FR3046265A1 - Systeme de surveillance d'une installation industrielle ; procedes de configuration et de surveillance associes - Google Patents

Abstract

Ce système de surveillance (10) d'une installation industrielle (12), comporte une pluralité de capteurs (20m) implantés dans l'installation industrielle et une plateforme informatique (30) configurée pour exécuter une application logicielle (40) comportant une modélisation d'une défaillance (Di) susceptible d'affecter l'installation industrielle, caractérisé en ce que la modélisation comporte un réseau de neurones récurrent spécifique (42i) associé à ladite défaillance (Di) et propre à prendre en entrée tout ou partie des grandeurs mesurées (C(t)) par les capteurs sur une fenêtre temporelle passée (F1) à partir de l'instant courant (t) et à délivrer en sortie une probabilité (Pi(t)) d'occurrence de la défaillance (Di) dans une fenêtre temporelle future (F2) à partir de l'instant courant (t).

Description

SYSTEME DE SURVEILLANCE D’UNE INSTALLATION INDUSTRIELLE : PROCEDES DE CONFIGURATION ET DE SURVEILLANCE ASSOCIES

La présente invention concerne un système de surveillance d’une installation industrielle et les procédés associés.

Le processus de fabrication réalisé au sein d’une installation industrielle, par exemple la synthèse d’un composant chimique ou le mélange d’ingrédients alimentaires, repose in fine sur des phénomènes physiques, qui imposent des relations entre les valeurs de grandeurs physiques et des contraintes sur les valeurs de ces grandeurs.

Par exemple, la synthèse d’un composé AB à partir d’une quantité de l’espèce A et d’une quantité de l’espèce B, dans un réservoir chauffé, impose des contraintes sur la température dans le réservoir, qui doit par exemple être maintenue entre des valeurs minimum et maximum (qui peuvent évoluer au cours du temps) ; sur la pression dans le réservoir, qui doit rester inférieure à une pression maximale de tenue du réservoir ; sur la tension et l’intensité d’un courant d’alimentation d’une résistance de chauffage du réservoir, la résistance étant alimentée pendant un temps prédéterminé pour augmenter d’un degré la température à l’intérieur du réservoir compte tenu de la quantité de matière s’y trouvant et des caractéristiques calorifiques des espèces chimiques présentes ; etc.

Une telle installation industrielle doit être surveillée à chaque instant de manière à s'assurer de son bon fonctionnement et qu’elle ne va pas être l’objet d’une défaillance, au sens large du terme, c’est-à-dire de tout écart par rapport à un fonctionnement nominal, éventuellement à un intervalle d’erreur près.

Il y a donc un besoin de détection des signes avant-coureurs de la survenue d’une défaillance.

Pour ce faire, l’installation est munie d’une pluralité de capteurs qui mesurent des grandeurs pouvant être associées aux grandeurs des phénomènes physiques mis en jeu.

Les défaillances susceptibles d’affecter une installation industrielle sont nombreuses et variées, et ceci d’autant plus que la complexité de l’installation et du processus de fabrication réalisé par cette installation augmente. Il en va donc de même pour les signes pouvant permettre d’anticiper une défaillance.

La détection des signes avant-coureurs d’une défaillance est souvent une opération complexe, même pour un expert métier.

En effet, l’identification des signes avant-coureurs d’une défaillance nécessite de regrouper et d’analyser les mesures délivrées par un ensemble de capteurs hétérogènes. Ceci rend difficile une surveillance efficace par un agent. Il est particulièrement difficile de reconnaître rapidement un ensemble de valeurs significatives de l’émergence d’une défaillance parmi toutes les informations présentées à l’agent.

Il faut également surveiller le bon ensemble de capteurs et au bon moment pour avoir une chance de détecter un motif temporel constituant la signature d’une défaillance à venir.

Comme il y a moins d’agents que de capteurs à surveiller pour détecter la présence d’une défaillance sur l’un des composants de l’installation industrielle pouvant présenter une défaillance, cela conduit à ne détecter une défaillance qu’une fois celle-ci survenue. Auquel cas, l’installation industrielle a continué à fonctionner : soit le produit obtenu est médiocre ou défectueux ; soit la défaillance à occasionnée des dégradations sur l’installation industrielle elle-même.

Il y a un donc un besoin pour un système d’aide à la surveillance d’une installation industrielle permettant d’anticiper la survenue d’une défaillance parmi un ensemble de défaillances identifiées.

Le système présenté dans le document US 2014/0351642 met en œuvre une méthode générale consistant à implanter dans l’usine de nombreux capteurs afin de surveiller automatiquement le processus de fabrication. Ce système détecte une défaillance uniquement d’après les mesures délivrées par chacun des capteurs pris isolément. Aucune relation entre les mesures n’est évoquée qui permettrait de caractériser un ensemble de signes avant-coureurs d’une défaillance.

