Supervision et surveillance de systèmes dynamiques Basées sur des modèles à événements discrets

1. Supervision et surveillance de systèmes dynamiques Basées sur des modèles à événements discrets Journée du travail du groupe S3 GRD-MACS Paris, 25 mai 2004 Michel Combacau LAAS-CNRS Groupe DISCO GDR-MACS Groupe S3

2. Supervision et surveillance de systèmes dynamiques Basées sur des modèles à événements discrets Commande à événements discrets Supervision et surveillance Les fonctions essentielles de la réactivité Maîtrise du système de supervision Cas des systèmes complexes (répartis) GDR-MACS Groupe S3

3. La commande à événements discrets consigne Système de commande actions procédé capteurs actionneurs informations Schéma classique de l’automatique. Oui, mais… - modèles de haut niveau d’abstraction - le temps n’y est pas explicite - l’espace d’état est presque toujours décrit exhaustivement GDR-MACS Groupe S3

4. La commande à événements discrets illustration : automate à états finis - Un ensemble de symboles {q1,q2,q3,q4} =>valeurs possibles du vecteur d’état - Une fonction de transition : d(q1,e1)=q2 => règle d’évolution du système modélisé q1 q2 e1 q4 q3 q2 q1 e2 e4 e3 t q4 q3 e1 e2 e4 e3 e1 e4 e1 Le temps n’apparaît que par la séquence des évolutions GDR-MACS Groupe S3

5. La commande à événements discrets consigne {ej..em} {a1..an} procédé capteurs actionneurs {e1..ej} • Le modèle exprime à la fois • - la loi de commande (séquence d’actions) • - le comportement du procédé (l’action ai provoque l’événement ei) • Hypothèses • l’espace d’état du modèle couvre toutes les évolutions possibles du procédé • toutes les évolutions du procédé sont observables à travers les capteurs GDR-MACS Groupe S3

6. La supervision et la surveillance Aléas (perturbations) consigne {ej..em} {a1..an} procédé capteurs actionneurs {e1..ej} • Conséquences • évolutions imprévues (anormales ?) • le vecteur d’état du modèle de commande peut ne plus représenter correctement la situation du procédé • manque un symbole qk • une valeur de d(qi,ei) est incorrecte • => Une des hypothèses n’est plus respectée… GDR-MACS Groupe S3

7. La Supervision et la surveillance Le traitement d’une défaillance va consister à détecter l’évolution anormale, puis à trouver l’hypothèse qui a été mise en défaut et enfin, à concevoir une nouvelle loi de commande qui tienne compte de la modification apportée par la défaillance • D’où les principales fonctions de la surveillance/supervision • Détecter le comportement anormal • Diagnostiquer la situation (localiser, identifier) • Reconfigurer le modèle de commande Découpage strict des fonctionnalités indépendant des techniques utilisées (le diagnostic ne fait pas de la détection ;-) GDR-MACS Groupe S3

8. La fonction détection Deux approches Reconnaître une signature particulière q2 q1 q3 e2 e3 q0 q4 e1 e4 conduisant à une situation dangereuse / une défaillance q2 q1 q3 e2 e3 q0 q4 e1 e4 q2 q1 q3 q0 Le modèle peut être explicitement temporisé (chronique) => filtrage, reconnaissance des formes, classification GDR-MACS Groupe S3

9. La fonction détection Percevoir une déviation du comportement q1 q0 e1 (e1, e2, e3, e4, e5) (e1, e2, e1, e5) (e1, e3, e4, e5) (e2, e3, e4, e5) (e2, e1, e5) e2 e2 e3 e5 q2 e1 q4 e3 e4 q3 Apparition d’un mot n’appartenant pas au langage de l’automate => Fonctionnement non prévu (anormal ?) Temporisations : plus de précision • Proche de l’estimation/prédiction dans le principe Sur les événements plutôt que sur la trajectoire d’état (résidu) GDR-MACS Groupe S3

10. La fonction détection L’automate contient toutes les évolutions du procédé commandé Deux « philosophies » actions Modèle global Procédé réel - + prédiction Symptôme synchronisation prédiction Modèle du procédé Symptôme prédiction Modèle de commande Symptôme actions Procédé réel GDR-MACS Groupe S3

11. La fonction diagnostic Nombreux travaux … Exemple d’utilisation d’un modèle à événements discrets : Raisonnement sur les principes de base (propagation d’erreur) P2 P1 P3 R1 & R2 & R3 R4 P4 Réalité modèle GDR-MACS Groupe S3

12. La fonction diagnostic Parfois difficile à distinguer de la fonction détection Exemple : chronique q2 q1 q3 e2 e3 q0 q4 e1 e4 L’accès à l’état q4 peut être caractéristique d’un dysfonctionnement clairement identifié au préalable GDR-MACS Groupe S3

