FR3102870A1

FR3102870A1 - Procédé pour déterminer une déviation non autorisée du comportement systémique d’une installation technique par rapport à une plage de valeurs normalisées

Info

Publication number: FR3102870A1
Application number: FR2011210A
Authority: FR
Inventors: Achim Romer
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-11-06
Filing date: 2020-11-02
Publication date: 2021-05-07
Also published as: BR112022008252A2; WO2021089659A1; KR20220092531A; CN114616561A; JP2022552868A; US20220374711A1; JP7450027B2; DE102019217071A1

Abstract

Titre : Procédé pour déterminer une déviation non autorisée du comportement systémique d’une installation technique par rapport à une plage de valeurs normalisées Procédé pour déterminer une déviation non autorisée d’un comportement systémique d’une installation technique (1, 5) par rapport à une plage de valeurs normées à l’aide d’un réseau neuronal artificiel (4) recevant dans une phase d’apprentissage, les données d’entrée (2) et les données de sortie (3) de l’installation technique (1, 5). Dans une phase de prédiction, le réseau neuronal (4) ne reçoit que les données d’entrée (2) de l’installation technique (5) et calcule les données de comparaison de sortie. On constate une déviation non autorisée si les données de sortie (3) de l’installation technique (5) diffèrent des données de comparaison une différence dépassant la plage de valeurs normées. Figure 1

Description

Procédé pour déterminer une déviation non autorisée du comportement systémique d’une installation technique par rapport à une plage de valeurs normalisées

DOMAINE DE L’INVENTION

La présente invention se rapporte à un procédé pour déterminer la déviation non autorisée du comportement systémique d’une installation technique par rapport à une plage de valeurs normalisées à l’aide d’un réseau neuronal artificiel.

ETAT DE LA TECHNIQUE

Le document DE 10 2018 206 805 B3 décrit un procédé de prédiction d’une manœuvre de conduite d’un objet à l’aide de deux systèmes d’apprentissage par machine. Le premier système d’apprentissage par machine détermine des grandeurs de sortie caractérisant l’objet à partir d’une première grandeur d’entrée et le second système d’apprentissage par machine détermine une seconde grandeur de sortie en fonction d’une seconde grandeur d’entrée, cette seconde grandeur de sortie caractérisant l’état de l’objet. Le mouvement futur de l’objet se prédit en fonction des grandeurs de sortie. Le premier système d’apprentissage par machine a un réseau neuronal profond et le second système d’apprentissage par machine a un modèle graphique pro-balistique.

Le document DE 10 2018 209 916 A1 décrit un procédé pour déterminer une suite de signaux de sortie à l’aide d’une suite de couches d’un réseau neuronal en se fondant sur des signaux d’entrée appliqués à une couche d’entrée du réseau neuronal. A un instant défini, on fournit de nouveaux signaux d’entrée au réseau neuronal pendant que les signaux d’entrée précédents se propagent dans le réseau neuronal.

EXPOSE ET AVANTAGES DE L’INVENTION

L’invention a pour objet un procédé pour déterminer une déviation non autorisée d’un comportement systémique d’une installation technique par rapport à une plage de valeurs normées à l’aide d’un réseau neuronal artificiel recevant dans une phase d’apprentissage, les données d’entrée et les données de sortie de l’installation technique. Selon ce procédé dans une phase de prédiction faisant suite à la phase d’apprentissage, le réseau neuronal ne reçoit que les données d’entrée de l’installation technique et il calcule les données de comparaison de sortie, et

- une déviation non autorisée de l’installation technique est constatée si les données de sortie de l’installation technique diffèrent des données de comparaison de sortie du réseau neuronal d’une différence dépassant la plage de valeurs normées.

Le procédé selon l’invention permet de déterminer toute déviation ou écart non autorisé du comportement systémique d’une installation technique par rapport à une plage de valeurs normées. Cela permet de prédire la défaillance totale ou partielle d’une installation technique même avant que cette défaillance ne se produise réellement et de prendre à temps des contremesures appropriées. Ainsi la surveillance de l’état de l’installation technique se fait avec des moyens simples à réaliser. On pourra constater suffisamment à temps les détériorations du comportement systémique et les anomalies systématiques. La prévision et la comparaison avec la plage de valeurs normalisées permet de surveiller en continu l’évolution de l’état de l’installation technique et de constater l’instant auquel le fonctionnement correct de l’installation technique est encore assuré et à partir duquel il n’est plus assuré ou du moins il n’est plus garanti en totalité.

