Intelligent case-based reasoning approach for online diagnosis of automated production systems
Approche intelligente à base de raisonnement à partir de cas pour le diagnostic en ligne des systèmes automatisés de production
Résumé
Automated Production Systems (APS) represent an important class of industrial systems.
They have become complex and susceptible to malfunctions, with significant negative
consequences on productivity, production quality and security of property and
people. The main challenge when using such systems is to implement systemic assistance
or diagnosis approaches in order to ensure their operating safety. Within this framework,
we focus, in this thesis, on the online diagnosis of the APS equipped with sensors and
actuators emitting binary signals. These systems can be considered as ‘Discrete Event
Systems’ (DES).
The effectiveness of an approach for diagnosing such systems is measured through good
detection rate, isolation accuracy, false alarms number and the method implementation
complexity. The objective of this work is, thus, to propose intelligent diagnosis solutions
satisfying the mentioned criteria without complete knowledge about the system’s internal
functioning. The solutions, whose implementation is not expensive, are able to update
themselves in real time in order to improve their performance.
The introduced approach is based on a reasoning and learning methodology derived
from ‘Artificial Intelligence’ (AI) which is the ‘Case Based Reasoning’ (CBR). The originality
of our research work is observed in the following 4 aspects : (1) the developed
approach uses the CBR for the diagnosis of the APS with DES dynamics, (2) it suggests
a case representation format inspired by the ‘Causal Temporal Signatures’ (CTS) which
is able to adapt to the dynamic aspect of the systems to be monitored, (3) it exploits
data acquired from a digital twin after its emulation in both normal and faulty modes
to build an empirical knowledge called ’cases’ and finally (4) it presents a reasoning and
learning phase that allows not only the online diagnosis of the monitored system, but also
the updating of the case base following the appearance of the new unknown behaviors.
Les systèmes automatisés de production (SAP) représentent une classe importante de
systèmes industriels qui sont devenus complexes et sensibles aux dysfonctionnements avec
des conséquences importantes sur la productivité, la qualité de production et la sécurité
des biens et des personnes. Un défi majeur est de mettre en oeuvre des approches systématiques
d’aide ou de diagnostic afin de garantir la sûreté de fonctionnement. Cette thèse
s’intéresse donc au diagnostic en ligne des comportements indésirables des SAP ayant des
capteurs et des actionneurs délivrant des signaux binaires et dont la dynamique correspond
à celle des systèmes à évènements discrets (SED).
L’efficacité d’une approche de diagnostic au service de ce type de systèmes se mesure à
travers le taux de bonne détection de fautes, la précision d’isolation, le nombre de fausses
alarmes et la complexité de mise en oeuvre de l’approche. L’objectif de ce travail est donc
de concevoir des solutions de diagnostic intelligentes qui satisfont les critères mentionnés
sans requérir la connaissance complète du fonctionnement interne du système, capables
de se mettre à jour en temps réel pour améliorer les performances et ayant un faible coût
de mise en oeuvre.
L’approche proposée dans cette thèse est basée sur le Raisonnement à Partir de Cas
(RàPC) qui est à la fois une méthodologie de raisonnement par analogie et une méthodologie
d’apprentissage issue du domaine de l’intelligence artificielle. L’originalité des travaux
réside en finalité dans les quatre items suivants : (1) l’approche proposée utilise le RàPC
pour le diagnostic des SAP ayant une dynamique de type SED, (2) elle propose un format
de représentation de cas inspiré du formalisme Signatures Temporelles Causales qui
s’adapte à l’aspect dynamique des systèmes à surveiller, (3) elle introduit une phase qui
couplent simulation et mise en forme de données pour la transformation des données issues
du système simulé après son émulation en mode normal et défaillant, et (4) elle présente
une phase de raisonnement et d’apprentissage qui permet non seulement le diagnostic en
ligne du système surveillé mais aussi la mise à jour de la base de cas suite à l’apparition
de nouveaux comportements inconnus.