12 mars 2015
Utilisation des données de traçabilité unitaire et des connaissances expertes pour le développement d'une approche d'analyse causale des non-qualités produits
présentation (pdf)
Thierno M.L. Diallo, Sébastien Henry, Yacine Ouzrout
DISP, Université de Lyon
Les travaux présentés portent sur l’exploitation des données de traçabilité unitaire (produit et process) pour le développement d’un système de diagnostic. Le but est de trouver les causes racines d’un défaut produit constaté à partir des données de traçabilité historisées. Nous avons développé un modèle bayésien permettant de représenter les relations causales entre défauts produit et paramètres process. Dans cette présentation, nous exposerons le contexte industriel dans lequel s’inscrivent ses travaux et le modèle bayésien (réseaux et paramètres) proposé. Pour la définition du réseau, nous avons proposé un algorithme de construction hybride basé sur l’expertise et les données. En général, l’apprentissage des réseaux bayésiens à partir des données est un problème NP difficile. L’algorithme proposé permet de réduire la complexité du problème d’apprentissage grâce à l’intégration des connaissances expertes. Des études comparatives sur des données synthétiques ont montré qu’il est plus efficace en termes de capacité à reconstruire le vrai réseau comparé à des algorithmes de l’état de l’art.
Towards reducing unsncheduled equipment breakdowns in the Semicodncutor Industry (SI) using Bayesian Approach
présentation (pdf)
Muhammad Kashif Shazad, Eric Zamaï
G-scop, INPG
The unscheduled equipment breakdown has emerged as one of the key challenges for advanced and fully automated production lines like Semiconductor Industry (SI). This has direct impact on production capacities as well as their sustainability. The maintenance strategies can play a pivotal role in improving and sustaining production capacities; however, emergence of new drifting equipment behaviour often results in the occurence of unknown failures as well as misdiagnosis. Consequently, unscheduled equipment breakdown durations and number of maintenance actions are increasing. Our research is focused on shifting the SI from corrective and preventive maintenance towards predictive and proactive maintenance, using Bayesian approach. The use of Bayesian approach is well suited in this scebario as it is capable to model experts' knowledge and causality between variables. Inorder to support smooth transition towards predictive maintenance, we have proposed integrated failure-cause diagnosis methodology using data collected from product, process, equipment and maintenance. Traditionally, FDC sensor signals are used in predictive maintenance (using CBM: Condition based Monitoring); however, we believe that emerging characteristics of noise and signal bias in the SI only adds to unschedule breakdowns. Therefore, we have used contextual data to help us in accurately diagnosing failures and causes during unknown failures, using Bayesian approach. The results are quite convincing with BN modesl prediction accuracy. The research in this domain is still ongoing where we are taking into account paren-child relation of the equipment modules for more accurate diagnosis. It is not only the accurate failure-cause prediction that will help in reducing unscheduled breakdowwns but the effectiveness of the execution of maintenance procedures. The success here depends on the human factor which is one of the most difficult part to model. However, we have proposed bayesian based methodology to provide feedback to maintenance technicians/engineers on potential consequences of the poor execution of maintenance procedure tasks. In this methodology, we have extended traditional FMEA approach by adding maintenance actions' fullfilment criteria. The FMEA is a qualitative well known method used to model experts' knowledge and in maintenance it is used to design maintenance procedures upon potential failures on an equipment. The said approach also signals the emergence of new knowledge through unsupervised BN model learned from the data. The structural difference in the BN models from data and experts' knowledge (FMEA) is provided to an expert for examination and subsequent amendments in FMEA files and associated maintenance procedures. The above efforts are part of smooth transition towards predictive maintenance. The predictive maintenance is objectively focused on optimizing maintenance actions by predicting a potential failure to occur. It allows the occurence of potential failures as an acceptable phenomenon whereas proactive maintenance focuses on avoiding the occurence of failure by diagnosing and addressing its causes. In order to move towards proactive maintenance, we need to predict well in future as which failure, when will it happen and what are the causes? This prediction well before time can provide us an opportunity to treat the causes to avoid a failure occurence. This effort could easily result in over-engineering; therefore, significant attention is required. We have proposed Bayesian based methodology with a heuristic to address the which question with significant results. This research is being extended to answer why and what questions to assess its robustness and potential implementation in realtime. In this research, we primarily use the contextual data; however, to answer when and what questions, FDC sensors data is complemented with contextual dataset for accuracy and robustoness.