En d’autres termes le procédé de détermination de la déviation non autorisée de l’installation technique utilise un réseau neuronal artificiel qui reçoit en phase d’apprentissage, les données d’entrée et les données de sortie de l’installation technique. La comparaison avec les données d’entrée et de sortie de l’installation technique crée les combinaisons correspondantes dans le réseau neuronal artificiel et entraîne ce réseau selon le comportement systémique de l’installation technique.

Dans une phase de prédiction à la suite de la phase d’apprentissage permet au réseau neuronal de prévoir de façon fiable le comportement systémique de l’installation. Pour cela dans la phase de prédiction, le réseau ne reçoit que les données d’entrée de l’installation technique et le réseau neuronal calcule les données de comparaison de sortie qui sont comparées aux données de sortie de l’installation technique. Si la comparaison montre que les données de sortie de l’installation technique qui sont de préférence sous la forme de valeurs de mesure, diffèrent trop fortement des données de comparaison de sortie du réseau neuronal et dépassent un seuil, on est en présence d’une déviation non autorisée du comportement systémique de l’installation technique par rapport à la plage de valeurs normées. Ensuite on peut prendre des mesures appropriées, par exemple émettre un signal avertisseur ou l’enregistrer en mémoire ou désactiver des parties fonctionnelles de l’installation technique (dégradation de l’installation technique). Le cas échéant, dans le cas d’un écart non autorisé, on peut utiliser des installations techniques alternatives.

Le procédé selon l’invention permet de surveiller en continu une installation technique réelle. En phase d’apprentissage, le réseau neuronal reçoit suffisamment d’informations de l’installation technique à la fois du côté entrée et du côté sortie pour pouvoir copier, et simuler l’installation technique avec précision suffisante dans le réseau neuronal. Cela permet, dans la phase de prédiction appliquée ensuite, de surveiller l’installation technique et de prévoir toute détérioration du comportement systémique et notamment de prévoir la durée d’utilisation résiduelle de l’installation technique.

Selon un développement avantageux, le réseau neuronal est subdivisé en un réseau de base et un réseau de tête qui constituent en commun le réseau neuronal. Le réseau de base et le réseau de tête se composent respectivement d’un grand nombre de couches et le réseau de base et le réseau de tête coopèrent tout en étant subdivisables en réseaux partiels. En fonction du type d’installation technique on utilisera différents couches notamment dans le réseau de tête, par exemple une couche de convolution ou une couche dense.

Il est le cas échéant avantageux de prévoir plusieurs réseaux de base coopérant avec un unique réseau de tête. Il est par exemple possible d’utiliser un réseau de base respectif pour chaque canal de mesure à forte dynamique.

Dans la phase d’apprentissage, on entraîne à la fois le réseau de base et le réseau de tête selon le comportement du système de l’installation technique. Cela correspond à une première étape de la phase d’apprentissage. Dans la seconde étape suivante de la phase d’apprentissage, on entraîne la seconde installation technique qui est de construction analogue à celle de la première installation technique. Dans ce second segment de la phase d’apprentissage, l’entraînement ne concerne que le réseau de tête et non le réseau de base. Cette solution a l’avantage d’entrainer le réseau de tête sur des comportements systémiques spécifiques de la seconde installation technique dont l’installation électronique sera implémentée dans le réseau neuronal qui toutefois ne dispose que d’une capacité de calcul relativement faible. L’entraînement dans le premier segment de la phase d’apprentissage à l’aide de la première installation technique se fait en revanche sur l’autre installation électronique qui dispose d’une capacité de calcul plus importante.

Cette subdivision de la phase d’apprentissage en un premier segment et un second segment ainsi que l’entraînement à la fois du réseau de base et du réseau de tête dans le premier segment de la phase d’apprentissage et l’entraînement seulement du réseau de tête dans le segment de la phase d’apprentissage répondant d’une part à des exigences élevées de précision de la copie du comportement systématique de l’installation technique dans le réseau neuronal et d’autre part aux limites des possibilités de fonctionnement du réseau neuronal sur une installation électronique ayant une capacité de calcul, limitée. Il est notamment possible d’appliquer le premier segment de la phase d’apprentissage qui concerne la première installation technique, de manière centrale dans un atelier ou en environnement de développement ou une situation analogue alors que le second segment de la phase d’apprentissage se fait de manière décentralisée par exemple dans le véhicule. Dans ce cas, le second segment de la phase d’apprentissage est effectué par exemple sur l’appareil de commande du véhicule tel que l’appareil de commande d’un module ESP (programme électronique de stabilité).

