Diagnostic à base de modèle pour les systèmes à événements discrets

Télécharger le fichier pdf d’un mémoire de fin d’études

L’approche FDI

L’application de l’automatique dans un objectif de détection et de diagnostic est appa-rue dans les années 70 (Rosembrock, 1970). Plusieurs articles de synthèse sont disponibles, notamment (Gertler, 1998), (Isermann, 1997), et (Dubuisson, 2001).
Les modèles sont construits à partir des lois fondamentales (physiques. . . ), et sont décrits par des modèles analytiques. Le principe de détection consiste en la génération d’indicateurs de défauts, appelés résidus. Les systèmes embarqués font appel à des modèles aussi bien linéaires que non linéaires.
La surveillance comprend deux phases :
– le calcul des résidus
– l’évaluation des résidus
Les résidus représentent la diﬀérence entre le comportement réel du système et celui prédit par le modèle. Dans le cas nominal, la valeur du résidu est nulle et non nulle lors de la présence d’une défaillance. L’expression des résidus est obtenue a priori, comme une fonction des grandeurs observables (phase de calcul des résidus). Elle est ensuite évaluée en utilisant les mesures (phase d’évaluation des résidus). Une procédure de décision, prenant en compte les caractéristiques statistiques des bruits de mesure et les erreurs de modélisation est en général nécessaire pour évaluer les résidus, c’est-à-dire décider si l’écart par rapport à zéro est significatif.
La génération des résidus à partir des modèles analytiques fait l’objet de nombreuses études. Deux grandes approches se distinguent. La première consiste à surveiller les variables utilisées dans la description du système qui peuvent évoluer au cours du temps. Il s’agit des approches basées sur l’estimation des sorties et celle de l’espace de parité. L’autre approche consiste à estimer les paramètres structuraux du système. Ces paramètres sont généralement constants. Par exemple, dans les systèmes embarqués, les techniques de filtrage de Kalman sont largement employées. Le filtre de Kalman est un filtre récursif qui estime les paramètres structuraux ou de sorties d’un système à partir de mesures incomplètes et bruitées comme c’est généralement le cas dans les systèmes embarqués. Nous pouvons citer les travaux de (Li et Goodall, 2003; Li et Goodall, 2004; Mirabadi et al., 1998) pour le domaine ferroviaire, (Washington, 2000; de Freitas, 2002; Hutter et Dearden, 2003) pour le domaine aéronautique.
Une autre approche utilisant le filtre de Kalman est appelée “interacting multiple models”. Cette technique consiste à utiliser un banc de filtres de Kalman où chaque filtre représente un mode de fonctionnement du système. Cela permet d’estimer l’état du système sous une ré-duction significative du bruit. Une probabilité pour chaque modèle est calculée pour indiquer le mode courant (Zhang et Li, 1997; Roumeliotis et al., 1998; Hwang et al., 2003).
Le filtre de Kalman s’applique pour des systèmes linéaires. Or les systèmes actuels ne sont pas linéaires. Une variante du filtre de Kalman a été développée, appelée filtre de Kalman étendu, pour les systèmes non linéaires mais linéarisables localement. Nous retrouvons ce genre d’approche dans les systèmes aéronautiques (Chingiz et Fikret, 2005).
D’autres approches et notamment le filtrage particulaire ont été mises en place pour les systèmes non linéaires et non linéarisables. Elles sont basées sur des simulations et des techniques statistiques. Ces travaux sont repris dans le domaine ferroviaire (Li et Goodall, 2004; Li et al., 2007) et le domaine aéronautique (Verma et al., 2004; de Freitas, 2002; Hutter et Dearden, 2003). D’autres techniques, pouvant utiliser les filtres de Kalman, reconstruisent l’état du sys-tème représenté sous forme de représentation d’états. Il s’agit des observateurs d’états. Les travaux reposant sur des observateurs sont publiés dans (Venkateswaran et al., 2002; Jen-sen et Wisniewski, 2002; Steinbauer et Wotawa, 2005; Kashi et al., 2006) pour les domaines aéronautiques, et dans (Chang et al., 2000; Straky et al., 2002; Shraim et al., 2006) pour le domaine automobile. Lorsqu’il existe plusieurs modèles (de fautes et de bon fonctionnement), une fusion floue des observateurs peut être appliquée comme dans (Patton et al., 1998) pour le domaine ferroviaire. Nous retrouvons également un observateur basé sur l’apprentissage itératif pour les systèmes non linéaires comme les moteurs automobiles (Chen et Saif, 2003).
Pour la localisation, diﬀérents types de résidus sont générés : les résidus structurés et les résidus directionnels.
Les résidus structurés sont conçus pour que chaque résidu soit sensible à un sous-ensemble de fautes et insensible aux autres. Aussi, quand une faute survient, certains résidus répondent et d’autres restent à zéro : ceci constitue la signature de la faute. L’ensemble des signatures prédéfinies pour les diﬀérentes fautes à considérer constitue la matrice de signatures.
Les résidus directionnels sont conçus de telle sorte que, lorsqu’une faute survient, le vecteur de résidus soit confiné suivant une direction particulière de l’espace des résidus.
Notons qu’en pratique, l’objectif est de structurer ou d’orienter au mieux un ensemble de résidus en minimisant/maximisant la sensibilité des résidus par rapport à divers sous-ensembles de fautes. Par ailleurs, il est préférable de rendre les signatures de faute insensibles aux perturbations. Ainsi, cela revient à résoudre un problème d’optimisation global de ma-nière à construire des résidus sensibles aux défaillances de manière structurée, et robustes vis-à-vis des perturbations et incertitudes du modèle.
Il se peut également que les résidus soient corrélés entre eux. Pour remédier à ce problème, la méthode du maximum de vraisemblance généralisée est usuellement employée. Il s’agit d’une technique qui, sous l’hypothèse que les variables ont une distribution connue, permet d’estimer les paramètres d’un modèle (d’une équation ou d’un système, linéaire ou non) avec des restrictions sur des paramètres (cœﬃcients, matrices de variances ou covariances) ou non. Cette technique est également utilisée dans le domaine aéronautique (Gomez et al., 2000; Wu et Campion, 2004).

