1 / 36

College 8

College 8. Model-based reasoning: Troubleshooting R. Davis, W. Hamscher College 8 - 11 : D erivation from N ormal S tructure and B ehaviour diagnosis DNSB diagnosemodel. werkelijk systeem. geobserveerd gedrag. observeren. discrepantie. model normaal gedrag. voorspeld gedrag.

edison
Download Presentation

College 8

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. College 8 Model-based reasoning: Troubleshooting R. Davis, W. Hamscher College 8 - 11: Derivation from Normal Structure and Behaviour diagnosis DNSB diagnosemodel

  2. werkelijk systeem geobserveerd gedrag observeren discrepantie model normaal gedrag voorspeld gedrag voorspelling DNSB diagnosemodel • Conceptueel • Formeel

  3. Vele type modellen }focus • structuur van het systeem • `correct gedrag’-model van een component • causale modellen • foutmodellen • “out of range input”-modellen van een component Alle model-gebaseerd redeneren

  4. Diagnosetaak Gegeven: • observaties van het systeem • structuurmodel van het systeem • de componenten • de connecties tussen de componenten • gedragsmodel van iedere component Taak: Het bepalen van de foute componenten die alle discrepanties verklaren.

  5. Structuur- & gedragsmodel • hiërarchisch structuurmodel • componenten moeten `mappen’ op het systeem (data & organisatie) • gedrag kan weergegeven worden als relaties tussen de input en de outputs

  6. Diagnose Drie fundamentele taken: (1) hypothesegeneratie (2) testen hypotheses (3) hypothesediscriminatie

  7. terminologie • discrepantie: verschil tussen voorspeld en geobserveerd gedrag • “suspect”: verdachte, mogelijk kapotte component • “candidate”: een suspect die de hypothese testing-fase overleeft heeft NB: • single fault: candidate bestaat uit 1 component • multiple fault: candidate bestaat uit 1 of meer componenten

  8. Hypothesegeneratie Taak: Gegeven een discrepantie bepaal welke component niet correct werkt (aanname: single fault). Wenselijk: Generator: (1) is compleet (2) produceert geen redundante hypotheses (3) produceert niet “teveel” foute hypotheses

  9. 3 mult-1 10 2 add-1 3 mult-2 12 2 add-2 mult-3 3 Hypothesegenerators: eenvoudig (1) uitputtelijk opsommen van de componenten van het systeem

  10. 3 mult-1 10 2 add-1 3 mult-2 12 2 add-2 mult-3 3 Hypothesegenerators: minder eenvoudig (2) componenten moeten verbonden zijn met de discrepantie

  11. 3 mult-1 10 2 add-1 3 mult-2 12 2 add-2 mult-3 3 Hypothesegenerators: niet eenvoudig (3) componenten “upstream” het conflict

  12. Hypothesegenerators: moeilijker (4) geen irrelevante componenten “upstream” het conflict 1 0 OR 0

  13. 3 mult-1 10 2 add-1 3 mult-2 2 add-2 mult-3 3 Hypothesegenerators: complex (5) Meerdere discrepanties gebruiken. Doorsnede nemen F 10 G

  14. Testen hypothese Taak: Testen van iedere “suspect” of het voor alle observaties geldt. Wenselijk: niet onterecht verwerpen (mist diagnoses)

  15. Hypothesetest:eenvoudig • gebruik `foutmodellen’ (voorkennis over het disfunctioneren van componenten) • inconsistent met fout gedrag dan hypothese verwerpen • als foutmodel compleet dan extra inferentie: als geen fout gedrag van een component consistent is dan component correct • als foutmodel incompleet:twee categorieën: • component gedrag match met foutgedrag • component gedrag is onbekend foutgedrag

  16. Hypothesetest:complex • constraint suspensionGegeven inputs en outputs,Welke constraint moet je intrekken zodat er geen inconsistentie is? • Testen via “bevestigingen”Betrokken bij bevestiging dan suspect “onschuldig”Probleem: fault-masking!

  17. 3 mult-1 10 2 add-1 3 mult-2 2 max-1 mult-3 3 Voorbeeld 6 mult-2, mult-3, max-1 zijn ”onschuldig” Suspects: mult-1, add-1

  18. 3 mult-1 10 2 add-1 3 mult-2 2 max-1 mult-3 3 Fault masking (1) • ondanks incorrecte input, toch verwachteoutput.. (1) ongevoelig voor een input. 6

  19. input verwachte output kapotte component kapotte component 1 incorrecte output(niet gemeten) 0 or inverter fault masking: (2) meedere faults voorbeeld

  20. fault masking: (3) reconvergent fanout x2 9 [4] 10 [10] add-1 3[2] 1 [6] 16 -5x