La phase de prédiction qui fait suite à la phase d’apprentissage, selon un autre développement, à la fois du réseau de base et du réseau de tête est utilisée pour déterminer toute déviation non autorisée de la seconde installation technique. Le réseau de base est entraîné à partir du premier segment de la phase d’apprentissage sur une installation technique de construction analogue alors que le réseau de tête est également entraîné à partir du premier segment de la phase d’apprentissage sur une installation technique de construction analogue et de plus à partir du second segment de la phase d’apprentissage, il est entraîné avec la seconde installation technique spécifique. Dans la phase de prédiction, le réseau de base et le réseau de tête coopèrent pour constater toute déviation non autorisée du comportement systémique de la seconde installation technique. La phase de prédiction nécessite une capacité de calcul plus faible que la phase d’apprentissage de sorte que les deux parties de réseau, le réseau de base et le réseau de tête, pourront fonctionner avec une capacité de calcul réduite dans la phase de prédiction avec l’installation électronique.

Selon un autre développement avantageux, le nombre des neurones du réseau de tête est plus petit que le nombre de neurones du réseau de base. La différence correspond par exemple à un coefficient d’au moins cinq ou d’au moins dix. Même pour un réseau de tête dix fois plus petit, on a une adaptation suffisante au comportement systémique de la seconde installation thermique, assurée dans le segment de la phase d’apprentissage.

La coopération entre le réseau de base et le réseau de tête permet ainsi d’utiliser la phase d’apprentissage et de prédiction de la sortie du réseau de base comme entrée du réseau de tête. Dans la phase de prédiction, le réseau de base reçoit en outre les données d’entrée de l’installation technique surveillée par le réseau neuronal. De plus le réseau de tête peut également recevoir les valeurs de mesure des données d’entrée de la seconde installation technique en particulier les valeurs moyennes de valeurs de mesure relativement moins dynamique. Les valeurs d’entrée de la seconde installation technique qui sont fournies au réseau de base comme entrées, peuvent également être des valeurs de mesure en particulier dans la plage hautement dynamique et cette entrée est fournie au réseau de base dans le domaine temps ou dans le domaine fréquence.

Le réseau de tête peut recevoir des informations d’entrée supplémentaire concernant le type ou la classe des données d’entrée. Il s’agit par exemple d’informations d’une analyse de groupe de préférence concernant le type de manœuvre que doit effectuer la seconde installation technique. Dans le cas d’une installation technique équipant un véhicule notamment un système de freinage ou un sous-système du système de freinage, il s’agit par exemple du type de manœuvre de conduite lors d’une manœuvre de freinage ou d’une conduite en accordéon.

Les données d’entrée qui sont fournies au réseau de base et le cas échéant au réseau de tête, peuvent être selon un autre développement avantageux, soumises à un traitement préalable. Une première étape préalable de traitement à effectuer de manière avantageuse prévoit d’examiner les valeurs de mesure disponibles de l’installation technique notamment de la seconde installation technique pour déceler une déviation non autorisée du comportement systémique ou de subdiviser un sous-ensemble des valeurs de mesure disponibles dans des segments de temps de longueur fixe. En plus ou en variante, il est également possible de subdiviser les valeurs de mesure ou un sous-ensemble de celles-ci selon une logique connue, par exemple spécifique à la manœuvre. Dans le cas d’installations techniques qui ne sont activées que de temps en temps, la subdivision peut également se choisir en fonction de l’activation.

Selon une autre étape préalable de traitement, avantageuse, les valeurs de mesure sont soumises à une analyse de groupement par exemple à l’aide d’un algorithme "k-moyennes". Ces informations concernant une certaine classe peuvent être appliquées directement au réseau de tête, ce qui augmente la précision du résultat.

Selon une autre étape préalable de traitement, avantageuse, les valeurs de mesure qui sont notamment fournies au réseau de base et sont de préférence des valeurs de mesure à forte dynamique, sont soumises à une transformation de Fourier notamment une transformation rapide de Fourier ou une transformation de Fourier à court terme (STFT) pour transposer les données d’entrée du domaine temps ou domaine fréquence. Dans la transformation STFT, pour réduire la quantité de données, on peut utiliser des valeurs moyennes, des valeurs maximales, des valeurs médianes ou des valeurs modales pour le domaine fréquence. Ces possibilités de l’étape préalable de traitement permettent d’utiliser des données d’entrée ou données de mesure moins dynamiques.

