NguyenDangTrinh TV pdf THÈSE Pour obtenir le grade de DOCTEUR DE L’UNIVERSITÉ GRENOBLE ALPES Spécialité Automatique Productique Arrêté ministériel 7 août 2006 Présentée par Dang Trinh NGUYEN Thèse dir[.]
THÈSE Pour obtenir le grade de DOCTEUR DE L’UNIVERSITÉ GRENOBLE ALPES Spécialité : Automatique Productique Arrêté ministériel : août 2006 Présentée par Dang Trinh NGUYEN Thèse dirigée par Eric ZAMAÏ préparée au sein du Laboratoire GSCOP dans l'École Doctorale EEATS Diagnostic en ligne des systèmes événements discrets complexes : approche mixte Logique/Probabiliste Thèse soutenue publiquement le 15 Octobre 2015, devant le jury composé de : M Jean-Marie FLAUS Professeur, Université de Grenoble, Président M Pascal BERRUET Professeur, Université de Bretagne-Sud, Rapporteur M Jean-Franỗois PETIN Professeur, Universitộ de Lorraine, Nancy, Rapporteur M Sébastien HENRY Mtre de conférences, Université Lyon IUT, Villeurbanne, Examinateur M Quoc-Bao DUONG Ingénieur, A.I.P PRIMECA Dauphine Savoie, Grenoble-INP, Examinateur M Muhammad Kashif SHAHZAD Chercheur - Post-doc, G-SCOP, Grenoble-INP, Invité M Eric ZAMẠ Mtre de conférences HDR, Grenoble-INP, Directeur de thèse Avant-Propos Le travail présenté dans ce mémoire a été préparé dans l’équipe Gestion et Conduite des Systèmes de Production (GCSP) au laboratoire G-SCOP, dans le cadre du programme Européen AREAS Je tiens remercier tout dabord Messieurs Yanick Frein et Franỗois Villeneuve, directeurs successif du Laboratoire G-SCOP et Madame Christelle Grandvallet, responsable des projets européens et internationaux de m’avoir accueilli et permis d’effectuer mes travaux de recherche tout au long de trois années de ma thèse Je tiens adresser mes remerciements mon directeur de thèse, Monsieur Eric Zamạ, Mtre de Conférences l’Institut National Polytechnique de Grenoble, tout d'abord pour avoir accepté de m'encadrer et de diriger ces travaux de recherche, et ensuite pour sa disponibilité, ses conseils précieux durant ces trois années de thèse J’ai eu une grande chance, d’avoir pu travailler avec Eric, qui m’a aidé acquérir des compétences non seulement dans le domaine de la recherche, mais également dans ceux de la gestion et de l’organisation de mes travaux J’aimerais exprimer toute ma gratitude aux membres de mon jury Tout d’abord, je voudrais remercier Monsieur Jean-Marie Flaus, Professeur l’Université de Grenoble, pour avoir accepté de présider mon jury Je remercie particulièrement Messieurs Pascal Berruet, Professeur l’Université de Bretagne-Sud et Jean-Franỗois Pộtin, Professeur lUniversitộ de Lorraine pour m’avoir fait le privilège d’être rapporteurs de ma thèse et surtout pour leurs critiques constructives Je tiens également remercier Monsieur Sébastien Henry, Mtre de Conférences l’Université Lyon et Monsieur Quoc-Bao Duong, Ingénieur l’A.I.P PRIMECA Dauphine-Savoie pour avoir accepté la charge d’être examinateurs de ces travaux Je remercie également Monsieur Muhammad Kashif Shahzad, Chercheur au laboratoire G-SCOP, non seulement pour les différents échanges scientifiques que nous avons pu avoir, pour sa lecture attentive du mémoire et pour sa participation ce jury Tout au long de cette thèse, de nombreux chercheurs et enseignants-chercheurs m’ont fait l’honneur d’échanger sur mes travaux au travers des réunions de l’équipe GSCP, des journées du laboratoire, ou encore au travers des travaux collaboratifs menés autour du projet Européen INTERGRATE Pour tout cela, je voudrais remercier Monsieur Michel Tollenaere, Monsieur Stéphane Hubac, Madame Maria Di Mascolo,… Je souhaite également exprimer mes remerciements l’ensemble