Le document WO 2002054654 A2 envisage le calcul d’une probabilité de survenue d’une défaillance à venir, à partir des grandeurs mesurées par un ensemble de capteurs répartis à travers l’installation industrielle. Cependant, ce calcul nécessite d’avoir sélectionné initialement, parmi l’ensemble des grandeurs mesurées par les capteurs installés, les grandeurs pertinentes qu’il convient d’observer au cours du temps pour anticiper la survenue de la défaillance considérée. Il y a donc un travail amont, réalisé par un expert métier de détermination de ces grandeurs pertinentes. Les seules défaillances détectables sont alors celles connues de l’expert, notamment dans leur dynamique d’apparition.

Le document US20120150489 mentionne simplement la prédiction de l’évolution d’une grandeur mesurée par un capteur.

Le document EP2478423 recourt à des experts métier pour définir les motifs caractéristiques qui précédent la survenue des défaillances à identifier.

Ainsi, les systèmes connus permettent une tenue de situation et éventuellement d’alerter un agent lorsqu’un événement suspicieux (détection d’anomalie précédant une défaillance) se produit, mais ne permettent pas d’orienter l’agent vers l’émergence d’une défaillance spécifique, à moins que celle-ci relève d’un type clairement identifié par les experts métier. En effet, ces systèmes de l’état de la technique ne prennent intrinsèquement pas en compte la dynamique temporelle sous-jacente au fonctionnement de l’installation industrielle.

De plus, les installations industrielles présentent certaines défaillances que les experts métier ne savent pas comment anticiper. Regrouper l’ensemble des capteurs au sein d'un système ne suffit pas. On ne peut automatiser une détection uniquement lorsque sa dynamique est déjà connue de l’expert métier. Seule la vitesse de détection augmente. Aucun des systèmes connus ne permet d’isoler automatiquement les motifs précurseurs d’une défaillance future.

Enfin, selon l’état de la technique, pour surveiller un nouveau type de défaillance, il est nécessaire d’installer de nouveaux capteurs permettant le recueil des grandeurs jugées pertinentes pour la surveillance de l’installation industrielle vis-à-vis de cette nouvelle défaillance. Ainsi, dans les systèmes de surveillance de l’état de la technique, chaque nouveau type de défaillance nécessite l’installation de nouveaux capteurs ainsi que l'intervention d’un expert pour configurer le système de surveillance pour qu’il puisse anticiper la survenue d’une défaillance, si tant est que celui-ci sache comment détecter l’imminence de cette défaillance.

Le but de l’invention est donc de pallier aux problèmes précités. L’invention a donc pour objet un système de surveillance d’une installation industrielle, comportant une pluralité de capteurs implantés dans l’installation industrielle et une plateforme informatique configurée pour exécuter une application logicielle comportant une modélisation d’une défaillance susceptible d’affecter l’installation industrielle, caractérisé en ce que la modélisation comporte un réseau de neurones récurrent spécifique associé à ladite défaillance et propre à prendre en entrée tout ou partie des grandeurs mesurées par les capteurs sur une fenêtre temporelle passée à partir de l’instant courant et à délivrer en sortie une probabilité d’occurrence de la défaillance dans une fenêtre temporelle future à partir de l’instant courant.

Le système de surveillance présente la capacité d’identifier automatiquement les instabilités annonciatrices d’une défaillance particulière, sans connaissances a priori sur cette défaillance, puis de surveiller l’installation de manière à détecter, en temps réel, la survenue de ces instabilités caractéristiques. Il permet de qualifier cette défaillance dans un ensemble de défaillances possibles et d’alerter un agent sur la probabilité d’occurrence de ladite défaillance.

Ce système est fondé sur un type d’algorithme connu dénommé « réseau de neurone». En particulier, parmi les réseaux de neurones, on connaît les réseaux de neurones récurrents, aussi dénommé RNN dans ce qui suit, selon l’acronyme anglais « Récurrent Neural Network ». L’article de Zachary C. LIPTON et al. « A Critical Review of RNN for Sequence Learning » propose par exemple d’utiliser des RNN pour le traitement du langage.

