35
Institut français des sciences et technologies des transports, de l’aménagement et des réseaux www.ifstt ar.fr 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 Reunion du GT S3 18 juin 2014 1

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux Optimisation des politiques de maintenance

Embed Size (px)

Citation preview

Page 1: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 1

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

Reunion du GT S3 18 juin 2014

Page 2: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 2

Plan de la présentation

1) Cadre de travail - Contexte, problématique - Les différentes approches pronostic - Présentation des RB et RBD2) Construction du modèle de maintenance - Le Modèle de dégradation - Modèles graphiques de durée - Lois de temps de séjour conditionnelles - Modèle VirMaLaB3) 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 résultats6) Conclusions et perspectives

Page 3: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 3

Nécessité d’anticiper les actions de maintenance à venir

1. Cadre de travail

• Systèmes de transports de plus en plus complexes (multi composants)

• Augmentation du nombre d’usager

• Normes de sécurité à respecter Contraintes de fiabilité

Augmentation de la sollicitation du matériel et de l’infrastructure

Volonté d’optimiser la logistique

Augmentation de l’offre (fréquence, ..)

Nécéssité d’optimiser les paramètres de maintenance

Nécessité d’optimiser les paramètres de maintenance pour diminution des plages de temps

de travaux

Besoin de faire de la maintenance prévisionnelle (MPP)

1.1 Contexte et problématique (1)

• Les industriels font un compromis entre maintenance corrective et systématique

Page 4: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 4

1. Cadre de travail

Estimer la durée en fonctionnement avant défaillance (RUL) : Temps restant avant que le système atteigne un état considéré comme “inacceptable”

MPP : Principe de base

• Organiser les actions de maintenance en fonction d’une prévision de l’évolution de l’état du système (pronostic)

But d’un calcul de pronostic :

t=3 t=14 t=10

temps

Instant de panne réel (inconnu)

OK

Default 1

Panne

Evolution de l’état du systèmeEtats de dégradation

Default N

1.1 Contexte et problématique (2)

Page 5: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 5

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

1. Cadre de travail

1.2 Les différentes approches de pronostic

Page 6: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 6

Dans notre contexte:

• Aucun modèle mécanique de dégradation disponible

• 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

Modèle basé sur les réseaux bayésiens dynamiques (RBD)

• On dispose de bases d’observations

1. Cadre de travail

1.2 Approche pronostic (2)

• Développer un modèle intégrant : la maintenance, la dynamique d’un système multi- composants, le diagnostic, les coûts, pour optimiser les paramètres de maintenance en fonction d’indicateurs de fiabilités

Page 7: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 7

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

1. Cadre de travail

1.3.1 Les réseaux bayésiens

Principe:

• Représenter la loi jointe en utilisant les relations d’indépendance conditionnelle

Page 8: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 8

• Chaque variable est un processus stochastique

Modèle initial Modèle de transition

Exemple de RBD d’ordre 1

1. Cadre de travail

1.3.2 Les réseaux bayésiens dynamique

Page 9: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 9

• 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

• Il a été prouvé qu’ils sont facilement utilisables pour effectuer des études de fiabilité

• De nombreux algorithmes d’inférence sont disponibles

1. Cadre de travail

1.3.3 Avantages des RBD

Page 10: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 10

2. Construction du modèle de maintenance

• 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

Une distribution de temps de séjour

temps

Instant de panne réel (inconnu)

Evolution de l’état du système

Etats de dégradation

2.1 Modélisation de la dégradation (1)

Page 11: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 11

2. Construction du modèle de dégradation

Problème : Le temps de séjour suit une loi géométrique

2.1 Modélisation de la dégradation (2)

Soit le temps de séjour passé à l’état i :

Cas markovien : Soit

Page 12: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 12

2. Construction du modèle de dégradation

Temps de séjour restant à l’instant t+1On introduit un nœud de TSJ

2.2 Modèle graphique de durée

Approche semi-Markovienne

Distribution de temps de séjour à l’état

Page 13: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 13

Probabilité distributionObs 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 distribution