  21. Hypothesediscriminatieeenvoudig  complex Meer info verzamelen • extra observaties (meetpunten) • gebruik structuurmodel • gebruik gedragsmodel • gebruik foutkans van componenten • selecteer beste sequence van meetingen • veranderen van inputs (“testing”) Doel: meer info verzamelen tegen de laagste “kosten”

  22. Voorbeeld: gebruik van structuur-model A=2 F=5 [F=3] max-1 Z=5 B=1 add-1 Y=4 C=8 min-1 X=4 D=2 mult-1 E=2

  23. Voorbeeld: gebruik van structuur-model A=2 F=5 [F=3] max-1 max-1: 5 add-1 : 3 min-1: 3 mult-1: 3 Z B=1 add-1 max-1:4 add-1 : 4 min-1: 2 mult-1:2 Y C=8 min-1 X max-1:4 add-1 : 4 min-1: 4 mult-1:2 D=2 mult-1 E=2

  24. Samenvatting gebruik van correct-modellen (DNSB) • foutgedrag zien als alles wat niet correct is • herbruikbaarheid van componentmodellen • redeneren vanuit “first principles” • symptoomgestuurd • hyp. generatie, hyp. test, hyp. discriminatie • hyp. generatie: bepaal welke component een discrepantie kan veroorzaken • hyp. test: welke candidaat kan gelden voor alle observaties • hyp.discriminatie: vinden van extra info • => heel algemeen raamwerk

  25. Opmerkingen • modelleren is moeilijk! (wrong models) • structure models and complexity • scaling probleem! (=> abstractions)

  26. 1 XOR1 XOR2 1 0 1 AND2 OR1 0 AND1 Formalisatie van DNSB-diagnose • Een systeem: <SD,COMP> • SD: eerste-orde zinnen • COMP: eindige set van constantes COMP={XOR1,XOR2,AND1,AND2,OR1}

  27. Systeembeschrijving (SD) • speciaal predicaat ab(c): component “c” is abnormaal • SD bestaat uit: • typecomponent-regels • normaalgedrag-model van ieder type component • structuur-model • domein afhankelijk: circuit inputs zijn binair

  28. XOR1 1 XOR2 1 0 1 AND2 OR1 0 AND1 type component • 3 type componenten:andg, xorg, org andg(AND1) andg(AND2) xorg(XOR1) xorg(XOR2) org(XOR1)

  29. XOR1 1 XOR2 1 0 1 AND2 OR1 0 AND1 normaalgedrag-model van elk type component • 3 componenttypes: andg(x)  ab(x)  out(x)=and(in1(x),in2(x)) xorg(x)  ab(x)  out(x)=xor(in1(x),in2(x)) org(x)  ab(x)  out(x)=or(in1(x),in2(x))

  30. XOR1 1 XOR2 1 0 1 AND2 OR1 0 AND1 structuurmodel • verbindingen tussen de componenten out(XOR1) = in2(AND2) out(XOR1) = in1(XOR2) out(AND2) = in1(OR1) in1(AND2) = in2(XOR2) in1(XOR1) = in1(AND1) in2(XOR1) = in2(AND1) out(AND1) = in2(OR1)

  31. XOR1 1 XOR2 1 0 1 AND2 OR1 0 AND1 domeinafhankelijk: circuit inputs zijn binair in1(XOR1)=0  in1(XOR1)=1 in2(XOR1)=0  in2(XOR1)=1 in1(AND1)=0  in1(AND1)=1

  32. XOR1 1 XOR2 1 0 1 AND2 OR1 0 AND1 specifiek probleem: Observaties in1(XOR1)=1 in2(XOR1)=0 in1(AND1)=1 out(XOR2)=1 out(OR1)=0

  33. Definitie diagnose Een diagnose  voor (SD,OBS,COMP) is een minimale set van foute componenten zodat: SD  OBS  {ab(c)c  }  {ab(c)c  COMP \ } is consistent

  34. 1 XOR1 XOR2 1 0 1 AND2 OR1 0 AND1 Voorbeeld Diagnoses: {XOR1}, {XOR2,OR1}, {XOR2,AND2}

  35. Enkele eigenschappen • Een diagnose bestaat voor (SD,OBS,COMP)iffSD  OBS is consistent • {} is een diagnose (enige!) voor (SD,OBS,COMP) iff SD OBS {ab(c)c  COMP} is consistent • Als  een diagnose is dan voor iedere ci  :SD  OBS  {ab(c)c  COMP \ } |-- ab(ci)

  36. Dit college (8): • conceptueel model • formeel model college 8: verdieping in formele model college 9: algorithme college 10: General Diagnostic Engine college 11: terug naar MAB-diagnose

More Related