Reunion du GT S3 18 juin 2014 Optimisation des politiques de maintenance prévisionnelle par l’utilisation de réseaux bayésiens dynamiques J.Foulliaron*, L.Bouillaut*, P.Aknin* ‡ , A.Barros** * IFSTTAR/GRETTIA - Groupe Diagnostic & Maintenance ‡ SNCF - Innovation & Recherche ** UTT - Université de Technologies de Troyes, Institut Charles Delaunay www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 1 Plan de la présentation 1) Cadre de travail - Contexte, problématique - Les différentes approches pronostic - Présentation des RB et RBD 2) Construction du modèle de maintenance - Le Modèle de dégradation - Modèles graphiques de durée - Lois de temps de séjour conditionnelles - Modèle VirMaLaB 3) L’algorithme de pronostic proposé et son intégration - Algorithme - Représentation - Intégration dans le modèle VirMaLaB 4) Calcul d’inférence - Objectifs - Méthodes existantes - Méthodologie utilisée 5) Application - Simulation d’une base de données et apprentissage - Exemple de résultats 6) Conclusions et perspectives www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 2 1. Cadre de travail 1.1 Contexte et problématique (1) • Systèmes de transports de plus en plus complexes (multi composants) • Les industriels font un compromis entre maintenance corrective et systématique • Normes de sécurité à respecter Contraintes de fiabilité • Augmentation du nombre d’usager Augmentation de l’offre (fréquence, ..) Augmentation de la sollicitation du matériel et de l’infrastructure Volonté d’optimiser la logistique Nécessité d’optimiser les Nécéssité d’optimiser les paramètres de maintenance pour paramètres diminution de desmaintenance plages de temps de travaux Nécessité d’anticiper les actions de maintenance à venir Besoin de faire de la maintenance prévisionnelle (MPP) www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 3 1. Cadre de travail 1.1 Contexte et problématique (2) MPP : Principe de base • Organiser les actions de maintenance en fonction d’une prévision de l’évolution de l’état du système (pronostic) Evolution de l’état du système Etats de dégradation But d’un calcul de pronostic : OK Default 1 Estimer la durée en fonctionnement avant défaillance (RUL) : Temps restant avant que le système atteigne un état considéré comme “inacceptable” Default N temps Panne t=3 t=10 t=14 Instant de panne réel (inconnu) www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 4 1. Cadre de travail 1.2 Les différentes approches de pronostic D’après la classification de Byngton : 3 approches principales Approche Contexte Particularités Approche basée sur les modèles Modèle analytique décrivant la dégradation - Prédictions très précises - Rarement disponibles en pratique - Modèle parfois difficile à valider Approche basée sur les données Indicateurs dynamiques « en ligne » sur l’état de santé, espace d’états en général continu - Utilise des techniques de prévision (extrapolation de tendances) - Ne cherche pas à identifier les raisons de la dynamique observée Approche basée sur la fiabilité Base de données REX, avis d’experts, historique d’observations - Utilise des modèles probabilistes: Processus stochastiques (Gamma), ou MGP (réseaux neuronaux, réseaux de Pétri, RBD) - Nécessite beaucoup de données pour apprentissage - Pas d’aspects dynamiques www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 5 1. Cadre de travail 1.2 Approche pronostic (2) Dans notre contexte: • Aucun modèle mécanique de dégradation disponible • On dispose de bases d’observations • On considère un système à espace d’états discret. • Observation périodique de l’état du système avec un risque éventuel d’erreurs Approche pronostic basée sur la fiabilité et les données • Développer un modèle intégrant : la maintenance, la dynamique d’un système multicomposants, le diagnostic, les coûts, pour optimiser les paramètres de maintenance en fonction d’indicateurs de fiabilités Modèle basé sur les réseaux bayésiens dynamiques (RBD) www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 