Le cas échéant, par la réduction de la détection des valeurs de mesure, on réduit le volume de données des valeurs de mesure dynamique.

L’invention se rapporte également à une installation électronique telle que par exemple un appareil de commande équipant un véhicule et comportant des moyens pour appliquer le procédé décrit. Ces moyens sont notamment constitués par au moins une unité de calcul et au moins une unité de mémoire pour effectuer les calculs nécessaires et pour enregistrer les données d’entrée et de sortie.

L’invention se rapporte également à un produit programme d’ordinateur comportant un code programme conçu pour exécuter les étapes de procédé décrites ci-dessus. Le produit programme d’ordinateur peut être enregistré sur un support de mémoire lisible par une machine et être appliqué par une installation électronique comme décrit ci-dessus.

Le procédé est par exemple applicable à la surveillance de l’état d’un système technique d’un véhicule par exemple du système de direction ou du système de freinage. L’installation électronique est dans ce cas avantageusement un appareil de commande qui permet de commander les composants de l’installation technique. Il est également possible à l’intérieur d’un grand système, de ne surveiller qu’un sous-système qui constitue alors l’installation technique, par exemple dans le cas d’un système de freinage, le sous-système est le module ESP (programme électronique de stabilité).

La présente invention sera décrite ci-après de manière plus détaillée à l’aide d’exemples de réalisation du procédé et de l’installation représenté dans les dessins annexés dans lesquels :

schéma par blocs d’une représentation simplifiée d’un premier module ESP, recevant des données d’entrée et produisant des données de sortie avec un réseau neuronal en parallèle qui se compose d’un réseau de base et d’un réseau de tête dans le premier segment d’une phase d’apprentissage,

schéma par blocs selon la avec toutefois un second module ESP et le module neuronal dans le segment de la phase d’apprentissage,

schéma par blocs selon la avec le second module ESP et le réseau neuronal en phase de prédiction,

réseau de base et réseau de tête du réseau neuronal selon une représentation détaillée.

DESCRIPTION D’UN MODE DE REALISATION

Dans les figures on utilisera les mêmes références pour désigner les mêmes composants.

Le schéma par bloc de la est une représentation de principe d’une installation technique 1 sous la forme d’un module ESP d’un système de freinage d’un véhicule avec des données d’entrée et des données de sortie ainsi qu’un réseau neuronal 4 branché en parallèle. Le module ESP 1 par exemple utilisé comme installation technique, comprend une pompe ESP pour générer la pression de frein souhaitée, modulée, dans le système de freinage ainsi qu’un appareil de commande pour commander la pompe ESP. Le module ESP 1 reçoit des données d’entrée 2 par exemple le courant d’alimentation de la pompe ESP, électrique du module ESP 1 ; en réaction aux données d’entrée 2 le module ESP 1 fournit des données de sortie 3 par exemple une pression hydraulique de freinage.

En parallèle à l’installation technique 1, un réseau neuronal 4 est entraîné en phase d’apprentissage sur le comportement systémique de l’installation technique 1. Pour cela, en phase d’apprentissage le réseau neuronal 4 reçoit à la fois les données d’entrée 2 et les données de sortie 3 de l’installation technique 1.

Le réseau neuronal 4 est divisé en un réseau de base et un réseau de tête comportant chacun un ensemble de couches qui coopèrent. La sortie du réseau de base 10 est l’entrée du réseau de tête 7. Le réseau de base 6 est significativement plus grand que le réseau de tête 7 ; le nombre de neurones du réseau de base est par exemple supérieur au nombre de neurones du réseau de tête d’au moins un coefficient cinq ou d’au moins un coefficient dix.

La montre un premier segment de la phase d’apprentissage dans lequel à la fois le réseau de base 6 et le réseau de tête 7 sont entrainés selon le comportement systémique de l’installation technique 1. Pour cela le réseau de base 6 reçoit comme entrée à la fois les données d’entrée 2 et les données de sortie de l’installation technique 1 et pour réaliser les combinaisons dans le réseau de base 6 et le réseau de tête 7.

Le premier segment de la phase d’apprentissage sur la peut se faire au cours de la phase de développement de l’installation technique 1. A la fin du premier segment de la phase d’apprentissage, l’entraînement du réseau de base 6 est terminé.

