 1 1 I 1 1 1 1 1 1 1 1 1 1 1 1 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 Active Quantitative Descriptors Individuals a espace de description avec 4 attributs Value 3 ae SaaS SST wo ty wo wm 2 m m 3 1 eg ees O 1 1 1 1 1 1 1 1 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 b classes impos s par l expert l ments ayant chang de classe 1 FSS SS SSS SSS l ments rejet s 0 1 U 1 1 1 I I 1 1 1 L 1 1 I 1 L 1 10 2 30 40 Oo 70 80 90 100 110 120 130 140 150 0 180 190 200 c reconnaissance avec rejet Figure 3 4 Reconnaissance apr s une classification avec apprentissage dirig Chapitre 3 Identification des tats fonctionnels pour la surveillance 63 Dans le cas d un auto apprentissage la reconnaissance de l ensemble d observations utilis es pour la cr ation des classes permet l expert de valider si les observations ont t affect es dans la m me classe que celle de la phase d apprentissage L affectation d une observation une classe diff rente peut se produire cause de la mise jour et de la cr ation de classes r alis es de mani re s quentielle En effet une observation peut avoir une appartenance plus grande une classe cr e que celle laquelle elle a t associ e Il est donc souhai
234. ues pour la cr ation de sympt mes et partir de ces sympt mes de faire du diagnostic c est dire d affecter les sympt mes aux d faillances en utilisant des techniques de classification ainsi que des m thodes d inf rence En ce qui concerne le cas des proc d s chimiques complexes Ruiz et al RUIO1 ont d velopp un syst me d aide pour le diagnostic de d faillances en combinant une m thode de reconnaissance de formes les r seaux de neurones RN avec un syst me a base de connaissances SBC construit a partir de r gles floues Le RN utilise les donn es historiques ainsi que les donn es issues d un simulateur construit avec un mod le du proc d pour apprendre les situations normales et anormales Le SBC lui est construit avec un mod le HAZOP du processus et les connaissances de l expert Les Chapitre 1 Supervision et aide la d cision des syst mes complexes 21 sorties du RN qui donnent des informations sur les fautes possibles sont utilis es comme des entr es pour le SBC Aujourd hui les statistiques industrielles estiment que le co t conomique des situations anormales est autour des 20 milliards d euros et ce seulement dans l industrie p trochimique NIM95 De ce fait plusieurs initiatives de collaboration entre les industriels et les communaut s de recherche scientifique visent aux d veloppements d outils pour am liorer la supervision des unit s complexes Une de ces initiatives est le Pr
235. ui causent les transitions Ces derniers peuvent tre des actions externes bien identifi es comme des actions de contr le d arr t ou de d marrage de certains sous syst mes ou des v nements dont l occurrence est propre au fonctionnement normal ou anormal Nous traitons ici indirectement ces deux cas en ne consid rant pas des informations externes aux donn es comme par exemple un signal du conducteur du proc d L information dont nous disposons dans cette approche est fournie par l outil SALSA sous forme de changements d tectables dans les valeurs quantitatives ou qualitatives des descripteurs lorsqu il y a un changement de classe Nous cherchons donc d celer des diff rences significatives entre les descripteurs de deux classes concern es par une transition Pour cela il est n cessaire d tablir un dialogue avec l expert sur les bases des profils des classes concern es Dans le cas de descripteurs quantitatifs nous avons tabli une s mantique simple caract risant les variations d tect es entre les descripteurs des classes selon 86 Chapitre 4 Identification d un automate pour la surveillance que ceux ci ont augment 1 diminu 4 ou sont rest s pratiquement inchang s Dans le cas de descripteurs qualitatifs l v nement marginal d tectable est un changement de modalit Dans la visualisation de l automate nous avons introduit la possibilit de s lectionner graphiquement une transition e
236. ur Tableau 5 11 Descripteurs pour le condenseur et le receveur DESCRIPTEUR TYPE VALEURS D1 V5com ActEp Qualitatif Modalit s lo hi D2 V5com PreEp Qualitatif Modalit s lo hi D3 V5com Fval Quantitatif Min O0 Max 1 D4 L18 ActEp Qualitatif Modalit s a f g h l 0 p r s low D5 L18 PreEp Qualitatif Modalit s a f g h l 0 p r s low D6 L18 Fval Quantitatif Min 4 Max 7 D7 L18 Slope Quantitatif Min 0 045 Max 0 03 D8 L1 ActEp Qualitatif Modalit s a f g h 0 p r s D9 L1 PreEp Qualitatif Modalit s a f g h l 0 p r s D10 L1 Fval Quantitatif Min 300 Max 360 D11 L1 Slope Quantitatif Min 0 7 Max 3 2 A partir des informations issues des pisodes l tiquetage des l ments a t fait en consid rant le descriptif du Tableau 5 12 La fuite du receveur est caract ris e par une d cente rapide tandis que la diminution du niveau du receveur due au Chapitre 5 Applications industrielles de l outil SALSA 113 d marrage de la pompe pour r guler le niveau du bouilleur est repr sent e par une d cente lente Tableau 5 12 Situations du condenseur et du receveur identifier par SALSA SITUATION CLASSE EPISODES VALEURS Op ration normale C1 V5com ActEp lo Aucune r gulation L18 ActEp p Li g Op ration normale C2 Li ActEp f Pompe P1 allum e r gulation L8 Op ration