Suivant des modes de réalisation particuliers, le système comporte une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles : - un module de mise en forme des grandeurs mesurées par les capteurs, consistant à échantillonner les différentes grandeurs mesurées selon un pas de temps commun et à regrouper en un multiplet mesuré les grandeurs mesurées au même instant d’échantillonnage ; le réseau de neurones récurrent spécifique associé à une défaillance particulière comporte une couche inférieure de projection depuis un espace d’origine des multiplets mesurés des grandeurs mesurées vers un espace de projection, la première couche délivrant en sortie une multiplet projeté à l’instant courant, et une couche supérieure de classification du multiplet projeté ; la couche inférieure du réseau de neurones récurrent spécifique prend en entrée un multiplet mesuré à l’instant courant et le multiplet projeté au pas de temps précédent ; la couche dinférieure comporte une pluralité de cellules, au moins une cellule de ladite pluralité de cellules étant du type « unité récurrente à déclenchement » ; la couche inférieure comporte une pluralité de cellules, au moins une cellule de ladite pluralité de cellules mettant en œuvre une fonction d'activation, notamment du type « dernière mémoire à court terme » ou du type « rectification linéaire » ; la couche supérieure est un réseau de neurones constitué de cellules classiques, c’est-à-dire propres à réaliser une combinaison pondérée de leurs entrées, constituées par les coordonnées d’un multiplet projeté ; et, la plateforme comporte une base de données permettant de stocker les mesures effectuées par chacun des capteurs de l’installation industrielle. L’invention a également pour objet un procédé de configuration du système de surveillance consiste à : définir au moins un type de défaillance que le système de surveillance doit pouvoir détecter ; élaborer un historique des grandeurs mesurées spécifique de l’occurrence, dans l’installation industrielle surveillée, d’une défaillance du type défini et associer à chaque pas de temps de l'historique un label indiquant si oui ou non ladite défaillance apparaît dans une fenêtre temporelle future à partir du pas de temps considéré ; définir un réseau de neurones récurrent générique ; et, configurer le réseau de neurones récurrent générique à partir de l'historique labélisé élaboré, afin de construire un réseau de neurones récurrent spécifique du type de défaillance défini ;

De préférence, l’étape de configuration comporte une étape d’apprentissage et une étape de calibration ; L’invention a également pour objet un procédé de surveillance mettant en œuvre un système de surveillance tel que décrit ci-dessus comportant un réseau de neurones récurrent spécifique associé à une défaillance et configuré par la mise en œuvre du procédé de configuration tel que décrit ci-dessus pour la surveillance de ladite défaillance, caractérisé en ce qu’il consiste à : mettre en forme les grandeurs mesurées à chaque pas de temps dans un multiplet mesuré ; faire observer au réseau de neurones récurrent spécifique, à chaque pas de temps, les multiplets mesurés mis en forme et calculer une probabilité d’occurrence de ladite défaillance sur la fenêtre future ; comparer la probabilité calculée à un seuil prédéterminé, et, en cas de dépassement du seuil ; et générer une alarme.

Les caractéristiques et avantages de l’invention apparaîtront à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple, et faite en référence aux dessins annexés, sur lesquels : - la figure 1 est une représentation schématique d’un système de surveillance selon l’invention ; - la figure 2 est une représentation schématique d’un algorithme RNN mis en œuvre par le système de la figure 1 ; - la figure 3 est une représentation schématique déployée dans le temps du RNN de la figure 2 ; - la figure 4 est une représentation schématique de l’étage de projection du RNN de la figure 2 ; - la figure 5 est une représentation schématique d’un procédé de configuration du RNN de la figure 2 afin d’identifier automatiquement les instabilités annonciatrices d’une défaillance particulière ; et, - la figure 6 est une représentation schématique d’un procédé d’utilisation du RNN de la figure 2 une fois configuré pour anticiper la survenue de la défaillance correspondante. Généralités

Sur la figure 1, le système de surveillance 10 d’une installation industrielle 12 comporte une pluralité de capteurs 20m, avec l’indice entier m entre 1 et M, implantés dans l’installation industrielle 12 de manière à collecter des grandeurs en relation avec le processus de fabrication réalisé par cette installation industrielle. Le nombre de capteurs est ainsi dénommé M. Les capteurs 20 sont de différents types : capteur de température, de pression, de courant, de vitesse, etc.

Le système de surveillance 10 comporte également une plateforme informatique 30, à laquelle sont connectés les différents capteurs 20, via une interface d’entrée/sortie 31.

La plateforme 30 comporte des moyens de calcul, tels qu’un processeur 32, et des moyens de mémorisation, tels qu’une mémoire 34 et une base de données 36. La mémoire comporte une pluralité de programmes informatiques dont les instructions sont exécutables par le processeur.

Les capteurs 20 renvoient des données numériques échantillonnées avec une fréquence d'acquisition propre à chaque capteur. Ces données sont étiquetées temporellement et stockées dans la base de données 36. Celle-ci présente une taille suffisante pour stocker un historique suffisant des grandeurs mesurées et pouvoir entraîner les différentes modélisations, comme cela sera présenté ci-dessous.

Parmi les programmes stockés sur la plateforme 30, le système de surveillance 10 comporte une application logicielle de surveillance 40, accédant aux ressources de la plateforme 30 au travers d’un système d’exploitation 43 adapté.

Pour chaque défaillance Dj d’un ensemble I des défaillances possibles, l’application de surveillance 40 est propre à détecter les instabilités annonciatrices de cette défaillance Di à partir des données collectées par les capteurs 20. L’ensemble I comporte N défaillances que le système de surveillance 10 est propre à détecter.