du personnel des services informatique et administratif du laboratoire G-SCOP pour avoir participé mon intégration au sein du laboratoire et pour la gestion des missions et pour l’organisation de ma soutenance de thèse Pour tout cela, merci Marie-Josephe, Fadila, Christine, Souad, Myriam, Jean-Yves, Sébastien, … Je voudrais aussi remercier mes collèges Asma, Anis, Tran et Vo pour leur aide, leur amitié, leurs précieux conseils et pour les discussions qui ont largement contribué l’écriture de ce mémoire Mes remerciements s’adressent enfin tout particulièrement ma famille, mes parents, mes beaux-parents pour leur amour et leur soutien sans faille, ma femme et mon petit fils qui m’ont accompagné dans tous les bonheurs et toutes les difficultés de la vie Ils m’apportent le courage et la force pour poursuivre l’aventure de ma thèse et ma vie future Table des matières Introduction générale Partie I Problématique Chapitre Contexte général Introduction Systèmes Automatisés de Production (SAP) 2.1 Définition générale 2.2 Le Système de pilotage 2.3 Les chnes fonctionnelles 2.3.1 La chne d’action 2.3.2 La chne d’acquisition 2.3.3 Le module de contrôle/commande local 2.3.4 Observabilité des chaines fonctionnelles Les aléas de fonctionnement 3.1 Les défaillances d’un SAP 3.2 Les sources de défaillances étudiées Diagnostic de défaillance 4.1 La réactivé du système de pilotage 4.2 Les méthodes de diagnostic 4.2.1 Méthodes basées sur la connaissance 4.2.2 Méthodes de traitement de données 4.2.3 Méthodes base de modèles 4.2.4 Discussion Conclusion Chapitre Problématique Introduction Mécanisme de propagation de défaillances 2.1 Description de la propagation de défaillances 2.2 Caractérisation des processus de propagation de défaillances 2.3 Contrainte temporelle Localisation de défaillances issues d’une propagation base d’un modèle 3.1 Approches déterministes 9 9 10 12 12 12 13 13 14 14 15 16 17 18 18 19 20 21 21 23 23 23 23 24 25 26 26 Table des matières 3.2 Approches probabilistes 3.3 Approches mixtes Conclusion Chapitre Positionnement du travail Introduction Cahier des charges Approches retenues pour l’hybridation 3.1 Approche de diagnostic logique base de modèle 3.1.1 Description du modèle historique 3.1.2 Modèle d’opération et variables d’état 3.1.3 Avantages/Inconvénients 3.2 Les approches Bayésiennes 3.2.1 Définition principale 3.2.2 Avantages/Inconvénients Principes et originalité de l’approche proposée Conclusion Partie II Approche proposée 31 31 31 32 32 32 34 36 38 38 38 40 40 41 Chapitre Extension de la modélisation Introduction Modèle historique étendu 2.1 Modèle d’opération 2.2 Modèles d’opérations et évolutions Algorithmes de génération en ligne du modèle historique étendu 3.1 Génération dynamique du modèle historique 3.2 Gestion des opérations simultanées avant réduction 3.3 Mécanisme de réduction dynamique de la taille du modèle Le mécanisme de la propagation de la suspicion Propriétés du modèle historique étendu 5.1 Graphe causal orienté 5.2 Nœuds de Convergence 5.3 Divergence 5.4 Interactions simultanées 5.5 Hiérarchie et Hétérarchie Conclusion Chapitre Approche Mixte Logique et Probabiliste Introduction Approche générale proposée Transformation du modèle logique en réseau Bayésien 3.1 Identification automatique de la structure du RB 3.2 Transformation de la structure du modèle 3.3 Dégroupement des nœuds 27 28 29 43 43 43 43 44 47 48 51 54 56 58 58 59 60 60 61 62 63 63 63 64 64 64 66 3.3.1 Relations internes entre {H, E, R, P} 3.3.2 Sous-graphe opération 3.3.3 Algorithme de dégroupement des nœuds Calcul de probabilités 4.1 Classe de Réseau Bayésien 4.2 