13. La fonction reconfiguration • Concerne les modèles • Restriction du modèle (perte de fonctionnalités) q1 q0 e1 e2 e3 e5 q2 e1 q4 e3 e4 q3 GDR-MACS Groupe S3

14. La fonction reconfiguration • Concerne les modèles • Restriction du modèle (perte de fonctionnalités) • Prise de décision par analyse d’accessibilité (diagnostic ?) q1 q0 e1 e2 e3 e5 q2 e1 q4 e3 e4 q3 GDR-MACS Groupe S3

15. La fonction reconfiguration • Concerne les modèles • Restriction du modèle (perte de fonctionnalités) • Prise de décision par analyse d’accessibilité (diagnostic ?) • Élaboration d’une nouvelle loi de commande • Continuité des valeurs du vecteur d’état • Nouvel objectif (mode dégradé) q1 q0 e1 rep Séquence de reprise (rep) Nouvelle loi {q0,q2,q4} e2 e3 e5 q2 e1 q4 e3 e4 q3 GDR-MACS Groupe S3

16. Maîtriser le système de supervision Idée de départ : détection ->arrêt -> diagnostic -> reconfiguration -> redémarrage Est-ce toujours possible / souhaitable ? Ex : moteur d’avion, centrale nucléaire, ABS, suspension automobile… Une solution : « modèle de surveillance » Un modèle à événements discrets qui active les fonctions de supervision en fonction de la situation perçue (en ligne) Infos procédé détection a/d symptôme Modèle de surveillance a/d diagnostic GDR-MACS Groupe S3

17. Maîtriser le système de supervision Ce modèle permet d’adapter la réaction de la supervision Normal -Commande -Détection Symptôme 2 Sans gravité -Commande -Détection -Diagnostic Symptôme1 Urgence -Repli Vu comme le modèle de commande du système de supervision GDR-MACS Groupe S3

18. Modèles distribués pour la supervision • Supervision/surveillance de systèmes complexes • Approche modulaire : plusieurs systèmes qui interagissent • Deux aspects • 1 Les modèles • Aspects synchronisation / communication • Formalisme pour preuve de propriétés globales • 2 Les algorithmes / mécanismes • - Extension des mécanismes centralisés • - Nouvelles fonctionnalités GDR-MACS Groupe S3

19. Modèles distribués pour la supervision • Structures de commande-surveillance-supervision • Centralisée : simple à imaginer, difficile à maintenir • modèle unique et centralisé • Hiérarchisée : assez simple, difficile à maintenir • modèles obtenus par affinement ou agrégation • Hétérarchique : naturelle, extensible • modèles obtenus par composition ou décomposition GDR-MACS Groupe S3

20. Modèles distribués pour la supervision • Une proposition • Distribution avec redondance d’un modèle centralisé • Maintien de la cohérence des données • Ce qui est recherché • Diagnostic distribué • Reconfiguration • Tolérance aux fautes GDR-MACS Groupe S3

21. Modèles distribués pour la supervision • Distribution d’un modèle basé réseau de Petri • Deux approches classiques • Partage de transitions (communications synchrones) • Partage de places (communications asynchrones) • les éléments partagés sont redondants (rendez vous ou boîtes aux lettres) • Immanquablement ces méthodes s’appuient sur les invariants (P ou T) • Les invariants sont choisis pour calquer une réalité GDR-MACS Groupe S3

22. Modèles distribués pour la supervision • Démarche proposée • Identification des invariants correspondant aux différents états d’une ressource (un modèle par ressource) • Ajout des transitions en relation avec ces places (changements d’état de la ressource) • Ajout des places en relation avec les transitions ci-dessus (conditions d’évolution de la ressource) • Réduction du reste du réseau initial et adjonction au modèle obtenu précédemment (pour garder les propriétés du modèle initial) • = > Réduction orientée d’une partie du modèle initial GDR-MACS Groupe S3

23. Sous modèle Places du générateur vk. • Réduction Les transitions internes du générateur N N = = Numberof generators Q Q , N = = U S S , N number of generator U i i = i 1 = i 1 . N j = j = , N number of generator U i = 1 i Modèles distribués pour la supervision • Determination Psemi-flots positifs (générateurs) Générateur Transitions • Places externes GDR-MACS Groupe S3

24. Les générateurs Q1={p3, p5, p6, p7, p8} Q2={p2, p5, p6, p7, p8} Q3={p4, p5, p6, p7, p8} Q4={p13, p14, p15, p16} Q5={p9, p10, p11, p12} Q6={p1, p5} A B Les transitions S1={t0, t1, t2, t3, t4, t5, t9} S2={t0, t1, t2, t3, t4} S3={t0, t1, t2, t3, t4} S4={t9, t10, t11, t12} S5={t5, t6, t7, t8} S6={t0, t1} C D Les places externes φ1={p1, p2, p4, p9, p10, p13, p14} φ2={p1, p3, p4} φ3={p1, p2, p3} φ4={p3} φ5={p3} φ6={p2, p3, p4, p6} Modèles distribués pour la supervision GDR-MACS Groupe S3