Pour chaque défaillance Di de l’ensemble I des défaillances possibles, l’application de surveillance 40 comprend une modélisation de cette défaillance fondée sur un réseau de neurones récurrent spécifique 42,. Sur la figure 1, le RNN 421 d’une première défaillance possible, le RNN 422 d’une seconde défaillance possible, et le RNN 42n d’une Nième défaillance possible sont référencés.

Le RNN spécifique 42, d’une modélisation est propre à prendre en entrée tout ou partie des grandeurs mesurées par les capteurs 20 équipant l’installation 12 sur une fenêtre temporelle passée F1, se terminant à l’instant courant t, et à délivrer en sortie une probabilité d’occurrence de la défaillance correspondante, Pi(t), sur une fenêtre temporelle future F2, à partir de l’instant courant t.

Les fenêtres temporelles passée et future ont des durées ajustables, par exemple une demi-heure pour la fenêtre passée F1 et une heure pour la fenêtre future F2.

Lors de son utilisation, le système de surveillance 10 permet ainsi un traitement, en temps réel, des grandeurs mesurées par les capteurs 20 à l'instant courant t, tout en tenant compte d’un historique de ces grandeurs mesurées.

Lorsque la probabilité d’occurrence Ρ,(ί) de la défaillance D, dépasse un seuil Si prédéterminé, le système de surveillance 10 lève une alarme adaptée aidant le ou les agents.

Le système de surveillance 10 comporte une interface homme-machine 50 permettant à un agent d’interagir avec le système, et notamment de visualiser, à chaque instant, les résultats des traitements réalisés au cours de l’exécution de l’application de surveillance 40 et éventuellement l’affichage d’un symbole correspondant à l’alarme spécifique de la défaillance D|. L’interface homme-machine 50 peut par exemple afficher, à la demande de l’agent, un ensemble de courbes, chaque courbe représentant l’évolution temporelle d’une grandeur d’intérêt pour la détection d’une défaillance D, particulière. Cette grandeur correspond aux mesures réellement effectuées par un ou plusieurs capteurs (dans le cas d’une grandeur obtenue indirectement à partir de plusieurs grandeurs mesurées).

Pour chacune des défaillances D, à prévoir, le RNN 42i de la modélisation associée résulte de la configuration d’un RNN générique 42. De préférence, le RNN générique dont dérive la modélisation de chaque défaillance D, de l’ensemble I est identique pour toutes les défaillances.

Au cours de cette configuration du système de surveillance 10, des instabilités caractéristiques de la défaillance D| sont isolées et apprises par le RNN générique, et ceci automatiquement.

Le RNN 42i ainsi configuré est alors spécifique de la défaillance D|.

Le RNN spécifique 42i étant construit automatiquement à partir de la réunion de toutes les grandeurs mesurées au sein de l’installation industrielle 12, sans sélection a priori de grandeurs utiles ou pertinentes par un expert, le RNN 42i prend en entrée toutes les grandeurs mesurées par les capteurs 20 présents dans l’installation 12, sans distinction.

La configuration automatique d’un RNN 42i permet d’identifier la dynamique régissant l’évolution des phénomènes physiques du processus de fabrication qu'un expert ne saurait pas forcément modéliser. Des relations complexes entre grandeurs mesurées et probabilité Pj(t) de survenue de la défaillance D| peuvent ainsi être identifiées, notamment en prenant en compte des dépendances temporelles complexes entre ces grandeurs mesurées. Ainsi, un RNN permet d’aller au-delà de ce que peut faire un expert métier en identifiant des relations inédites entre les grandeurs mesurées.

Enfin, la différence essentielle par rapport aux systèmes de surveillances connus réside dans la capacité d’un RNN d’établir des relations non linéaires entre grandeurs mesurées et probabilité d’occurrence d’une défaillance.

Le fait de fonder la modélisation d’une défaillance sur un RNN rend cette modélisation plus robuste vis-à-vis de la panne d’un capteur, car les RNN peuvent être reconfigurés de manière à apprendre automatiquement les motifs pertinents à partir de l’ensemble des capteurs effectivement présents et en état de fonctionnement.

Ils peuvent ainsi permettre d’éviter d’avoir à installer de nouveaux capteurs 20 en vue de la détection d'une nouvelle défaillance susceptible d'affecter l’installation industrielle 12, à condition toutefois que ces nouveaux capteurs présentent une forte corrélation avec les capteurs déjà présents dans l’installation 12.

On constate donc que la nature et le choix des capteurs 20 est, compte tenu de l'algorithme mis en œuvre, secondaire. Il faut pourtant s’assurer de la présence d’un grand nombre de capteurs pertinents dans l’installation industrielle pour détecter et discriminer les défaillances de l’ensemble I des défaillances possibles. Le déploiement des capteurs reste un domaine où l’expérience d’un expert métier est nécessaire pour recueillir autant d’information que possible. Le tri des grandeurs d’intérêt pour une défaillance particulière étant réalisé automatiquement lors de l’étape de configuration du RNN générique en vue de sa spécialisation à l’identification d’une défaillance particulière.