Les approches de diagnostic

Le point fort de cette approche, qui la distingue des autres, est qu’elle peut accomplir la détection et, dans une large mesure, la localisation de fautes en se fondant uniquement sur un modèle de bon fonctionnement du système, à l’exclusion de toute connaissance préalable sur les fautes ou les modes de défaillances. Les modèles de fautes ne sont pas nécessaires (pour le diagnostic purement fondé sur la cohérence, qui permet la localisation de fautes) mais ceux qui existent peuvent être eﬃcacement pris en compte (extension au diagnostic abductif, qui permet l’identification des fautes et l’explication des symptômes).

Conclusion

Le diagnostic à base de modèle pour les systèmes embarqués est très largement étudié dans la communauté de diagnostic. Nous n’avons pas voulu établir une liste exhaustive de toutes les approches qui existent mais plutôt d’en dégager le maximum d’information concer-nant le diagnostic à base de modèle pour les systèmes embarqués. Les approches à partir de filtre de Kalman, d’observateurs d’état et d’estimation de paramètres sont les plus cou-ramment étudiées. Les approches proposées apportent de très bon résultats mais nécessitent la connaissance du modèle du système à surveiller. Ce système correspond généralement à un ensemble particulier comme les systèmes de suspension, les pneus, les amortisseurs, les moteurs, capteurs, actionneurs. . . La connaissance du système est très précise. Elle permet de connaître par avance les défaillances qui peuvent apparaître sur ces systèmes. L’ensemble des approches considèrent comme acquis la connaissance des fautes. Néanmoins, l’approche à base de modèle nous permet de faire au moins de la détection si aucune connaissance sur les fautes est établie et notamment les approches par estimation paramétrique permettent de déterminer les variables du système qui sont en fautes.

L’approche à base de données

La complexité que l’on retrouve dans les systèmes surveillés que ce soit en aéronau-tique, dans le ferroviaire ou l’automobile, rend diﬃcile l’obtention de modèles. Il a donc été développé des techniques ne faisant pas appel à la connaissance des modèles mais se basant sur des données précédemment recueillies.
L’approche à base de données procède par apprentissage numérique et classification en exploitant les données existantes, à l’exclusion de toute forme de modélisation (analytique, symbolique ou autre) et peut aussi se fonder sur des techniques d’apprentissage et de classi-fication symboliques (apprentissage par similarité).
Ces approches permettent d’associer un ensemble de mesures (continues ou discrètes) ef-fectuées sur le système à des états de fonctionnement connus. Elles permettent d’avoir une relation d’un espace caractéristique vers un espace de décision, de façon à minimiser le risque de mauvaise classification. Une première technique est une technique classique de discrimi-nation basée sur les outils de la probabilité. Cette technique peut se montrer insuﬃsante car elle suppose une connaissance a priori de tous les états de fonctionnement et ne prend pas en compte l’évolution du système. D’autres techniques de discrimination reposent sur l’intel-ligence artificielle. Ces techniques ont l’avantage de ne pas se baser sur les connaissances a priori des états de fonctionnement mais plutôt sur une phase d’apprentissage. Les techniques de reconnaissance des formes par réseaux de neurones (Bishop, 1995; Ripley, 1996) et de reconnaissance des formes par la logique floue (Zadeh, 1965; Takagi et Sugeno, 1985; Yager et Filev, 1994) sont celles qui sont les plus utilisées.
Les réseaux de neurones sont des outils de l’intelligence artificielle, capables d’eﬀectuer entre autres des opérations de classification. Leur fonctionnement est inspiré par les prin-cipes de fonctionnement des neurones biologiques. Leur principal avantage par rapport aux autres outils est leur capacité d’apprentissage et de généralisation de leurs connaissances à des entrées inconnues. Le processus d’apprentissage est une phase très importante pour qu’une classification puisse se faire avec succès. Plusieurs types de réseaux de neurones et plusieurs algorithmes d’apprentissage existent dans la littérature. Une des qualités de ce type d’outil est son adéquation pour la mise au point de systèmes de surveillance modernes, capables de s’adapter à un système complexe avec reconfigurations multiples. L’expert humain joue un rôle très important dans ce type d’application. Toute la phase d’apprentissage supervisé du réseau de neurones dépend de son analyse des modes de fonctionnement du système. Chaque mode doit être caractérisé par un ensemble de données recueillies sur le système. A chaque mode est associé une expertise faite par l’expert. Cette association (ensemble de données – modes de fonctionnement) est apprise par le réseau de neurones. Après cette phase d’appren-tissage, le réseau de neurones associe les classes représentant les modes de fonctionnement aux formes d’entrée caractérisées par les données du système. Pour les systèmes embarqués, nous pouvons citer les travaux de (Sharkey et al., 2000; Bobi et al., 2001) pour le domaine ferro-viaire, (Chen et Lee, 2002) dans l’aéronautique, ou (Poulard, 1996; Jakubek et Strasser, 2002) pour le domaine automobile.
En plus de leur utilisation pour l’estimation de classes, les réseaux de neurones sont également largement utilisés pour l’estimation de paramètres. L’objectif est d’établir une estimation de paramètres afin de voir s’ils correspondent au bon fonctionnement du système (valeurs seuils. . . ). De nombreux travaux se basant sur ce type d’approche sont publiés, et notamment dans (Debiolles et al., 2004; A.Debiolles et al., 2006) pour le domaine ferroviaire, (Chen et Lee, 2002; Al-Malki et Gu, 2003; Fekih et al., 2006; Al-Malki et Gu, 2006; Fellouah et al., 2006) dans l’aéronautique, ou encore (Schwarte et Isermann, 2002; Kimmich et al., 2005; Nitsche et al., 2004; Capriglione et al., 2003; Capriglione et al., 2007) pour le domaine automobile.
En reconnaissance des formes par approche floue, les classes sont représentées par des sous-ensembles flous. Une fonction dite d’appartenance quantifie le degré d’appartenance entre les mesures et les classes. La mise en œuvre d’une méthode de classification floue implique deux étapes : la construction des fonctions d’appartenance et la définition des règles de décision. Dans les systèmes embarqués, nous pouvons citer les travaux de (Skarlatos et al., 2004) pour le domaine ferroviaire, (Ganguli, 2003; Yu et al., 2004) pour le domaine aéronautique et (Murphey, 2002; Boatas et al., 2000; Boatas, 2001; Crossman et al., 2003; Lu et al., 2003) pour le domaine automobile.