6 1. Cadre de travail 1.3.1 Les réseaux bayésiens Principe: • Représenter la loi jointe en utilisant les relations d’indépendance conditionnelle Ils sont basés sur : • La théorie des graphes (description qualitative) La théorie des probabilités ( description quantitative) • Chaque nœud est une variable aléatoire représentant l’état d’une des variables du système • Les flèches représentent des relations de dépendance entre les variables • Les paramètres de chaque nœuds sont les tables de probabilité conditionnelles (TPC) de la variable nœud sachant les variables des nœuds parents www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 7 1. Cadre de travail 1.3.2 Les réseaux bayésiens dynamique • Chaque variable est un processus stochastique Exemple de RBD d’ordre 1 Modèle initial Modèle de transition www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 8 1. Cadre de travail 1.3.3 Avantages des RBD • Les systèmes complexes dynamiques peuvent être facilement et intuitivement représentés • Les bases de données REX peuvent être facilement utilisées pour apprendre les paramètres du modèle • De nombreux algorithmes d’inférence sont disponibles • Il a été prouvé qu’ils sont facilement utilisables pour effectuer des études de fiabilité www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 9 2. Construction du modèle de maintenance 2.1 Modélisation de la dégradation (1) • L’état du système est décrit par une variable aléatoire discrète à temps discret • L’état suit un processus monotone croissant • L’état de panne est absorbant (pas d’autoréparation) • Dans ce contexte : • Approche par temps de séjour : notés Etats de dégradation Evolution de l’état du système Une distribution de temps de séjour temps Instant de panne réel (inconnu) Institut français des sciences et technologies des transports, de l’aménagement et des réseaux www.ifsttar.fr 10 2. Construction du modèle de dégradation 2.1 Modélisation de la dégradation (2) Cas markovien : Soit Soit le temps de séjour passé à l’état i : Problème : Le temps de séjour suit une loi géométrique www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 11 2. Construction du modèle de dégradation 2.2 Modèle graphique de durée On introduit un nœud de TSJ Temps de séjour restant à l’instant t+1 Distribution de temps de séjour à l’état Approche semiMarkovienne www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 12 2. Construction du modèle de dégradation 2.2 Modèle graphique de durée (2) Base REX Obs TSJ etat 1 TSJ etat 2 TSJ etat3 1 22 15 6 2 15 18 10 3 10 15 7 .. .. .. .. n 31 23 12 Probabilité distribution Probabilité Probabilité distribution distribution www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 13 2. Construction du modèle de dégradation 2.3 Loi de TSJ conditionnelles (1) Les lois des accroissements ne dépendent que de t Etats Evolution de la dégradation IDP Xt2+ t- Xt2 IDP Xt1+ t- Xt1 temps Cas discret • Les distributions de temps de séjour sont indépendants (IDP) t1 t1+ t t2 t2+ t Cas continu fréquent en fiabilité • Problème : Les accroissements sont stationnaires et IDP www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 14 2. Construction du modèle de dégradation 2.3 Loi de TSJ conditionnelles (2) Probabilité distribution Idée principale: Identifier des modes de dégradation actifs et leur associer des Lois de TSJ conditionnelles La variance est un mélange de : - Plusieurs modes de dégradations - Perturbations extérieures TSJ Un phénomène perturbateur s’exerce au cours du temps sans interruption et influe sur les distribution du future TSJ etat 1 O1 O2 TSJ etat 2 S2/O1 S2/O2 TSJ etat 3 S3/O1 S3/O2 Institut français des sciences et technologies des transports, de l’aménagement et des réseaux Objectif Suivre les effets d’une perturbation au cours du temps www.ifsttar.fr 15 2. Construction du modèle de dégradation Attribution par proba a posteriori algo EM 2.3 Loi de TSJ conditionnelles (3) Etat initial : Par algorithme EM Obs TSJ etat 1 1 22 2 Probabilité