Les RNN 42i implémentés dans le système de surveillance 10 peuvent être en mode incrémental ou au moins être mis à jour tous les ans par exemple, de manière à avoir un système de surveillance auto-apprenant, qui observe l’ensemble du système industriel 12 en temps réel.

Il est à noter que le nombre N des défaillances de l’ensemble I résulte d’un choix. Si un seul type de défaillance intéresse les exploitants de l’installation industrielle, N sera égal à 1 et l’application de surveillance 40 n’implémentera qu’un seul RNN pour la détection de cette défaillance. Le nombre N peut évoluer au cours du temps, si par exemple, l’installation industrielle surveillée est l’objet d’une défaillance nouvelle que l’exploitant voudrait pouvoir suivre. L’application de surveillance 40 est alors mise à jour avec un RNN additionnel configuré pour identifier la survenue de cette nouvelle défaillance.

Structure d’un RNN

Comme représenté à la figure 2, un RNN générique 42 ou un RNN spécifique 42i d’une défaillance D,, présente de préférence une structure particulière.

Le RNN 42 comporte une couche inférieure 44 de projection et une couche supérieure 46 de classification.

Le couche inférieure 44 prend en entrée un multiplet mesuré C(t), la coordonnée k de ce multiplet correspondant à la grandeur mesurée par le capteur 20« à l'instant t. Un multiplet présente M coordonnées, dans le cas préférentiel où l’ensemble des grandeurs mesurées sont utilisées. Si l’entrée du RNN est constituée par un sous-groupe des capteurs disponibles, le multiplet est spécifique de ce sous-groupe.

La couche inférieure 44 a pour but de projeter l’espace d’origine Ec des multiplets mesurés C(t) sur un espace de projection Eh facilitant la discrimination des instabilités spécifiques d’une défaillance. Pour le pas de temps courant, la couche inférieure 44 génère ainsi en sortie à partir d'un multiplet mesuré C(t) un multiplet projeté h(t).

Il est à noter que la dimension de l’espace Eh est a priori différente de celle de l’espace d'origine Ec. Une fois le RNN générique configuré pour être spécifique d’une défaillance Di, l'identification de relations entre les grandeurs mesurées permet a priori de réduire le nombre de dimension.

Il est également à noter que l’opération de projection réalisée par la couche inférieure est spécifique de la défaillance Di à laquelle le RNN 42i est associée.

La couche inférieure 44 prend également en entrée un multiplet projeté h(t-e), correspondant au multiplet projeté obtenu en sortie de la couche inférieure 44 lors du pas précédent d’exécution du RNN 42. Le pas ε est un paramètre ajustable, par exemple valant 5 mn pour une fenêtre F1 de l’ordre de 30 mn. Le pas ε est par exemple déterminé de manière à être égale au plus petit multiple commun des fréquences d’échantillonnage des grandeurs délivrées par les capteurs 20.

Sur la figure 3, le RNN générique 42 est représenté de manière déployée dans le temps, montrant finalement comment la couche inférieure 44 prend en compte, à travers la récurrence sur le multiplet h, l’historique de l’installation surveillée et donc la dynamique de l’installation industrielle surveillée.

La couche supérieure 46 du RNN 42 est une couche de classification des évènements dans l’espace de projection Eh. Il classe les projections h(t) en deux classes : motif caractéristique de la défaillance D, ou comportement normal. En utilisant un opérateur de projection, la couche de classification peut apprendre directement les instabilités caractéristiques de la défaillance Dj à prévoir.

Chaque défaillance Di peut être décrite par une variable pi(t) qui est une donnée binaire 0 ou 1 : Elle vaut 1 si la défaillance D{ a lieu à l’instant t et 0 sinon.

Le but étant de pouvoir répondre à la question « la défaillance Dj aura-t-elle lieu dans les Q pas de temps suivants l’instant courant t ? », la couche supérieure 46 calcule une probabilité P£(t) d’apparition de la défaillance dans les Q pas de temps suivants en fonction de la projection proposée par la couche 44.

La probabilité P£(t) correspond à une estimation de l’opération booléenne OU sur les Q valeurs de la variable p; pour les Q pas de temps qui suivent l’instant courant t. Le label booléen que l’on cherche à prédire vaut ainsi 1 lorsque l’inégalité Σ,=ι Pi(t + q. ε)>=1 est vérifiée et 0 sinon.

Avec q un index entier et Q.e la taille de la fenêtre future F2.

La probabilité Ρ£(£) est entre 0 et 1, la valeur minimum 0 correspondant au cas où il est certain que la défaillance Di n’apparaît pas dans la fenêtre future F2 à partir de t, et la valeur maximum 1, où il est certain que la défaillance Di apparaît dans la fenêtre future F2 à partir de t.

