420 likes | 591 Views
Modélisation des stratégies de récupération de défauts en plasturgie chez des régleurs de presses à injecter. Projet 2004 Rapport Final Projet PLASTUR. Disciplines et équipes. Psychologie cognitive, Ergonomie, Informatique + Partenaire Social
E N D
Modélisation des stratégies de récupération de défauts en plasturgie chez des régleurs de presses à injecter Projet 2004 Rapport Final Projet PLASTUR
Disciplines et équipes • Psychologie cognitive, Ergonomie, Informatique + Partenaire Social • CRAC, Université Paris 8 (Jean-François Richard, Emmanuel Sander) • CNAM, Equipe Didactique professionnelle (Pierre Pastré, Pierre Parage) • CRIP 5 Université Paris 5, LIP6 Université Paris 6 (Michel Futtersack,Jean-Marc Labat, Jacques de Frileuze, Christ Poorianana) • AGEFOS-PME BOURGOGNE (Pascal Samson) • Ecole de formation d’Alençon (Pierre Parage)
Rappel du projet • Modélisation du rôle du contexte en situation naturelle (régleurs de presses à injecter) en articulant des cadres théoriques de psychologie cognitive et ergonomique, et des méthodes de modélisation issues de l’I.A. et de la psychologie cognitive.
Contexte scientifique • Place centrale de la R.P. dans l’analyse du travail en psychologie ergonomique et en didactique professionnelle • La psychologie cognitive et l’I.A. ont développé des modèles rarement mis à l’épreuve en situation naturelle • Les enjeux sont considérables
Cas de la conduite de processus • Travail sur simulateur (Pastré, 92, 94, 04) • Réglage des différents paramètres afin de viser l’absence de défaut (correction de défaut) • 3 catégories de défaut (conceptualisation) • Cause circonscrite • Reposant sur un diagnostic de fonctionnement • Compréhension du comportement de la matière • Il existe des situations de compensation (plusieurs paramètres déréglés se compensent)
Objectifs scientifiques • Simuler le comportement des opérateurs et identifier les stratégies et les comportements d’adaptation • … dans une situation professionnelle où interviennent des connaissances spécialisées de haut niveau, contrairement aux problèmes classiques où n’existent pas de telles compétences. • Un modèle de diagnostic des processus de solution serait utilisable pour réorienter le comportement de recherche et faire prendre conscience de l’adéquation ou non des solutions et à partir de là de construire les concepts qui font défaut.
Granules de polymère Buse Vis d’Archimède Contre-pression CP Température T° Temps d’injection TID Phase dynamique d’injection
Granules de polymère Buse Vis d’Archimède Pression de Commutation PC Point de commutation
Granules de polymère Buse Vis d’Archimède Pression de Maintien P2 Temps de Maintien T2 Phase statique de maintien
Granules de polymère Buse Vis d’Archimède Temps de refroidissement T3 Phase de refroidissement
Corpus • Recueil de données sur un simulateur (construit à partir d’une base d’état, associant valeurs de paramètres et défauts) • Problèmes de nature proche (même Espace Problème, même Etat Final; Etat Initial varie) • Corpus comprend 2 parties • Deux séries de problèmes (9 et 8 problèmes) séparés par une phase de formation. • 13 sujets au total dont certains n’ont pas fait la 2ème partie.
Paramètres d’action • A partir des défauts visuels et de la courbe des pressions • 7 paramètres d’action discrétisés à 3 états dont les valeurs peuvent être augmentées ou diminuées • TID = Temps d’Injection • PC = Pression de Commutation • CP = Contre Pression • P2 = Pression de maintien • T° = Température du moule • T2 = Temps de maintien • T3 = Temps de refroidissement • Un paramètre d’état de la machine : buse matée ou non
Les indices de courbe Point de commutation PC P2 TID T2
Défauts à cause unique 1/ Striage / Brûlure (Cause = TID) 2/ Cassure / Retassure (Cause = P2 T2) Défauts à causes multiples 3/ Serrage fort / faible (Causes = T3, P2 T2) 4/ Manque / Bavure (Causes = PC, T°, buse) Les 4 couples de défauts
Combinaison de causes et de défauts • L’addition de deux causes concourant à un même effet. Dans certains cas, il y a production de deux effets conjoints. • Atténuation : une cause, indirecte, vient diminuer l’effet de la cause directe principale. • Addition avec atténuation : deux causes ajoutent leurs effets, alors qu’une 3e cause vient atténuer l’effet d’ensemble. • Addition avec augmentation : deux causes ajoutent leurs effets ; une 3e cause, indirecte, vient accentuer l’effet d’ensemble. • Présence de 2 causes ayant des effets distincts, avec atténuation d’un des effets. • Présence de 2 causes ayant des effets distincts, avec accentuation d’un des effets. • Présence de 2 causes, inhibition d’un des effets
Hypothèses sur les raisonnements des régleurs pour défauts à causes multiples Deux classes de situations : • Le défaut est dû à une cause unique • Serrage = T3 ou (P2, T2) • Manque/Bavure = (PC, T°) ou buse matée • Striage/brûlure = TID Variante : 2 défauts dus à une cause unique (Ex : M1, St1 => T°-) • Il y a une cause directe et un phénomène de compensation / accentuation La compensation peut être totale ou partielle.