Méthodologie pour les études d’automatisation et la génération automatique de programmes Automates Programmables Industriels (API) sûrs de fonctionnement : Application aux Equipements d’Alimentation des Lignes Electrifiées (EALE)
présentation (pdf)
Raphaël Coupat, Alexandre Philippot, Bernard Riera
CRESTIC, Université de Reims Champagne-Ardenne
Le projet de recherche présenté dans cette thèse a été réalisé avec la collaboration de la Direction de l’Ingénierie SNCF et le CReSTIC de l’Université de Reims Champagne-Ardenne (URCA). L’objectif de ce projet est de contribuer à l’amélioration des études de conception du contrôle/commande des projets d’électrification menées par les chargés d’études. Ce projet doit répondre à des objectifs humains, économiques et techniques exprimés par la SNCF, notamment appliqués au domaine des Equipements d’Alimentation des Lignes Electrifiées (EALE). Pour répondre à ces problématiques, une méthodologie pour les études d’automatisation est proposée. Elle intègre deux axes de recherche. Le premier axe est la génération automatique de livrables (codes, documents, schémas…). Celle-ci repose nécessairement sur une standardisation et une modélisation du « métier ». L’approche MDD (Model Driven Development) du génie logiciel et l’approche DSM (Domain Specific Modeling), apporte des éléments de solution reposant sur l’utilisation de « templates métiers ». Toutefois, il est fondamental de générer des livrables de qualité et du code API (Automates Programmables Industriels) sûr de fonctionnement. Le second axe de recherche s’intéresse à la commande sûre de fonctionnement. Trois approches de synthèse de la commande (la Supervisory Control Theory (SCT), la synthèse algébrique, la commande par contraintes logiques) permettant a priori de répondre à ces objectifs de sûreté sont présentées et discutées. La commande par contraintes logiques présente l’avantage majeur de séparer la sécurité (qui est vérifiée formellement hors ligne par model-checking) et le fonctionnel, et de pouvoir être utilisée avec des programmes API existants, ne remettant pas ainsi en cause la méthodologie de travail des chargés d’études.
Ce travail a permis de lisser la charge mentale des chargés d’études lors des projets d’électrification par l’utilisation d’un outil informatique aujourd’hui utilisé par la SNCF.
Approche compositionnelle basée sur les langages probabilistes pour l’évaluation quantitative des séquences d’événements en sûreté de fonctionnement
presentation (pdf)
Dorina Ionescu, Nicolae Brînzei, Jean-François Pétin
CRAN, Université de Lorraine
Dans les études de sûreté de fonctionnement des systèmes dynamiques et en particulier des systèmes de contrôle-commande, il est nécessaire d’évaluer la probabilité d’occurrence des séquences d’événements qui décrivent les évolutions critiques de ces systèmes. Dans ces travaux, on utilise les langages probabilistes pour réaliser l’évaluation quantitative de ces séquences. Premièrement, le système à étudier est modélisé par un automate à états finis. L’automate à états finis est ultérieurement transformé dans un automate probabiliste (p-automate) en utilisant la technique des chaînes de Markov à temps discret immergée dans un processus stochastique continu. La détermination formelle des sous-langages associés à chaque état du p-automate (sous-ensembles de séquences amenant le système depuis l’état initial dans chacun de ses états) permet de calculer leur probabilité d’occurrence et, aussi, la probabilité d’occurrence des séquences d’événements extraites de ces sous-langages. Un coût peut également être associé à l’occurrence de chaque événement de la séquence, mais aussi aux différents états de séjour intermédiaires du système entre l’occurrence de deux événements successifs appartenant à la séquence. Il devient ainsi possible d’évaluer le coût de réalisation ou la criticité des séquences présentant un intérêt particulier dans les études de sûreté de fonctionnement. Enfin, l’utilisation d’opérations sur les langages permet de proposer une approche modulaire compositionnelle pour des systèmes ayant de multiples modes de défaillance et/ou possédant de multiples stratégies de reconfiguration ou de maintenance (réparation parfaite ou imparfaite).
L’approche développée est appliquée à un système de contrôle-commande de la température d’un four.