Plus spécifiquement, comme représenté à la figure 4, la couche inférieure 44 de projection comporte une pluralité de cellules 60r, avec r entier entre 1 et R. R vaut par exemple entre 5 et 100, de préférence entre 10 et 50. Ces cellules sont disposées les unes à côté des autres. Ces cellules sont identiques entre elles. Il s’agit de cellules du type unité récurrente à déclenchement ou « Gated Reccurrent Unit » en anglais. Une telle cellule est présentée à la figure 9 de l’article de Zachary C. LIPTON et al. « A Critical Review of RNN for Sequence Learning ». De préférence encore, les cellules mettent en œuvre des fonctions d’activation du type « dernière mémoire à court terme », « Last Short Term Memory » en anglais, ou du type rectification linéaire, « RectifiedLinear» en anglais, tel que par exemple : max(0,x). L’utilisation de fonctions d’activation et de cellules du type « Gated Récurrent Unit » permet d’assurer une bonne convergence du RNN 42.

Notamment, une difficulté propre aux RNN est de transmettre le gradient au fil des récurrences sans l’atténuer. Or, en utilisant la fonction d’activation RectifiedLinear=max(0,x), on transmet la partie positive du gradient sans atténuation au fil des récurrences.

La couche inférieure 44 comporte également un module 62 de concaténation des projections élémentaires hr(t) en sortie de chaque cellule 60r, de manière à délivrer en sortie la projection h(t).

Quant à la couche supérieure 46, il s’agit d’une couche neuronale comportant une pluralité de cellules classiques, délivrant une variable de sortie par combinaison pondérée de plusieurs variables d’entrée (constituées par les coordonnées du multiplet projeté h(t)).

Processus de configuration

Le procédé de configuration 100 du système de surveillance 10 va maintenant être décrit en référence à la figure 5.

Le procédé 100 permet d’obtenir un RNN spécifique 42i pour chaque défaillance D, d’un ensemble I de défaillance qu’il sera possible de surveiller.

Dans une première étape 110, l’ensemble I des défaillances de l’installation industrielle 12 que l’on veut pouvoir prévoir, est définit.

Pour chaque défaillance D, de l’ensemble I, un réseau RNN spécifique 42i est construit à partir d'un réseau RNN générique.

De préférence, le réseau RNN générique s’appuie sur l’ensemble des grandeurs mesurées par les capteurs 20 de l’installation industrielle 12, la configuration du RNN générique permettant une sélection automatique des grandeurs pertinentes dans le calcul de la probabilité Pj(t) de survenue de la défaillance Dj d’intérêt.

En variante, un sous-groupe de capteurs pertinents parmi l’ensemble des capteurs 20 implantés dans l’installation 12 est utilisé pour générer les entrées du RNN.

Puis, une étape 120 de mise en forme des entrées est réalisée. Pour cela l’application 40 comporte un module 41 de mise en forme des grandeurs mesurées par les capteurs 20, consistant à échantillonner les différentes grandeurs mesurées et stockées dans la base de données 36 selon un pas de temps ε commun et à regrouper en un multiplet C(t) les grandeurs mesurées au même instant d’échantillonnage.

En répétant cette opération pour chaque pas de temps, on prépare un historique des grandeurs mesurées par les capteurs 20.

On met en forme ces mesures sous la forme de multiplets pour chaque pas de temps, et l’on élabore des séquences temporelles sous la forme : (C(t0).....C(tO-n.e)), pour chaque date tO, η.ε étant la durée de la fenêtre passée F1. La limitation de la fenêtre passée F1 dans la phase de configuration permet d’isoler une dynamique d’instabilités se déployant sur toute échelle de temps plus courte que la taille de la fenêtre.

Pour l’apprentissage, il est nécessaire d’associer un label à chaque séquence temporelle d’un historique. Par exemple, on construit un historique d’apprentissage pour lequel on sait que la défaillance Dj apparaît à l’instant t1. Pour la séquence temporelle (C(t0).....C(tO-n.e)), à l’instant tO, on peut donc déterminer un label Lj(t0) prenant soit la valeur 0 si la défaillance n’apparaît pas dans la fenêtre future F2 à partir de tO (c’est-à-dire si t1 se situe hors de la fenêtre F2 à partir de tO), soit la valeur 1 si la défaillance apparaît dans la fenêtre future F2 à partir de tO (c’est-à-dire si t1 se situe dans la fenêtre F2 à partir de tO).

Un historique labélisé est ainsi élaboré. A l’étape 130 suivante, on définit la structure du réseau RNN générique en vue de la surveillance de la défaillance Dj. Cette structure est de préférence celle de la figure 2 et est commune à toutes les défaillances.

On part alors du RNN générique que l’on adapte à la défaillance Dj à détecter par une étape d’apprentissage suivie d’une étape de calibration. L’étape d’apprentissage 140 permet d’ajuster les valeurs des poids de chaque cellule du RNN.

Pour cette étape 140, il est nécessaire de disposer de différents historiques, correspondant d’une part à des historiques conduisant à la défaillance Dj à un instant quelconque t1 et d’autre part à des historiques ne conduisant pas à la défaillance Dj.