Exemples de compensations / accentuations • Compensation totale : CP+, T°- => pas de défauts • Compensation partielle : PC-, CP+ => M1 • Accentuation : PC-, Buse => M2
Modélisation par contraintes • Une contrainte est une règle qui a 3 particularités • 1-son résultat est une restriction sur les actions possibles. C’est un vecteur indiquant pour chaque éventualité si elles est permise (0), interdite (1) ou indifférente (0,5) • 2-les contraintes se composent de façon additive : le résultat est une contrainte plus restrictive • 3- le fait qu’une liste ordonnée de C est une C permet un diagnostic automatique de la liste ordonnée des contraintes qui reproduit au plus près le protocole • Etant donné un protocole, un ensemble de C possible et une mesure de distance, • on construit progressivement par ajout de C la liste qui simule au mieux le protocole (un problème ou une suite de problèmes)
Adaptation à la tâche de réglage (1) • On a défini comme des contraintes les règles de gestion de la tâche prises de décision portant sur le type d’activité à engager : • après un réglage, en faire un second ou s’arrêter d’agir pour prendre de l’information ? • Alors, quelle information demander, les défauts ou la courbe, quand passer à l’action ou considérer que le problème est résolu.
Adaptation à la tâche de réglage (2) • Les buts d’action sont directement dérivésd’hypothèses sur l’origine des défauts • un but comporte deux composantes • la partie défauts où on peut avoir un défaut ou un couple de défauts • la partie actions de remédiation où on peut avoir une ou plusieurs actions ordonnées ou non
Adaptation à la tâche de réglage (3) • On exprime le niveau de compréhension des 5 paramètres de la courbe des pressions par un vecteur à 5 valeurs qui indique pour chaque paramètre s’il est reconnu ou non dans la courbe par l’opérateur • Les valeurs de ce vecteur entrent comme conditions dans les contraintes de gestion de la tâche et les contraintes des actions de réglage
L’architecture du système • Le protocole est découpé en deux sous-protocoles : gestion de la tâche et actions de réglage. • Chaque sous protocole est régi par un ensemble de contraintes • recherche du meilleur jeu de contraintes pour chacun et calcul de la distance au protocole pour les différentes valeurs du vecteur compréhension • reconstitution du protocole global : recherche du patron de valeurs du vecteur compréhension qui donne la meilleure approximation. Une fois ce patron choisi • simulation des prises de décision de gestion de l’activité • simulation des prises de décision concernant les actions de réglage
Fidélité de la simulation • La compatibilité indique quel est le pourcentage des essais du protocole pour lesquels l’action observée se trouve parmi les actions autorisées par la simulation • La prédictibilité est liée au nombre d’actions autorisées par la simulation : si ce nombre est faible (à la limite une), cela signifie que la simulation serre de très près le protocole • Si le nombre d’actions autorisées est important, la simulation contient le protocole, mais d’une façon lâche • Compatibilité et prédictibilité sont en relation inverse l’une de l’autre
Apports de la modélisation par contraintes • Formaliser les résultats de l’analyse du travail concernant les hypothèses des régleurs sur l’origine des défauts ainsi que les différentes stratégies : pilotage par la courbe ou par les défauts • Permet d’estimer des caractéristiques individuelles des opérateurs autres que les stratégies • Le niveau d’exigence de l’opérateur • La compréhension de la courbe • Les hypothèses sur les causes des défauts • Diagnostic fin du processus de résolution qui permet d’envisager l’utilisation du modèle à des fins de formation, notamment pour faire prendre conscience à l’opérateur de la stratégie mise en œuvre et la faire évoluer vers une stratégie plus efficace
Modèles à base de connaissances • Définition de l’Opérateur Idéal (O.I.) • Commence par rectifier la courbe • Puis stratégie analytique fondée sur • Le nombre de fois où une action lui a permis de résoudre les défauts présentés dans le problème • L’impact de l’action sur les autres types de défauts. • Règles plus générales d’adaptation à la tâche (heuristiques) • Ne pas exécuter 2 fois la même action. • Ne pas revenir en arrière
Les règles d’action • Règles d’action pour la courbe • Si un des paramètres de la courbe (TID, PC, P2, T2) n’est pas correct, une seule règle possible • Règles d’action pour les défauts visuels • Extraction des connaissances à partir de la base des états • Réduction de la base des états • Définition des règles d’action et de leur priorité : une première définition a été implémentée sur la base de critères de fréquence (nombre d’états de la base présentant un défaut dj et pour lesquels l’action ai était nécessaire) et de règles d’optimisation (les heuristiques).
Le diagnostic • Choix de l’action la plus pertinente • M1 pour Manque-Bavure, Str1 pour Striage-Brûlure et Nser pour Serrage. On a ainsi : Pb = {M1, Str1, Nser}.