Conclusion

Là encore, nous n’avons pas voulu établir une liste exhaustive de toutes les approches à base de données pour le diagnostic embarqué. Nous avons essentiellement voulu avoir un aperçu général des méthodes employées. Notons que les réseaux de neurones restent l’ap-proche la plus employée même si d’autres approches comme la reconnaissance de forme par logique floue est également très utilisée. L’avantage de ces approches reste l’absence de mo-dèle du système qui n’est pas forcément connu. Elles ne nécessitent aucune connaissance du modèle du système. Les réseaux de neurones sont utilisés dans beaucoup de domaines et d’approches, notamment pour l’estimation de paramètres, l’estimation de classes. . . Les sys-tèmes considérés restent identiques à ceux des approches basées modèles c’est-à-dire moteurs, capteurs, actionneurs. . . Là encore, les auteurs ont connaissance des défaillances qui peuvent survenir dans le système. Néanmoins, ces approches permettent de détecter des défaillances sans en avoir une quelconque connaissance. Dans ce cas, lors de la phase d’apprentissage, le modèle est obtenu uniquement à partir des données de bon fonctionnement. Ce modèle sert de référence, ce qui permet à ces approches de déterminer par la suite si le système est dans le bon fonctionnement ou non. Cependant, le système surveillé reste limité à un système particulier.

Évolution des véhicules

L’industrie automobile a subi ces dernières années une véritable révolution avec l’introduc-tion massive des fonctions électroniques. Alors que ces évolutions technologiques étaient, au début, réservées aux véhicules haut de gamme, cette révolution touche maintenant l’ensemble des véhicules.

Pour le constructeur, cette évolution des technologies a été motivée par la mise sur le marché de véhicules oﬀrant des fonctionnalités de plus en plus sophistiquées en terme de sé-curité, de confort et autres. En outre, les normes actuelles de sécurité et de pollution sont très contraignantes et il impossible aux constructeurs de les satisfaire sans utiliser l’électronique. Ces systèmes électroniques sont appliqués à diﬀérents domaines comme :

– le contrôle moteur : injection de carburant, allumage électronique, régulation de ralenti, anti-pollution. . .

– le comportement routier : anti-bloquage de roues (ABS), suspensions actives, correc-teurs de trajectoires (ESP), anti-patinage,. . .

– la sécurité active : coussins gonflables de sécurité (airbag). . .

– le confort : climatisation, chauﬀage, régulation de vitesse, fermeture centralisée, anti-vol. . .

Les systèmes automobiles font aujourd’hui partie des systèmes appelés “mécatroniques”. Un système mécatronique est la combinaison synergique et systémique de la mécanique, de l’élec-tronique et de l’informatique temps réel. L’intérêt de ce domaine d’ingénierie interdisciplinaire est de concevoir des systèmes automatiques puissants et de permettre le contrôle de systèmes hybrides complexes.

L’ingénierie de tels systèmes mécatroniques nécessite la conception simultanée et pluri-disciplinaire de trois sous-systèmes (cf. figure 2.1) :

– une partie interface Homme/Machine (forme géométrique et dialogue du système à dominante ergonomique et esthétique),

– une partie commande (intelligence embarquée du système à dominante électronique et informatique temps réel),

– une partie opérative (squelette et muscle du système à dominante mécanique et élec-tromécanique).

La partie commande

La partie commande est constituée essentiellement de calculateurs (ou Electronic Control Units (ECU)). La fonction principale d’un calculateur est d’élaborer les signaux de commande des actionneurs à partir des signaux envoyés par les capteurs. Les calculateurs intègrent des fonctions complexes régissant les lois de commande du système afin de réaliser les fonction-nalités (en terme de confort, sécurité. . . ) exigées par les constructeurs.

Les calculateurs sont aussi dotés d’une fonction d’autodiagnostic dont le but est de dé-tecter, de mémoriser, de signaler et de récupérer des défauts de fonctionnement. La détection de ces défauts est réalisée par des moyens matériels et logiciels. Cela consiste à détecter des courts-circuits ou des circuits ouverts à ses bornes pour la détection matérielle ou alors à détecter des incohérences par dépassement de seuils ou par une incompatibilité de la valeur avec le mode de fonctionnement courant pour la détection logicielle. Ces défauts sont ensuite mémorisés et signalés par un voyant sur le tableau de bord pour les défauts les plus graves. Ils sont également récupérés par le garagiste par l’intermédiaire d’un outil de diagnostic.