Pour chaque historique, le RNN générique observe alors chaque séquence temporelle labellisée. Il apprend alors à prédire la probabilité P((t) sur la fenêtre future F2, connaissant la valeur du label Lj(t) correspondant. Il s’agit de faire apprendre le RNN en contraignant sa sortie pour que la probabilité Pj(t) se rapproche le plus possible du label Li(t) à chaque pas de temps et pour chaque historique.

On fait ainsi observer au RNN générique les séquences temporelles et on diminue progressivement l’erreur entre la probabilité P,(t) calculée et le label Lj(t) par rétro-propagation du gradient. On rapproche la probabilité Pj(t) de 1 si le label Lj(t) est égal à 1 et de 0 s’il est égal à 0.

Dans cette étape 140 d’apprentissage, il peut être nécessaire de modifier la fonction d’erreur de sortie. Notamment, si les défaillances sont très rares, on peut rééquilibrer l’erreur de sortie en accordant une importance particulière aux faux-négatifs. Cela afin d’éviter la solution triviale ayant une erreur faible (si on compte juste les erreurs non pondérées) consistant à prédire toujours l=0. A l’issue de l’étape d’apprentissage, une étape de calibration 150 permet de tester le RNN configuré afin de vérifier son efficacité sur d’autres historiques ou bien grâce à la mise en place du système de surveillance ainsi adapté et au retour des experts métier.

Le but de l’étape de calibration 150 étant d’obtenir la meilleure performance du RNN 42i : taille des séquences à appliquer en entrée, nombre d’itérations, taux d’apprentissage...

Procédé d'utilisation d’un RNN configuré

Le procédé 200 d’utilisation d’un RNN spécifique 42i une fois configuré va maintenant être présenté en référence à la figure 6.

Le RNN 42i appris et calibré est exécuté sur les grandeurs mesurées au sein de l’installation industrielle, afin de le laisser lever des alarmes prédisant l’occurrence de la défaillance Dj, étant donnée l’évolution récente du processus surveillé. A l’étape 210, on met en forme les mesures sous la forme d’un multiplet pour le pas de temps courant : C(t). le module 41 de mise en forme des grandeurs mesurées peut être appelé de manière automatique pour réaliser cette étape. A l’étape 220, le RNN 42i observe en continu l’évolution en temps réel de toutes les grandeurs mesurées et calcule la probabilité Pi(t) de la défaillance Dj sur la fenêtre future. A l’étape 230, la probabilité instantanée Pi(t) est comparée à un seuil Si prédéterminé. Si la défaillance est probable (seuil à déterminer avec les experts métier), le système de surveillance lève une alerte (étape 240) afin de prévenir l’agent, qui détermine alors la procédure à suivre. Si la défaillance n’est pas probable, l’exécution du RNN 42i se poursuit sur le pas de temps suivant (étape 250). L’ensemble des RNN 42i sont exécutés en parallèles pour suivre l’ensemble des défaillances de l’ensemble I.

Le RNN mis en œuvre dans le système de surveillance 10 prend intrinsèquement en compte la dynamique physique du processus industriel surveillé. Les RNN prennent en effet en compte à la fois l’état présent du processus et les états passés de celui-ci. Ils permettent ainsi de décrire une dynamique.

Plusieurs autres approches sont possibles, mais qui conduisent à des comportements différents du système de surveillance : - Les approches de type « arbre de décision » ne permettent pas de prendre en compte une dynamique du processus et classifient seulement en fonction de l’état courant du processus ; - les approches de type « modèle de Markov caché » analysent au mieux un nombre fixé d’états passés et ne permettent pas de détecter automatiquement des instabilités caractéristiques d’une défaillance, notamment des relations non linéaires et des dépendances d’ordre supérieur à un entre les grandeurs d’entrée.

Par ailleurs, la mise en œuvre d’un algorithme RNN est adaptée au traitement de données séquentielles et, en particulier, aux séquences temporelles multivariées, donc à un ensemble de capteurs remontant des mesures en continu.

En variante, la couche supérieure du RNN est modifiée non pas pour classer la projection h(t), mais pour estimer la valeur à un instant futur, t+s.e, des grandeurs mesurées C(t+s.s) par les capteurs 20 de l’installation. Dans cette variante, il est ainsi possible d’observer chaque grandeur mesurée et d’estimer son évolution temporelle.

Dans cette variante, l’interface homme-machine peut avantageusement afficher une courbe, représentant l’évolution temporelle d’une grandeur d’intérêt pour la détection d’une défaillance D; particulière, qui comporte une partie passée correspondant aux valeurs mesurées de cette grandeur et une partie future correspondant aux valeurs de cette grandeur prévues par la modélisation de la défaillance Dj considérée.