Résultats de l’O.I. • L’O.I. a su résoudre l’ensemble des 17 problèmes • Le plus souvent en un nombre de coups optimal • L’architecture développée pour l’O.I. transposable pour les O.V. • Développé en CLIPS et devrait être intégré au simulateur Java. • Mais … • Les régleurs réels ne fonctionnent pas sur le modèle du régleur idéal, même sous une forme plus ou moins dégradée. • Même le régleur le plus performant, ne commence pas de façon systématique à corriger tous les paramètres visibles sur la courbe pour ne passer qu’ensuite, si besoin est, à la correction des défauts résiduels • Registre pragmatique : les régleurs cherchent à trouver un état acceptable en un minimum de temps
Deux opérateurs virtuels • Opérateur Rustique (O.R.) • Prend en considération uniquement les défauts (demandes de défauts) • Ne connait pas (ou très peu) les informations de la courbe • Hypothèse simplificatrice que l’O.R. observe la pièce après chaque action • Opérateur Expert (O.E.) • Prend en compte des informations de la courbe • Effectue des demandes sur les défauts visuels • Hypothèse simplificatrice que l’O.R. consulte toutes les informations après chaque action • Modèles articulés • La base de règles du modèle expert est une extension de la base de règles du modèle rustique
Evaluation de l’opérateur rustique • Trois sujets se rapprochent le plus du modèle rustique: Lucien, Henri et Jean • Ceux-ci ne demandent jamais (ou très rarement) à consulter la courbe • Pour les trois sujets concernés, les qualités de simulation sont très bonnes • Coïncidence sur l’ensemble des actions sur 6 ou 7 des 8 problèmes
Evaluation de l’opérateur expert • 3 opérateurs au comportement très proche pour construire la base de règles de l’O.R. • Environ 60% des problèmes simulés • Encourageante, mais non suffisante • Troisième niveau de modélisation à envisager • Hypothèse que les experts font des inférences sur des variables non directement observables • physiques déductibles d'observables (la vitesse d'injection peut être dérivée du temps d'injection et de la pression de commutation) • physiques inaccessibles (température plastique, état buse) • construites (bourrage, retrait, manque de matière) : abstraction d'un phénomène physico-chimique impliquant plusieurs variables physiques
Apports de la simulation à base de connaissances • Richesse du langage de représentation • Les règles utilisent la logique des prédicats, on peut définir des métaconnaissances explicites pour contrôler le moteur d’inférences • Décrire ainsi des comportements de résolution complexes, comme des changements de stratégie en cours de résolution. • Lisibilité des règles • Permet une modélisation incrémentale et interactive • L’expert du domaine peut examiner la trace d’une résolution du système et corriger/ajouter des règles en détectant des incohérences ou des incomplétudes.
SIMPLAST • Un simulateur pour l’expérimentation, le diagnostic, la simulation et la formation • Un mode apprenant, et un mode formateur • Possibilité de rejouer un protocole • Possibilité de résoudre un problème (l’O.I. et les Opérateurs virtuels seront implantés dans SIMPLAST)
Etude auprès d’apprentis • Qu’en est-il chez les débutants ? • Apport des modélisations construites • Application à la formation • Ecole professionnelle d’Alençon • Recueil des données sur SIMPLAST • 80 protocoles collectés • Résultats en cours d’analyse (Thèse de Pierre Parage)
Modélisation cognitive Rst & R.P. • Mise en œuvre de modélisations issues de champs de recherches différents • IA pour la modélisation à base de connaissances • Psy Cog pour la modélisation à base de contraintes • Même objet de recherche ET mêmes données. • Démarche régulièrement promue, réalisation effective très rare • PLASTUR constitue à ce titre un exemple remarquable d’application de deux approches à une même situation et sur un même corpus.
Articulation des modélisations • Caractéristiques d’un modèle conjoint • Diagnostic, analyse des comportements à un niveau fin (les contraintes), et de granularité supérieur (règles) • Diagnostic assuré par l’approche contrainte • Les contraintes identifiées servent d’entrées pour la sélection des règles appropriées • d’un modèle à base de connaissances • de l’opérateur virtuel le plus pertinent • support d’interactions directes avec les experts du domaine ou de l’analyse du travail, et adapté à la construction de profils • Dépasse le cadre du projet mais rendue possible par lui
Apports réciproques • Les analyses conduites par Pierre Pastré ont pu servir de support à une modélisation informatique, tant par l’approche contrainte que par l’approche modélisation à base de connaissance • Double fonction de la démarche modélisatrice • tentative de validation d’une analyse jusque-là seulement partiellement formalisée et largement qualitative • support pour une évolution conceptuelle liée aux nécessités d’explicitation propre à la construction d’un modèle informatique et aux réinterprétations liées aux résultats des premières tentatives de simulations • Pour la psychologie cognitive : permet d’éprouver et de faire évoluer des modèles en sortant des problèmes ‘jouets’ et en prenant en compte l’influence des connaissances antérieures
Perspective pour Plastur • Volonté de poursuite par les membres du projet • Partenariat en cours de développement avec l’école d’Alençon • Application à la formation • Une thèse en cours • Rédaction d’articles