Évolution des véhicules sont les codes défauts du véhicule.

La partie opérative

La partie opérative est principalement constituée par les actionneurs et les capteurs.

Les capteurs

Le rôle des capteurs est de fournir un signal électrique qui est l’image d’un paramètre physique du système. En ce qui nous concerne, les signaux électriques peuvent être logiques, analogiques, périodiques ou apériodiques. Typiquement, les capteurs qui sont utilisés dans le domaine automobile sont :

– des capteurs de type interrupteur/potentiomètre permettant à l’utilisateur d’émettre une commande (commande essuyage pare-brise) ou d’acquérir une mesure (jauge à carburant ou la position du papillon des gaz),

– de simples contacteurs pour détecter des fins de courses (fin d’essuyage du pare-brise),

– des capteurs de pression, et de température (température d’eau, d’air d’admission. . . ),

– ou encore des capteurs à eﬀets Hall (capteurs de vitesse),

– …

Les actionneurs

Les actionneurs les plus répandus sont les électrovannes et les moteurs électriques. Les signaux de commande provenant des entrées-sorties des calculateurs varient suivant le type d’actionneurs. Il peut s’agir de signal électrique continu ou d’un signal tout ou rien. . .

Architecture générale d’un réseau

La multiplication des fonctionnalités oﬀertes à bord conduisant à des faisceaux électriques d’une complexité extrême, l’introduction du bus multiplexé a été vue comme un moyen de simplifier l’architecture électrique et donc d’en augmenter la fiabilité. La figure 2.2) représente le câblage qu’il faudrait avoir si le multiplexage n’existait pas. Chaque capteur devrait être connecté aux calculateurs qui ont besoin de l’information fournie par ce capteur. Par exemple, la figure 2.3 présente l’évolution du câblage en terme de nombre de points de connexion et de longueur de câble dans un véhicule. Le bus de communication permet d’échanger l’ensemble des informations dont les calculateurs ont besoin par l’intermédiaire d’un seul câble.

Un bus multiplexé est un réseau de communication qui permet aux diﬀérents calculateurs de s’échanger des informations au travers des messages circulant sur celui-ci. Chaque informa-tion est véhiculée sur le bus à l’aide d’un message de format défini mais de longueur variable (et limitée). Dès que le bus est libre, n’importe quel nœud relié au réseau peut émettre un nouveau message (cf. figure 2.4). Ainsi, les calculateurs en s’échangeant des messages par l’intermédiaire du réseau de communication peuvent remplir les fonctionnalités demandées.

De ce fait, un véhicule automobile actuel se voit doté d’un équipement informatique distribué qui, par sa structure, se rapproche de la complexité d’un réseau local informatique équipant le système de gestion d’une PME : certains véhicules actuels comportent une centaine de calculateurs embarqués reliés par un bus CAN (Controller Area Network). Bien sûr, les fonctionnalités oﬀertes par cette informatique embarquée n’ont pas grand-chose à voir avec celles d’un réseau domestique, mais les aspects temps réel et sûreté de fonctionnement y sont particulièrement critiques, ce qui en augmente encore la complexité.

Composants Ci :

– Capteurs

– Actionneurs

Chez le constructeur, cette complexité grandissante remet en cause les processus de déve-loppement et, alors que les problèmes de maintenance et de service après vente n’étaient pas considérés comme des services prioritaires, il apparaît aujourd’hui clairement qu’ils doivent être pris en compte très en amont, et être complètement intégrés dans la chaîne de dévelop-pement.

Le diagnostic dans le domaine automobile

Les métiers de la maintenance automobile sont également aﬀectés en profondeur par cette mutation (figure 2.5). Dans les années soixante, le dépanneur pouvait intervenir sur un véhicule en panne en s’armant d’une simple caisse à outils. Actuellement, un équipement spécifique capable de se connecter au système informatique embarqué pour en extraire les informations disponibles est nécessaire pour envisager un diagnostic de l’état du véhicule. Les méthodes de diagnostic employées dans ces outils sont elles-mêmes à définir pour assurer couverture et précision maximales du diagnostic tout en maîtrisant les coûts et délais de conception et de maintenance de ces outils de diagnostic.

Les fautes/pannes dans le domaine automobile

L’électronique rend la voiture plus fiable dans la mesure où les systèmes de sécurité sont plus précis et plus performants mais rend diﬃcile la recherche de défaillances. Prenons comme exemple le cas d’une panne retrouvée chez un garagiste. Lorsque le moteur tournait et que la climatisation était enclenchée, l’appuie sur le bouton de commande du pulseur d’air provoquait un mouvement lent des essuie-vitres avant et arrière. Il s’agissait en fait d’un mauvais contact au niveau de la masse. Trouver la cause d’une défaillance devient très diﬃcile pour le garagiste.

En outre, une diﬃculté majeure rencontrée aujourd’hui est l’apparition des défaillances fugitives et intermittentes. Ce sont des défaillances qui apparaissent puis disparaissent (et par conséquent leurs symptômes également). Nous prendrons l’hypothèse, souvent vérifiée en réalité, que ces défaillances ne sont donc plus présentes lors du diagnostic en garage. Ce type de défaillances est très diﬃcile à diagnostiquer pour les garagistes dans la mesure où leurs moyens de diagnostic sont limités et ne sont plus adaptés aux défaillances actuelles.