Claims (11)

1. REVENDICATIONS

   1. - Système de surveillance (10) d’une installation industrielle (12), comportant une pluralité de capteurs (20m) implantés dans l’installation industrielle et une plateforme informatique (30) configurée pour exécuter une application logicielle (40) comportant une modélisation d’une défaillance (D,) susceptible d'affecter l’installation industrielle, caractérisé en ce que la modélisation comporte un réseau de neurones récurrent spécifique (42i) associé à ladite défaillance (Dj) et propre à prendre en entrée tout ou partie des grandeurs mesurées (C(t)) par les capteurs sur une fenêtre temporelle passée (F1) à partir de l’instant courant (t) et à délivrer en sortie une probabilité (Pi(t)) d’occurrence de la défaillance (Di) dans une fenêtre temporelle future (F2) à partir de l’instant courant (t).
2. 2. - Système selon la revendication 1, caractérisé en ce qu’il comporte un module (41) de mise en forme des grandeurs mesurées par les capteurs (20), consistant à échantillonner les différentes grandeurs mesurées selon un pas de temps (ε) commun et à regrouper en un multiplet mesuré (C(t)) les grandeurs mesurées au même instant d’échantillonnage (t).
3. 3. - Système selon la revendication 2, caractérisé en ce que le réseau de neurones récurrent spécifique (42,) associé à ladite défaillance (D,) comporte une couche inférieure (44) de projection depuis un espace d’origine (Ec) des multiplets mesurés (C(t)) des grandeurs mesurées vers un espace de projection (Eh), la première couche délivrant en sortie une multiplet projeté (h(t)) à l’instant courant, et une couche supérieure (46) de classification du multiplet projeté (h(t)).
4. 4. - Système selon la revendication 3, caractérisé en ce que la couche inférieure (44) du réseau de neurones récurrent spécifique (42) prend en entrée un multiplet mesuré à l’instant courant (C(t)) et le multiplet projeté au pas de temps précédent (h(t-e)).
5. 5. - Système selon la revendication 4, caractérisé en ce que la couche inférieure (44) comporte une pluralité de cellules (60r), au moins une cellule de ladite pluralité de cellules étant du type « unité récurrente à déclenchement ».
6. 6. - Système selon la revendication 4 ou la revendication 5, caractérisé en ce que la couche inférieure (44) comporte une pluralité de cellules (60r), au moins une cellule de ladite pluralité de cellules mettant en œuvre une fonction d’activation, notamment du type « dernière mémoire à court terme » ou du type « rectification linéaire ».
7. 7. - Système selon l’une quelconque des revendications 3 à 6, caractérisé en ce que la couche supérieure (46) est un réseau de neurones constitué de cellules classiques, c'est-à-dire propres à réaliser une combinaison pondérée de leurs entrées, constituées par les coordonnées d’un multiplet projeté (h(t)).
8. 8. - Système selon l’une quelconque des revendications 1 à 3, caractérisé en ce que la plateforme (30) comporte une base de données (36) permettant de stocker les mesures effectuées par chacun des capteurs (20m) de l’installation industrielle (12).
9. 9. - Procédé de configuration (100) du système de surveillance (10) selon l’une quelconque des revendications 1 à 8, consistant à : définir (110) au moins un type de défaillance (Dj) que le système de surveillance (10) doit pouvoir détecter ; élaborer (120) un historique de grandeurs mesurées spécifique de l’occurrence, dans l’installation industrielle surveillée, d’une défaillance du type défini et associer à chaque pas de temps de l'historique un label indiquant si oui ou non ladite défaillance apparaît dans une fenêtre temporelle future à partir du pas de temps considéré ; définir (130) un réseau de neurones récurrent générique (42) ; et, configurer (140 ; 150) le réseau de neurones récurrent générique à partir de l'historique labélisé élaboré, afin de construire un réseau de neurones récurrent spécifique (42;) du type de défaillance défini.
10. 10. - Procédé de configuration selon la revendication 9, dans lequel l’étape de configuration comporte une étape d’apprentissage (140) et une étape de calibration (150).
11. 11. - Procédé de surveillance (200) mettant en œuvre un système de surveillance (10) selon l’une quelconque des revendications 1 à 8, comportant un réseau de neurones récurrent spécifique (42i) associé à une défaillance (D,) et configuré par la mise en œuvre du procédé de configuration (100) selon l’une quelconque des revendications 9 à 10 pour ia surveillance de ladite défaillance (Dj), caractérisé en ce qu’il consiste à : mettre en forme (210) les grandeurs mesurées à chaque pas de temps (ε) dans un multiplet mesuré (C(t)) ; faire observer (220) au réseau de neurones récurrent spécifique (42i), à chaque pas de temps, les multiplets mesurés mis en forme et calculer une probabilité (Pi(t)) d’occurrence de ladite défaillance (Di) sur la fenêtre future (F2) ; comparer (230) la probabilité (Pi(t)) calculée à un seuil (¾) prédéterminé, et, en cas de dépassement du seuil, générer (240) une alarme.