Loi de TSJ : état initial Obs mode 1 Obs mode 2 15 i1 i1 3 10 i2 i2 .. .. i3 i3 n 31 i4 i4 Mode 1 Mode 2 TSJ Etats suivants : Par EMV Probabilité Probabilité Mode 1 S2 /mode 1 Mode 2 S2 / mode 2 Lois de TSJ état 2 Mode 1 TSJ S3 /mode 1 Mode 2 S3 / mode 2 TSJ Lois de TSJ état 3 www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 16 2. Construction du modèle de dégradation 2.4 Loi de TSJ conditionnelles (4) Mode de dégradation actif à l’instant t+1 Probabilités a posteriori données par l’algorithme EM www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 17 2. Construction du modèle de dégradation 2.5 Modèle VirMaLaB Modèle VirMaLaB : ( Atelier Virtuel de maintenance ) Pronostic RUL(t) www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 18 3. L’algorithme de pronostic et son intégration 3.1 Présentation du cadre Contexte : Système périodiquement observé et à états discrets et finis Objectif : Calculer une estimation de la RUL à chaque instant soit: - Calculer une première estimation de la RUL - Mettre à jour la RUL Evolution de l’état du système Etats de dégradation temps Diag t=3 Diag t=7 Diag t=14 Instant de panne réel (inconnu) www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 19 3. L’algorithme de pronostic et son intégration 3.1 Présentation du cadre (2) : Temps restant à l’état courant : Temps de séjour à l’état i : Temps écoulé à l’état courant : Intervalle de temps depuis la dernière observation : Temps de séjour maximal possible à l’état i www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 20 3. L’algorithme de pronostic et son intégration 3.1 L’algorithme proposé : Initialisation : Loi de TSJ apprise pour l’état i : Somme des TSJ estimés dans les états suivants : Temps de séjour possible maximal possible à l’état i passé futur .. Initialisation Instant de démarrage t=0 www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 21 3. L’algorithme de pronostic et son intégration 3.2 L’algorithme proposé : Mise à jour (1) Si pas de transition observée Si l’on observe une transition vers l’état suivant X Hypothèse : Le temps de séjour dans chaque état est au moins de 1 unité de temps Institut français des sciences et technologies des transports, de l’aménagement et des réseaux X www.ifsttar.fr 22 3. L’algorithme de pronostic et son intégration 3.2 L’algorithme proposé : Mise à jour (2) Cas d’une transition avec saut de plusieurs état Nb d’états manqués entre les deux observations Mise à jour du temps restant dans l’état observé www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 23 3. L’algorithme de pronostic et son intégration 3.1 L’algorithme proposé : mise à jour (3) Mise à jour de l’estimation de la RUL .. Dernière observation Variante possible : Remplacer les tirages aléatoires par des tirages de moyenne Institut français des sciences et technologies des transports, de l’aménagement et des réseaux www.ifsttar.fr 24 3. L’algorithme de pronostic et son intégration 3.3 Modification intégrant les lois de TSJ conditionnelles • Touts les tirages de TSJ se font selon les lois conditionnelles sachant le mode considéré comme actif A chaque nouvelle observation, le mode actif est réévalué en fonction de la dernière estimation la plus proche du TSJ passé. Probabilité Si le mode actif a changé Tous les TSJ ultérieurs qui composent réévalués sont n1 n2 Max (n1,n2) Mode 1 Mode 2 TSJ dernier état Nouveau mode actif Dernière Estimation du TSJ passé dans l’état précédent www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 25 3. L’algorithme de pronostic et son intégration 3.4 Représentation par RBD Nœuds propres à l’algorithme de pronostic Nœuds de diagnostic d’entrée issus du modèle VirMaLaB Nœuds permettant d’intégrer les lois de TSJ conditionnelles Nœud de sortie du module : estimation de la RUL Les variables de travail de l’algorithme sont chacune représentées par un nœud Vers un nœud de décision de maintenance www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 26 3. L’algorithme de