Il existe plusieurs types de pannes :

– pannes électriques : elles sont essentiellement dues à des courts-circuits, des circuits ouverts ou des résistances parasites. . .

– pannes électroniques : fortement liées aux pannes électriques, ce sont toutes les pannes concernant les dispositifs électroniques (calculateurs, capteurs électroniques . . . ),

– pannes mécaniques : ce peut être des ruptures d’éléments, des frottements excessifs. . .

– pannes hydrauliques : il s’agit surtout des fuites. . .

Actuellement, ces types de pannes sont étudiés sur des sous-systèmes matériels spécifiques mais les systèmes électroniques dans le véhicule se multipliant, cela devient diﬃcile de trouver des approches permettant une détection et/ou un diagnostic spécifique à chaque sous-système du véhicule. En outre, l’évolution de l’électronique embarquée s’accompagne de l’apparition de nouvelles défaillances qui sont, par conséquent, inconnues du garagiste ou des constructeurs. Or, la plupart des approches de diagnostic se base sur un modèle physique du système, ce qui les rend diﬃcilement applicables. Par contre, les modèles fonctionnels, généralement distribués sur les diﬀérents calculateurs, sont toujours connus et sont souvent réutilisés d’un type de voiture à l’autre, ou sont semblables entre les diﬀérentes marques de véhicules.

Le diagnostic en garage

Pour le diagnostic des véhicules, diﬀérents types de connaissances sont utilisés par les garagistes. Ces connaissances peuvent être classées de deux façons : les connaissances propres aux véhicules et les diﬀérentes informations provenant du véhicule lui-même.

Les diﬀérentes sources de connaissances

Diﬀérentes sources de connaissances sont disponibles pour enrichir une méthode de diag-nostic. Ces sources de connaissances sont les suivantes :

Base d’incidents. Le garagiste a accès à une base des fiches des incidents connus. Chaque fiche incident mentionne les conditions d’applicabilité (modèle, type, motorisation, date de fabrication, options, etc.), des symptômes clients observables sur le véhicule, un diagnostic et un mode opératoire permettant de réparer le véhicule.

Modèles de bon fonctionnement. Le garagiste utilise des documents papier (ou infor-matique) lui donnant des connaissances sur le bon fonctionnement du système. Par exemple, les revues techniques mentionnent une valeur (souvent une mesure de résistance) pour tester si un composant est dans son état normal. Les principes de fonctionnement (fichier PDF) décrivent le comportement nominal d’un système.

Ensemble de fonctions. L’ensemble des fonctions est décrit par une décomposition de l’architecture du véhicule. Par exemple, nous distinguons les fonctions “Essuyage/Lavage”, “Climatisation”, “Signalisation”. . .

Réseau causal. Le réseau causal est un réseau sémantique permettant de relier les symp-tômes aux fonctions dont la défaillance peut être la cause de leur apparition.

Les diﬀérentes sources d’informations provenant du véhicule

En plus de ces connaissances provenant de sources extérieures, il existe d’autres sources d’informations en provenance du véhicule pour accomplir la tâche de diagnostic. Nous retrou-vons comme sources d’informations :

Description des symptômes/eﬀets client. La première source d’information en vue d’établir un diagnostic est la description par le client des eﬀets perceptibles de la faute sur le véhicule. Cette description est notée de manière textuelle dans une fiche remplie par le réceptionniste. Cette fiche est ensuite transmise au garagiste pour qu’il eﬀectue son diagnostic.

Contexte du véhicule. Le garagiste utilise le code VIN (Vehicle Identification Number) du véhicule et à travers un accès à la base de données “véhicule” du constructeur il récupère toutes les informations contextuelles sur ce véhicule (type, motorisation, options, date de fabrication, etc.) Codes défauts présents sur les calculateurs. Le garagiste utilise les codes défauts qui sont présents sur les calculateurs. Ces codes sont lus avec un outil de diagnostic.

Données issues d’un test de roulage. Si la description des symptômes présents sur le véhicule n’est pas claire ou si le garagiste veut tester un point complémentaire, il eﬀectue un test de roulage avec le véhicule de manière à aﬃner la description des symptômes per-ceptibles. De surcroît, si nous voulons obtenir plus d’information concernant des défaillances intermittentes, il est nécessaire d’eﬀectuer ce test de roulage. C’est pourquoi, embarquer un module de diagnostic pour faire des tests sur le véhicule est un moyen qui est de plus en plus envisagé. Si ce module était embarqué de façon permanente dans le véhicule, il fournirait de nombreuses informations utiles au garagiste pour son diagnostic. C’est ce qu’envisage de faire le projet DDP (Diagnostic Distribué et Préventif) que nous aborderons un peu plus loin (paragraphe 2.3.2.4).

Résultat Mesure. Le garagiste peut eﬀectuer la mesure d’une grandeur physique sur le véhicule (tension, résistance, pression, etc.)

Réparation. Ce sont les procédures à appliquer, associées aux fautes identifiées, pour ré-parer le véhicule.