25. P P P P P P 2 2 13 13 13 13 P P P P P P P 1 1 9 9 9 9 4 4 T T T T T T T T T T 5 5 5 5 9 9 9 9 0 0 P P P P 5 5 P P P P 10 10 14 14 14 14 T T 1 1 T T T T T T r1 r1 r1 T T T PN PN PN PN PN PN P P r2 r2 r2 r4 6 6 1 1 1 2 2 2 - - - - - - T T 2 2 P P 7 7 T T 3 3 P P P 8 8 8 T T T 4 4 4 Modèles distribués pour la supervision Q1={p3, p5, p6, p7, p8} Q5={p9, p10, p11, p12, p8} S1={t0, t1, t2, t3, t4, t5, t9} S5={t5, t6, t7, t8} φ1={p1, p2, p4, p9, p10, p13, p14} φ5={p3} P3 P3 P10 T6 P11 PN4- T7 P12 T8 GDR-MACS Groupe S3

26. Modèles distribués pour la supervision • Maintien de la cohérence des données redondantes • Une ressource représentée dans plusieurs sous modèles • (collaboration entre n ressources, n étant inconnu) • Processus de réservation cyclique • Requêtes entre les sites • Fonctionnement identique sur chacun des sites • Indépendant de n • Pré-réservation / réservation / libération GDR-MACS Groupe S3

27. Détection distribuée La fonction détection … Superviseur 1 Superviseur n Concepts de base 1 2 … Système surveillé Zone 1 Zone n • Événement: correspond à un stimulus auquel le superviseur peut réagir en changeant d’état. • Date d’occurrence: mesure à l'aide d'une horloge du système de supervision de la coordonnée temporelle d'un événement reçu. horloge locale • Un événement est daté dans le repère temporel local, lié au site de surveillance Si le recevant • La fonction d’Occurrence notée O et définie par : O :  Q+ ei O(ei) GDR-MACS Groupe S3

28. Détection distribuée • Contraintes entre événements: relation impliquant une durée liant des occurrences d’événements. • Relation binaire : • contrainte de précédence :O(ei) < O(ej) • contrainte de type intervalle : dji≤ O(ej) – O(ei) ≤fji • avec dji et fji éléments de Q+ Relation n-aire : contrainte de type fenêtre d’admissibilité di≤ min (O(ei) – O(ej)) ≤fi Chronique :ensemble d’événements et de contraintes temporelles à vérifier liant les occurrences des événements GDR-MACS Groupe S3

29. Détection distribuée • les contraintes locales : lient des événements de l’ensemble i associé à un superviseur i. • les contraintes globales 1={e1, e2, e3} 2={e4} Superviseur 2 e4 Superviseur 1 e1 e2 e3 Contrainte globale Contrainte locale • Notion de sous-chronique et de reconnaissance de chronique GDR-MACS Groupe S3

30. Détection distribuée • Distribution des contraintes temporelles • Rattacher une contrainte globale à un seul superviseur O(ei) < O(ej) dji≤ O(ej) – O(ei) ≤fji di≤ min (O(ei) – O(ej)) ≤fi ek Superviseur 1 Superviseur 2 • Délai de communication borné δm ≤ délai de communication ≤δM Délai ei ej GDR-MACS Groupe S3

31. Détection distribuée • Reconnaissance d’une sous-chronique avec prise en compte des délais • Dans la vérification des contraintes • Réécriture de la contrainte globale initiale dji≤ O(ej) – O(ei) ≤fji O(ej) – O(ei) = (O(ej) – O(ek)) +Δ= (O(ej) – O(ek)) + (O(ek) – O(ei)), O(ej) – O(ek)+ δm≤O(ej) – O(ei) ≤O(ej) – O(ek)+ δM • Contraintes locale vérifiée contrainte globale vérifiée GDR-MACS Groupe S3

32. Détection distribuée Intervalle des valeurs possibles de O(ej)-O(ei) permettant de vérifier la contrainte (1) pour une durée O(ej) - O(ek) donnée. GDR-MACS Groupe S3

33. Détection distribuée GDR-MACS Groupe S3

34. Détection distribuée GDR-MACS Groupe S3

35. Détection distribuée GDR-MACS Groupe S3

36. Perspective pour la supervision a événements discrets Le modèle à événements discrets est une abstraction du procédé qui est généralement continu Traitement des variables d’état continues : détermination du vecteur d’état du modèle à événements discrets Valeur non prévue dans le modèle - transition non prévue (panne procédé) - événement non perçu (panne capteurs) q1 q0 Monde discret e1 e2 q2 q0 q2 Monde continu GDR-MACS Groupe S3