237. ur le comportement du processus Dans la plupart des cas les dysfonctionnements du proc d produisent une tendance distinctive dans les signaux issus des capteurs Ces tendances peuvent tre employ es pour l identification des situations anormales dans le processus Ainsi une analyse appropri e des tendances du processus peut permettre de d tecter plus t t une d faillance 1 3 3 2 Analyse en Composantes Principales ACP L analyse en composantes principales ACP est une technique statistique multi variable Les techniques statistiques multi variables sont des outils puissants capables de comprimer des donn es et de r duire leur dimensionnalit de sorte que l information essentielle soit maintenue et plus facile a analyser que dans l ensemble original des donn es Ces techniques peuvent galement manipuler le bruit et la corr lation pour extraire l information efficacement La fonction principale de ce type de techniques est par le biais d une proc dure math matique de transformer un certain nombre de Variables corr l es en un ensemble plus petit de variables non corr l es L ACP est essentiellement bas e sur une d composition orthogonale de la matrice de covariance des variables du processus le long des directions qui expliquent la variation maximale des donn es c est dire que cette m thode recherche une projection des observations sur des axes orthogonaux De ce fait le premier axe contient la plus grande variation
238. ux Oz air CO vapeur d eau Le but de cette transformation est g n ralement de convertir le solide en un m lange gazeux La gaz ification se d crit du point de vue chimique comme une r action endothermique h t rog ne entre le carbone C contenu dans le solide et un gaz r actant qui peut tre la vapeur d eau H20 ou du dioxyde de carbone CO3 C H 0 CO H 37 C CO 2CO 38 Sur le plan industriel l objectif est de favoriser les r actions 37 et 38 qui vont produire le gaz combustible Pour ce faire il faut pr alablement apporter les l ments n cessaires ces deux r actions le charbon tr s concentr en carbone les r actants CO et H20 ainsi qu une quantit importante d nergie VANO3 La gaz ification permet d acc der des solutions techniques de production d lectricit fort rendement la fois pour les petites et moyennes puissances au moyen de la combustion des gaz dans des moteurs thermiques ou les grandes puissances avec l utilisation des turbines a gaz De plus lorsque la biomasse est concern e l enjeu nerg tique s ajoute un enjeu environnemental il s agit de la substitution des nergies fossiles et de la r duction des missions de gaz effet de serre Le gaz ifieur qui se trouve l UPC est un r acteur chimique qui produit de l hydrog ne partir de charbon ou de d chets de bois biomasse et de vapeur d eau gazog ne Un sch ma du gaz ifieur
239. vant comme une situation normale mais non pr sente lors de la phase d apprentissage ou bien comme une d faillance S il s agit d une d faillance alors les informations du profil de la classe peuvent tre utilis es pour ventuellement identifier les causes ou l origine de la d faillance Nous rappelons que notre objectif est d aider l expert dans son diagnostic et non de g n rer automatiquement un r sultat de diagnostic Dans l exemple de cette nouvelle situation Figure 3 10 l expert a identifi qu il s agit d une situation de d faillance et que selon les valeurs des descripteurs le probl me se trouve au niveau du descripteur h2 qui est anormalement petit Une fois que la nouvelle situation a t identifi e elle sera ajout e au mod le de r f rence pour le mettre jour afin de le compl ter et de continuer le suivi des tats attendus 3 5 L outil SALSA Pour mettre en oeuvre le syst me de surveillance partir des donn es et en utilisant la m thode de classification LAMDA il est n cessaire d tablir une interaction homme machine Cette interaction est faite au travers d une visualisation des r sultats obtenus par la classification de mani re ce que l expert puisse Valider ou non la partition propos e Brachman et Anand BRA96 insistent sur l importance d une interface claire et efficace entre la proc dure de d couverte cr ation des classes dans le cas d auto apprentissage et la validation par l
240. variables dont les variables sont mesur es selon diff rentes chelles une normalisation s av re n cessaire afin de comparer les individus Pour des ensembles de donn es trop importants en nombre cette technique peut devenir co teuse en temps pour k gt 1 puisque toutes les observations de l ensemble des donn es d apprentissage doivent tre enregistr es et examin es chaque nouvelle classification d un objet 2 3 3 Arbres de d cision et induction Les arbres de d cision sont des outils puissants et tr s r pandus pour la classification et la pr diction MIC94 Ce qui les rend attractif est le fait qu ils peuvent tre repr sent s comme des r gles Les r gles peuvent ais ment tre exprim es de fa on interpretable Dans des applications o l explication des causes ou des raisons d une d cision est cruciale les experts ont besoin d outils qui permettent de reconna tre et de valider les connaissances d couvertes issues des donn es dans le contexte du 36 Chapitre 2 Une strat gie pour la surveillance base de m thodes de classification diagnostic Il existe une vari t d algorithmes pour la construction des arbres de d cision qui offrent la qualit d interpr tation souhait e Les arbres de d cision sont des classificateurs avec une structure arborescente voir Figure 2 4 Ils r alisent une recherche top down de haut en bas Chaque n ud repr sente une d cision ou un test effectuer sur un at

THËSE - Le serveur des thèses en ligne de l`INSA de Toulouse

Contents

Download Pdf Manuals

Related Search

Related Contents

TH&Euml;SE - Le serveur des th&egrave;ses en ligne de l`INSA de Toulouse

Contents

Download Pdf Manuals

Related Search

Related Contents

THËSE - Le serveur des thèses en ligne de l`INSA de Toulouse