Les moyens pour établir un diagnostic ont évolué ces dernières années mais ils ne per-mettent pas encore de résoudre tous les problèmes rencontrés dans une voiture. Notamment, pour les défaillances fugitives et intermittentes, peu de connaissances peuvent être utilisées :

– il n’existe pas ou peu de base d’incidents,

– les mesures ne permettent pas d’établir un diagnostic puisque par définition la dé-faillance n’est plus présente,

– le mode roulage est ponctuel. Il faut que la défaillance apparaisse durant cette phase,

En outre, toutes ces données sont utilisées de façon désordonnée sans réelle stratégie de diagnostic. Il convient donc de mettre en œuvre une méthode qui puisse prendre en compte un maximum d’information pour arriver à un diagnostic précis du système. Le diagnostic dans le domaine automobile pose ainsi une vraie problématique scientifique à laquelle se dédie le laboratoire commun AutoDiag qui réunit deux laboratoires toulousains, le LAAS-CNRS et l’IRIT, aux cotés de la société ACTIA (site web : http ://www.laas.fr/autodiag/).

Le projet MODE

Structure générale

Le cadre général du projet mené par le LAAS-CNRS conjointement avec l’IRIT et la Société ACTIA, porte sur le diagnostic dans le domaine appelé aujourd’hui la “mécatronique”. Son objectif est de réaliser une étude et le prototype d’un système de diagnostic utilisant tous les types de données accessibles. Ce système de diagnostic est nommé “MODE” (figure 2.3.1).

Face à la complexité croissante des véhicules et à la diversité des systèmes embarqués, il apparaît nécessaire de concevoir un système de diagnostic faisant collaborer plusieurs mé-thodes afin d’utiliser le maximum de connaissances disponibles sur le système et de maximiser le taux de couverture en terme de types de fautes pouvant apparaître sur ce système. Trois thèses ont été mises en place pour développer ces diﬀérentes méthodes.

Par ailleurs, lors de la conception d’un système de diagnostic industriel, un facteur clé de viabilité est le coût, qu’il soit de développement, de maintenance ou de génération des données de diagnostic nécessaires. Ainsi, afin de maximiser la couverture du diagnostic tout en minimisant les coûts, le système de diagnostic MODE utilise plusieurs types d’informations traitées par les méthodes adaptées et met en œuvre une stratégie de coopération de telle sorte que le rapport pertinence des données utilisées dans une méthode de diagnostic sur coût d’obtention des informations soit maximal.

Un tel système présente sans conteste de nombreux aspects innovants. D’une part, il s’agit de trouver, par une représentation pertinente des données, un équilibre dans la prise en compte et le traitement de tous les types et niveaux d’information disponibles sur le système à diagnostiquer. D’autre part, il s’agit de développer des techniques de diagnostic puissantes permettant de caractériser et de diagnostiquer des systèmes complexes, de manière robuste vis-à-vis de leur environnement et rendant possible un diagnostic en conditions d’utilisation habituelles. Enfin, il s’agit de développer une démarche méthodologique visant à la mise en place des algorithmes de diagnostic dans un contexte opérationnel prenant explicitement en compte la présence de l’utilisateur.

Les diﬀérents projets de recherche de MODE

Le projet OBIR : Ontology Based Information Retrieval

Afin d’aider un garagiste dans sa tâche de diagnostic, la thèse entreprise a pour ambition de concevoir un module de gestion de base d’expériences.

L’application consiste à rechercher dans une base d’expérience des fiches de réparation pertinentes pour une panne sur un véhicule donné : à partir de la description en langue naturelle des symptômes, l’outil doit retrouver un ensemble de fiches structurées traitant d’un problème similaire sur le même type de véhicule. Il a été choisi d’adapter des technologies du web sémantique dans ce cadre (domaine spécialisé, documents très structurés et utilisateur ayant une tâche de diagnostic à réaliser), à savoir de s’appuyer sur un modèle de connaissances (une ontologie) pour représenter le contenu des documents et y rechercher des informations.

Un simple moteur de recherche basé sur une indexation classique par mots-clés aurait pu suﬃre mais, en l’absence d’une modélisation des connaissances du diagnostic automobile, il aurait été impossible de raisonner sur les objets du domaine (e.g. la présence d’un symptôme peut entraîner celle d’un autre).

Les eﬀorts ont été concentrés sur la mise au point d’un mécanisme d’indexation concep-tuelle des fiches et d’une chaîne de traitement (notamment avec des outils de Traitement Automatique du Langage) visant à maintenir le modèle de connaissances lors de l’ajout de nouvelles fiches dans la base d’expérience.

Ce module exploite les fiches incidents disponibles pour chaque type de véhicule, et par conséquent, les symptômes/eﬀets clients, le contexte du véhicule, le réseau causal, et la répa-ration.

L’ensemble de ces travaux fait l’objet de publications (Reymonet et al., 2006; Reymonet et al., 2007a; Reymonet et al., 2007b).

Le projet MBR : Model Based Reasoning

Dans le domaine du diagnostic hors ligne, comme celui eﬀectué dans les garages dans le domaine de l’automobile, un problème essentiel est celui de la détermination de la séquence de tests et mesures aux points de contrôle, qui permettent de localiser la faute le plus rapidement possible et avec un coût minimal. Ce problème est connu sous le nom de Test Sequencing Problem.

La thèse de (Faure, 2001) (sous convention CIFRE avec ACTIA) a abouti à une méthode opérationnelle, appelée AGENDA (Automatic GENeration of DiAgnosis trees) de résolution du Test Sequencing Problem. La solution proposée génère la table des signatures des fautes à partir de modèles de fautes ensemblistes qui prennent en compte les tolérances de conception des composants. Un algorithme de recherche de type AO* associé à une heuristique permet de générer l’arbre de diagnostic optimal. Cette optimalité tient compte de coûts dynamiques pour les tests. En eﬀet, le coût d’un test doit être mis à jour au fur et à mesure des déposes qui sont eﬀectuées.