pronostic et son intégration 3.4 Intégration au modèle VirMaLaB Pronostic (t+1) Relier le pronostic a la maintenance pour modéliser les politiques de maintenance prévisionnelles www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 27 4. Calculs d’inférence 4.1 Objectifs But: Calculer n’importe quelle probabilité conditionnelle portant sur les nœuds du RBD Exemples : - Indicateurs de fiabilité - Intervalle de confiance d’une prédiction de RUL égale Evénement : tomber en panne à l’instant t+ +k à l’instant t Sachant tous les diagnostics observés jusqu’à l’instant t , et la RUL calculée Probabilité que l’erreur de prédiction soit inférieur à www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 28 4. Calculs d’inférence 4.2 Méthodes existantes 2 Principales approches: - Méthode d’inférence approchées Approche Monte - Carlo - Méthode d’inférence exacte - Beaucoup de simulations à faire - Probabilités approchées Algorithme d’élimination de variables Exploitation de la propriété de Markov d’ordre 1 dans les RBD Algorithme d’interface -Calculs pouvant être très lourds -Dépendent de la taille de l’interface et de la nature du graphe du réseau www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 29 4. Calculs d’inférence 4.3 Problème posés • Taille de l’interface très grande (8 nœuds) • Nécessité de réduire la complexité de la procédure de mise à jour • Méthode temporaire: Diviser de l’interface en sous blocs semiindépendants www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 30 5. Application 5.1 Simulation des données d’apprentissage - Composant à 4 états (1, 2,3,4) - Intervalle ∆t constant entre 2 diag = 5 mois - 10 000 observations dans la base de données simulée obs Loi de TSJ Etat 1 : mode 1 : mode 2 : Etat 2 mode 1 : mode 2 : Etat 3 : mode 1 : mode 2 : ( ( ( ( ( ( Tirage de TSJ (s1,s2,s3) D’où on tire des instants de transition (t1-2, t2-3, t3-4) = 15, = 2) = 33, = 6) = 10, = 6) = 25, = 9) = 5, = 6) = 15, = 15) obs T=0 T=5 T=10 T=15 T=20 T=25 T=30 .. Obs 1 1 1 1 2 2 3 4 4 Obs 2 1 1 1 2 3 4 4 4 Obs 3 1 1 1 1 2 2 3 4 Obs .. .. .. .. .. .. .. .. .. T1-2 T2-3 T3-4 Obs 1 11 23.158 27.66 Obs 2 14 16.52 23.70 Obs 3 20 29.21 34.74 Obs .. .. .. .. Conversion en base d’observation discrète» www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 31 5. Application 5.2 Apprentissage des lois de TSJ www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 32 5 Application 5.3 : Exemples de résultats Cas 1 : Observation générée par le mode 1 etat1->etat2 Mode 2 Mode1 etat2->etat3 Cas 2 : Observation générée par le mode 2 etat1->etat2 Mode 1 Mode 2 etat2->etat3 www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 33 6. Conclusions et perspectives • Un algorithme pronostic pour les systèmes à états discrets a été proposé • Calculs de pronostic dynamiques effectués à partir de lois de temps de séjour • La qualité des prédictions dépend de la variance des distributions de TSJ apprises • Cette variance peut être dans certains cas réduite en utilisant les lois TSJ conditionnelles • Intégration d’un RBD spécifique Problèmes et perspectives • Calculs d’inférence exacte encore très lourds qui obligent à manipuler des lois de TSJ dont la borne maximale n’excède pas 70 unité de temps • Etude sur la possibilité d’exploiter la nature semi déterministe des nœuds en utilisant un format de stockage creux pour réduire la complexité des calculs. • Utiliser des modèles continus • Finaliser le modèle en reliant la RUL pour piloter la maintenance. www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 34 Merci de votre attention Remerciements: Ces travaux font partie du projet DIADEM ANR -13 -TDMO -04 financé par l’ANR IFSTTAR-GRETTIA 14-20 Bld. Newton Cité Descartes Champs sur Marne 77447 Marne-la-Vallée Cedex 2 France Ph +33 (0)1 81 66 89 63 www.ifsttar.fr [email protected] [email protected] [email protected] [email protected] www.ifsttar.fr Institut français des sciences et technologies des transports, de l’aménagement et des réseaux 35