2. Construction du modèle de dégradation

2.2 Modèle graphique de durée (2)

Probabilité

Base REX

Page 14: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 14

Etats

temps

IDP

Cas discret Cas continu fréquent en fiabilité

t1 t1+t t2 t2+t

Xt2+t- Xt2

Xt1+t- Xt1

IDP

Evolution de la dégradation

Les lois des accroissements ne dépendent que de t

• Les distributions de temps de séjour sont indépendants (IDP)

• Problème : Les accroissements sont stationnaires et IDP

2.3 Loi de TSJ conditionnelles (1)

2. Construction du modèle de dégradation

Page 15: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 15

Identifier des modes de dégradation actifs et leur associer des Lois de

TSJ conditionnelles

TSJ etat 1 TSJ etat 2 TSJ etat 3

O1 O2

Un phénomène perturbateur s’exerce au cours du temps sans interruption et influe sur les distribution du future

S2/O1 S2/O2

La variance est un mélange de :- Plusieurs modes de dégradations- Perturbations extérieures

TSJ

Idée principale: Probabilité distribution

Objectif

Suivre les effets d’une perturbation au cours du temps

2.3 Loi de TSJ conditionnelles (2)

2. Construction du modèle de dégradation

S3/O1 S3/O2

Page 16: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 16

Etat initial : Par algorithme EM

Etats suivants : Par EMV

TSJ

Probabilité

TSJ

Probabilité

Mode 1 Mode 2 Mode 1 Mode 2

TSJ

Probabilité

Mode 1 Mode 2

Loi de TSJ : état initial

Lois de TSJ état 2

S2 /mode 1 S2 / mode 2 S3 /mode 1 S3 / mode 2

Lois de TSJ état 3

2. Construction du modèle de dégradation

2.3 Loi de TSJ conditionnelles (3)

Obs TSJ etat 1

1 22

2 15

3 10

.. ..

n 31

Obs mode 1

i1

i2

i3

i4

Obs mode 2

i1

i2

i3

i4

Attribution par proba a posteriori algo EM

Page 17: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 17

Mode de dégradation actif à l’instant t+1

Probabilités a posteriori données par l’algorithme EM

2.4 Loi de TSJ conditionnelles (4)

2. Construction du modèle de dégradation

Page 18: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 18

Modèle VirMaLaB :

( Atelier Virtuel de maintenance )

Pronostic RUL(t)

2.5 Modèle VirMaLaB

2. Construction du modèle de dégradation

Page 19: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 19

Diag t=3 Diag t=7 Diag t=14

temps

Instant de panne réel (inconnu)

Evolution de l’état du systèmeEtats de dégradation

Objectif : Calculer une estimation de la RUL à chaque instant soit:

- Calculer une première estimation de la RUL - Mettre à jour la RUL

3.1 Présentation du cadre

3. L’algorithme de pronostic et son intégration

Contexte : Système périodiquement observé et à états discrets et finis

Page 20: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 20

3.1 Présentation du cadre (2)

3. L’algorithme de pronostic et son intégration

: 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

Page 21: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 21

Initialisation

Instant de démarrage t=0

futurpassé

..

3.1 L’algorithme proposé : Initialisation

3. L’algorithme de pronostic et son intégration

: 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

Page 22: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 22

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

X

3.2 L’algorithme proposé : Mise à jour (1)

3. L’algorithme de pronostic et son intégration

Page 23: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 23

Nb d’états manqués entre les deux observations

Cas d’une transition avec saut de plusieurs état

3.2 L’algorithme proposé : Mise à jour (2)

3. L’algorithme de pronostic et son intégration

Mise à jour du temps restant dans l’état observé

Page 24: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 24

Dernière observation

..

Mise à jour de l’estimation de la RUL

Variante possible : Remplacer les tirages aléatoires par des tirages de moyenne

3.1 L’algorithme proposé : mise à jour (3)

3. L’algorithme de pronostic et son intégration

Page 25: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 25

TSJ dernier état

Probabilité

Mode 1 Mode 2

A chaque nouvelle observation, le mode actif est réévalué en fonction de la dernière estimation la plus proche du TSJ passé.