La suite du travail (Olive, 2003) (réalisé dans le cadre d’une autre convention CIFRE avec ACTIA) a consisté à étendre l’applicabilité d’AGENDA et à améliorer les performances de cette approche. Les concepts de modélisation d’AGENDA ont été étendus à des composants à plusieurs modes de fonctionnement.

Aujourd’hui, le module MBR est un module qui doit prendre en compte plusieurs domaines techniques et proposer diﬀérentes approches de diagnostic (hors ligne, interactif, en ligne).

Les axes développés sont les suivants :

– Élargissement du champ d’action de l’approche MBR par la prise en compte d’autres domaines que le domaine électrique (domaines mécaniques, thermiques, écoulement d’air, hydrauliques. . . ).

– Développement d’une stratégie de haut niveau (type fonctionnel) afin de réaliser du diagnostic (étape de localisation) au niveau d’une fonction complète.

Le travail porte donc sur l’élaboration d’une stratégie de raisonnement multi-modèles pour faire collaborer divers types de modèles, exploiter diﬀérents points de vue et gérer les redondances éventuelles. En eﬀet, selon les diﬀérentes parties du véhicule considérées, diﬀérents modèles sont disponibles (modèles mécaniques, modèles physiques. . . ) de même que la connaissance experte et le savoir-faire des ingénieurs de l’automobile.

Ce module prend en compte les symptômes/eﬀets client ainsi que les codes défauts des calculateurs, les ensembles de fonctions ou encore les résultats mesures et les modèles de bon fonctionnement. Il se focalise essentiellement sur des défaillances persistantes. L’ensemble de ces travaux fait l’objet de publications (Ressencourt et al., 2006; Resencourt, 2006).

Le projet RDF : Reconnaissance Des Formes

L’objectif de ce projet est de mettre au point un outil de diagnostic de pannes utilisant des techniques de reconnaissance des formes (cf. chapitre 1). Il vise donc à améliorer les capacités d’autodiagnostic des calculateurs en prenant en compte les corrélations entre paramètres.

Les objectifs de ce module sont triples :

– Pallier certaines limites des fonctions d’auto-diagnostic des calculateurs. En eﬀet, même si l’auto-diagnostic des calculateurs est de plus en plus évolué, de trop nombreuses pannes ne sont pas encore détectées ou le code défaut remonté par le calculateur est trop général pour permettre au garagiste de trouver l’origine de la panne.

– Diagnostiquer aussi bien des pannes d’origine électronique que mécanique. Un des prin-cipaux intérêts de ce module est de permettre l’isolation de panne d’origine mécanique dès que la panne influe sur une grandeur physique mesurée par un capteur.

– Réduire l’eﬀort de modélisation et d’expertise, car contrairement à d’autres méthodes de diagnostic, la RDF repose sur l’utilisation de techniques d’apprentissage automatique pour créer les modèles du véhicule. Ces modèles sont de ce fait beaucoup moins coûteux à élaborer que des modèles basés sur l’avis d’experts.

Le principe de fonctionnement repose sur la corrélation de paramètres. Ce projet consiste à surveiller des paramètres prédéfinis et à détecter (voire localiser si connues) des défaillances connues (ou inconnues si le système sort simplement du bon fonctionnement). Il se focalise sur un sous-système spécifique comme le moteur dont le modèle mathématique est diﬃcile à obtenir. Celui-ci sera donc créé par apprentissage lors de test de roulage.

Le projet DDP : Diagnostic Distribué Préventif

Un module de diagnostic préventif peut s’envisager en tant que système mis à disposition chez le garagiste et utilisé systématiquement lors du passage d’un véhicule au garage. Mais le diagnostic préventif prend cependant toute sa portée lorsqu’il s’inscrit dans le triangle véhicule, constructeur, garage et qu’il est envisagé au travers d’un système embarqué. A bord et en temps réel, la notion de gravité d’une situation anormale prend alors une importance particulière ; il faut être en eﬀet capable d’informer le conducteur de la nécessité se rendre rapidement au garage, voire d’actionner automatiquement un coupe-circuit pour isoler un organe non vital défaillant. La présence à bord du système de diagnostic permet aussi de détecter et d’isoler lorsqu’elles sont présentes les défaillances fugitives ou intermittentes et d’enregistrer le contexte d’apparition des défaillances. La surveillance de paramètres continus pour faire de la détection n’est pas le sujet de ce module. Cet aspect est très largement couvert dans la littérature relative au diagnostic (cf. chapitre 1) et est abordé dans AUTODIAG par le module de diagnostic par reconnaissances des formes (paragraphe 2.3.2.3).

Le cas des défaillances persistantes fait déjà l’objet de travaux complexes dans le projet MBR (paragraphe 2.3.2.2). Pour des défaillances intermittentes, et donc lorsqu’elle ne sont plus présentes lors du diagnostic en garage, il est très diﬃcile voire impossible pour le garagiste de localiser la défaillance ou d’en déterminer la cause. Les seules informations qu’il possède, sont les symptômes/eﬀets client, les codes défauts des calculateurs quand il y en a, les modèles, et les fiches d’incident.

Il faut savoir que les codes défauts des calculateurs ne sont générés que par le calculateur et ne concernent que l’état de ses bornes ou des dépassements de seuil et violation de contraintes lors la surveillance de paramètres. Ces paramètres sont peu nombreux et ne concernent que des fonctions critiques. Tout le problème est de détecter une défaillance car un code défaut est associé à un seul capteur ou actionneur.

Les fiches d’incident peuvent être utiles si la défaillance est déjà apparue et qu’un diag-nostic a été établi.