Loi de probabilité du RB 4.3 Apprentissage des lois de probabilité 4.4 Calcul des probabilités Conclusion Partie III Exemple d’application 75 Chapitre Présentation du cas d’étude Introduction Système de production de Semi-Conducteur 2.1 Généralités 2.2 Process de fabrication 2.3 Process de production et maitrise de la qualité de fabrication Procédures de contrôle dans le domaine du semi-conducteur 3.1 Contrôle Run to run 3.2 Contrôle FDC 3.3 Contrôle SPC Focus sur le processus étudié Description des opérations Pré-traitement des informations statistiques Environnement de développement Conclusion Chapitre Application du diagnostic hybride Introduction Scénario : Multi-routes et multi-produits Scénario : cas des opérations simultanées Scénario : Multi-produits et multi-défaillances Discussion Conclusion 66 67 70 72 72 72 73 73 73 77 77 77 77 78 79 81 83 83 83 84 84 85 87 87 89 89 91 97 99 101 102 Conclusion générale 105 Bibliographie 109 Annexe A Notions de graphe 117 Annexe B Notions de Probabilités 119 Table des matières Annexe C Description des opérations du cas d’application 121 Intitulé de la thèse : Diagnostic en ligne des systèmes événements discrets complexes : approche mixte Logique/Probabiliste Résumé de la thèse : Les travaux de recherche que nous proposons dans le cadre de ce mémoire de thèse se positionnent dans le domaine du diagnostic des systèmes événements discrets complexes La complexité est définie ici par la forte variabilité des gammes de produits considérés, des routes multiples qu’ils peuvent prendre au sein de l’atelier de production et des causes multiples que nous considérons : humaines, produits, équipements, recettes Ils apportent ainsi leur contribution la problématique spécifique des phénomènes de propagations de défaillances dans les lignes de production complexes, défaillances qui ne sont détectées qu'au travers d'observations partielles de non-conformité des produits obtenues avec retard L'objectif est de fournir aux agents d'exploitation de ces systèmes un outil d'aide au diagnostic permettant de réduire, de manière dynamique, l’espace des causes inspecter La contribution originale proposée s’appuie sur un couplage d’une approche de diagnostic logique, et d’une approche probabiliste Bayésienne Ce couplage s’est appuyé sur la transformation d’un modèle d'historiques en réseaux Bayésiens sur lequel des calculs probabilistes sont ensuite effectués des fins de diagnostic Mots-clés : Diagnostic de défaillances, Diagnostic Logique, Réseaux Bayésiens, Systèmes Automatisées de Production( SAP) Title of thesis: Online diagnosis Logical/Probabilistic mixed approach for complex discrete systems: Abstract of thesis: The research in this PhD thesis is focused on diagnosis of complex discrete event systems The complexity is defined by the diversity of given product types, multiple production lines and multiple drift causes such as: humans, products, equipment and recipes The key contribution in this research is on failure propagation in complex production lines where failures are only detected through partial observations of noncompliance of the product quality The objective is to provide a diagnosis support tool of control system operators to dynamically reduce the search space and effectively localize fault origins This is done by coupling logical diagnosis model with Bayesian probabilistic approach In the proposed method, historical logic model is transformed into Bayesian Network which then computes joint and conditional probabilities to support diagnosis Keywords: Fault diagnosis, Logical diagnosis, Bayesian network, Automated systems