SED

  • Posted on: 10 December 2014
  • By: admin
  • Updated on: 9 March 2015
Date: 
12-03-15
Détails: 

certains de nos collègues qui présenterons leurs travaux n'étant pas disponibles toute la journée, le programme des demi-journées est inversé  :

10h : 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)
Raphaël Coupat, Alexandre Philippot, Bernard Riera
CRESTIC, Université de Reims Champagne-Ardenne

11h : Approche compositionnelle basée sur les langages probabilistes pour l’évaluation quantitative des séquences d’événements en sûreté de fonctionnement
Dorina Ionescu, Nicolae Brînzei, Jean-François Pétin
CRAN, Université de Lorraine

14h : Utilisation des données de traçabilité unitaire et des connaissances expertes pour le développement d'une approche d'analyse causale des non-qualités produits
Thierno M.L. Diallo, Sébastien Henry, Yacine Ouzrout
DISP, Université de Lyon

15h : Towards reducing unsncheduled equipment breakdowns in the Semicodncutor Industry (SI) using Bayesian Approach
Muhammad Kashif Shazad, Eric Zamaï
G-scop, INPG


La réunion se déroulera au CNAM Paris en salle la salle de réunion 35.1.53 le 12 mars 2015 de 10h00 à 17h00.

Amicalement.

Laurent et Sébastien

-------------------------------------------------
Résumé des exposés :

---------------------------------

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)

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

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.

----------------------------

Utilisation des données de traçabilité unitaire et des connaissances
expertes pour le développement d'une approche d'analyse causale des
non-qualités produits

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

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.

------------------