Les mesures qui sont finalement le moyen de diagnostic le plus utilisé dans le projet MBR sont souvent inutiles pour des défaillances intermittentes.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela chatpfe.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Amatières
Introduction
1 Problématique et contexte 5
1.1 Concepts généraux
1.2 Les approches de diagnostic
1.2.1 L’approche basée connaissances
1.2.2 L’approche à base de modèles
1.2.2.1 L’approche DX
1.2.2.2 L’approche FDI
1.2.2.3 Conclusion
1.2.3 L’approche à base de données
1.2.3.1 Conclusion
1.3 Conclusion
2 Contexte automobile
2.1 Évolution des véhicules
2.1.1 La partie commande
2.1.2 La partie opérative
2.1.2.1 Les capteurs
2.1.2.2 Les actionneurs
2.1.3 Architecture générale d’un réseau
2.2 Le diagnostic dans le domaine automobile
2.2.1 Les fautes/pannes dans le domaine automobile
2.2.2 Le diagnostic en garage
2.2.2.1 Les différentes sources de connaissances
2.2.2.2 Les différentes sources d’informations provenant du véhicule
2.3 Le projet MODE
2.3.1 Structure générale
2.3.2 Les différents projets de recherche de MODE
2.3.2.1 Le projet OBIR : Ontology Based Information Retrieval
2.3.2.2 Le projet MBR : Model Based Reasoning
2.3.2.3 Le projet RDF : Reconnaissance Des Formes
2.3.2.4 Le projet DDP : Diagnostic Distribué Préventif
2.3.3 Conclusion
3 Diagnostic à base de modèle pour les systèmes à événements discrets
3.1 Approches de diagnostic à base de modèles de bon comportement
3.2 Approches de diagnostic à base de modèles de fautes
3.3 Diagnostic des défaillances intermittentes
3.4 Synthèse et contribution de notre travail dans le diagnostic des SED
4 Détection et diagnostic de fautes intermittentes
4.1 Le modèle de bon comportement
4.1.1 Modèle global des fonctions
4.1.1.1 Les fonctions
4.1.1.2 Les différents formalismes utilisés
4.1.1.3 Représentation de la fonction
4.1.2 Projection du modèle sur les observables
4.1.2.1 Mécanisme d’abstraction
4.1.3 Aspects temporels
4.2 Surveillance et détection
4.2.1 Détection des fautes intermittentes et fugitives
4.2.1.1 Définitions
4.2.1.2 Principe de détection
4.3 Réinitialisation
4.4 conclusion
5 Approche par glissement de fenêtre
5.1 Longueur de fenêtre
5.1.1 Détermination de la longueur de la séquence à partir du marquage
5.1.1.1 Cas d’une seule trajectoire
5.1.1.2 Cas de plusieurs trajectoires à partir d’un même marquage
5.1.1.3 Généralisation à plusieurs trajectoires
5.1.2 Détermination en ligne de la longueur à conserver
5.2 Principe de localisation
5.2.1 Insertion d’un événement
5.2.2 Absence d’un événement
5.3 Conclusion
6 Approche diagnostiqueur : les automates
6.1 Modèles de Classe de Fautes
6.1.1 Le modèle
6.1.2 Exemple
6.2 Modèles incluant des défaillances génériques
6.2.1 Modèle pour l’absence d’événement
6.2.2 Modèle pour l’insertion d’événement
6.2.3 Exemple
6.3 Produit synchronisé des modèles
6.3.1 Rappels
6.3.2 Les modèles synchronisés
6.3.3 Exemple
6.4 Les Diagnostiqueurs
6.4.1 Absence d’un événement : construction de Γ− Diag
6.4.2 Insertion d’un événement : construction de Γ+ Diag
6.4.3 Exemple
6.4.3.1 Diagnostiqueur absence :
6.4.3.2 Diagnostiqueur insertion :
6.5 Conclusion
7 Approche diagnostiqueur : les réseaux de Petri
7.1 Modèles de Classe de Fautes
7.1.1 Le modèle
7.1.2 Exemple
7.2 Modèles incluant des défaillances génériques
7.2.1 Modèle pour l’absence d’événement
7.2.2 Modèle pour l’insertion d’événement
7.2.3 Exemple
7.3 Synchronisation des modèles
7.3.1 La synchronisation des modèles
7.3.2 Exemple
7.4 Les Diagnostiqueurs
7.4.1 Algorithme de Karp et Miller
7.4.2 Absence d’un événement
7.4.2.1 Principe
7.4.2.2 Formalisation
7.4.3 Insertion d’un événement
7.4.3.1 Principe
7.4.3.2 Formalisation
7.4.4 Exemple
7.4.4.1 Diagnostiqueur absence
7.4.4.2 Diagnostiqueur insertion
7.5 Conclusion
8 Application de l’approche diagnostiqueur au domaine automobile
8.1 Application
8.1.1 Le banc de test
8.1.2 Le diagnostic dans les véhicules de transport
8.1.3 Une fonction : la fonction d’accès rampe pour handicapés
8.2 Applications développées
8.2.1 Structure générale
8.2.2 L’application Roméo
8.2.3 L’application DDP
8.2.4 Construction des différents modèles
8.3 Scenarii de fautes
8.3.1 Limite du diagnostic des véhicules de transport
8.3.2 Détection et localisation de base
8.3.2.1 Défaut sur le capteur de rentrée de la rampe
8.3.3 Localisation à partir du diagnostiqueur
8.3.3.1 Défaut sur le capteur de rentrée de la rampe
8.3.3.2 Défaut sur le capteur de sortie de la rampe
8.3.3.3 Limitations
8.4 Conclusion
Bibliographie