Dernière Estimation du TSJ passé dans l’état précédent

Tous les TSJ ultérieurs qui composent sont réévalués

Si le mode actif a changé

• Touts les tirages de TSJ se font selon les lois conditionnelles sachant le mode considéré comme actif

n2

n1

Max (n1,n2) Nouveau mode actif

3.3 Modification intégrant les lois de TSJ conditionnelles

3. L’algorithme de pronostic et son intégration

Page 26: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 26

Les variables de travail de l’algorithme sont chacune représentées par un nœud

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

Vers un nœud de décision de maintenance

3.4 Représentation par RBD

3. L’algorithme de pronostic et son intégration

Page 27: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 27

Pronostic(t+1)

Relier le pronostic a la maintenance pour modéliser les politiques de maintenance prévisionnelles

3.4 Intégration au modèle VirMaLaB

3. L’algorithme de pronostic et son intégration

Page 28: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 28

But: Calculer n’importe quelle probabilité conditionnelle portant sur les nœuds du RBD

Exemples :

- Intervalle de confiance d’une prédiction de RUL égale à l’instant t

- Indicateurs de fiabilité

Probabilité que l’erreur de prédiction soit inférieur à

Evénement : tomber en panne à l’instant t+ +k

Sachant tous les diagnostics observés jusqu’à l’instant t , et la RUL calculée

4.1 Objectifs

4. Calculs d’inférence

Page 29: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 29

2 Principales approches:

Algorithme d’élimination de variables

Approche Monte - Carlo

- Méthode d’inférence exacte

Algorithme d’interface

Exploitation de la propriété de Markov d’ordre 1 dans les RBD

- Méthode d’inférence approchées

- Beaucoup de simulations à faire- Probabilités approchées

-Calculs pouvant être très lourds-Dépendent de la taille de l’interface et de la nature du graphe du réseau

4.2 Méthodes existantes

4. Calculs d’inférence

Page 30: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 30

• Taille de l’interface très grande (8 nœuds)

• Nécessité de réduire la complexité de la procédure de mise à jour

4.3 Problème posés

4. Calculs d’inférence

• Méthode temporaire: Diviser de l’interface en sous blocs semi-indépendants

Page 31: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 31

Etat 1 : mode 1 : ( = 15, = 2) mode 2 : ( = 33, = 6) Etat 2 mode 1 : ( = 10, = 6) mode 2 : ( = 25, = 9)Etat 3 : mode 1 : ( = 5, = 6) mode 2 : ( = 15, = 15)

- 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 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 .. .. .. ..

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 .. .. .. .. .. .. .. .. ..

Loi de TSJ

Tirage de TSJ (s1,s2,s3) D’où on tire des instants de

transition (t1-2, t2-3, t3-4)

Conversion en base d’observation

discrète»

5.1 Simulation des données d’apprentissage

5. Application

Page 32: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 32

5.2 Apprentissage des lois de TSJ

5. Application

Page 33: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 33

Cas 2 : Observation générée par le mode 2Cas 1 : Observation générée par le mode 1

5.3 : Exemples de résultats

5 Application

3333

Cas 2 : Observation générée par le mode 2Cas 1 : Observation générée par le mode 1

5.3 : Exemples de résultats

5 Application

33

etat1->etat2 etat1->etat2etat2->etat3

etat2->etat3

Mode 2 Mode1 Mode 1 Mode 2

Page 34: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 34

6. Conclusions et perspectives

• 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

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.

• Finaliser le modèle en reliant la RUL pour piloter la maintenance.

• Un algorithme pronostic pour les systèmes à états discrets a été proposé

• Intégration d’un RBD spécifique

• Utiliser des modèles continus

Page 35: Institut français des sciences et technologies des transports, de l’aménagement et des réseaux  Optimisation des politiques de maintenance

Institut français des sciences et technologies des transports, de l’aménagement et des réseaux

www.ifsttar.fr 35

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]

Remerciements:

Ces travaux font partie du projet DIADEM ANR -13 -TDMO -04 financé par l’ANR

Merci de votre attention