La montre un second segment de la phase d’apprentissage du réseau neuronal 4 ; ce second segment de la phase d’apprentissage est effectué avec une seconde installation technique 5 qui est techniquement analogue à la première installation technique 1. Ce second segment de la phase d’apprentissage concerne exclusivement le réseau de tête 7 du réseau neuronal 4 ; dans ce second segment de la phase d’apprentissage le réseau de base 6 ne reçoit plus d’entraînement. Cette réalisation permet, grâce à l’exécution du second segment de la phase d’apprentissage qui demande moins de calculs, d’être exécuté par un appareil de commande moins puissant, notamment directement sur le lieu de la seconde installation technique 5. Dans le cas d’un module ESP 5, le second segment de la phase d’apprentissage peut se faire dans l’appareil de commande du module ESP.

Dans le second segment de la phase d’apprentissage, on applique les données d’entrée 2 et les données de sortie 3 de la seconde installation technique 5 au réseau neuronal 4 comme entrées toutefois exclusivement au réseau de tête 7.

La montre la seconde installation technique 5 en phase de prédiction du réseau neuronal 4. La phase d’apprentissage est terminée, le réseau de tête 7 est entraîné suffisamment pour l’application qu’on traite avec la seconde installation 5. Dans la phase de prédiction selon la , le réseau neuronal 4 reçoit les données d’entrée 2 de la seconde installation technique 5 comme entrées alors que le réseau neuronal composé du réseau de base 6 et du réseau de tête 7, génère des données de comparaison de sortie sur le fondement du comportement appris ; ces données de comparaison de sortie sont alors comparées aux données de sortie 3 de la seconde installation technique 5. Si l’écart est trop grand parce que les données de sortie 3 de l’installation technique 5 se situent en dehors de la plage donnée de valeurs normées, cela représente une détérioration forte, non autorisée du comportement systémique de l’installation technique 5. Cela permet de conclure à une réduction de la durée de vie ou à une défaillance partielle, menaçante ou complète de l’installation technique 5. Puis on pourra prendre des mesures telles que par exemple générer une signal d’alarme ou réduire le périmètre fonctionnel de l’installation technique 5.

La montre une vue détaillée de la structure du réseau neuronal 4 composé du réseau de base 6 et du réseau de tête 7. Le réseau de base 6 comprend plusieurs réseaux de base séparés ou sous-réseaux de base 6a, 6b, 6c qui reçoivent comme données d’entrée respectivement des valeurs de mesure dans le domaine temps ou domaine fréquence d’un canal de mesure à haute dynamique. En phase d’apprentissage il s’agit de données d’entrée et de sortie de l’installation technique et en phase de prédiction il s’agit des données d’entrée de l’installation technique.

Côté sortie, les données générées dans les réseaux de base 6a, 6b, 6c sont fournies comme entrées au réseau de tête 7 qui en phase d’apprentissage crée d’autres combinaisons et en phase de prédiction émet une prévision concernant le comportement systémique de l’installation technique concernée. Dans le second segment de la phase d’apprentissage on peut prendre les données de sortie de la seconde installation technique directement pour le réseau de tête 7 comme entrées comme cela apparaît également à la .

Dans la phase de prédiction, le réseau de tête 7 peut recevoir comme entrées supplémentaires, des informations complémentaires concernant par exemple le type ou la classe de données d’entrée ou de valeurs de mesure statique ou de valeurs moyennes, de valeurs de mesure moins dynamiques.

NOMENCLATURE DES ELEMENTS PRINCIPAUX

1 Installation technique/module ESP

2 Données d’entrée

3 Données de sortie

4 Réseau neuronal

5 Seconde installation technique/module ESP

6 Réseau de base

6a, 6b, 6c Sous-réseau de base

7 Réseau de tête

Claims

Procédé pour déterminer une déviation non autorisée du comportement systémique d’une installation technique (1, 5) par rapport à une plage de valeurs normées à l’aide d’un réseau neuronal artificiel (4) recevant dans une phase d’apprentissage, les données d’entrée (2) et les données de sortie (3) de l’installation technique (1, 5), selon lequel
- dans une phase de prédiction faisant suite à la phase d’apprentissage, le réseau neuronal (4) ne reçoit que les données d’entrée (2) de l’installation technique (5) et il calcule les données de comparaison de sortie,
- une déviation non autorisée de l’installation technique (5) est constatée si les données de sortie (3) de l’installation technique (5) diffèrent des données de comparaison de sortie du réseau neuronal (4) d’une différence dépassant la plage de valeurs normées.
Procédé selon la revendication 1,
caractérisé en ce que
le réseau neuronal (4) est subdivisé en un réseau de base (6) et un réseau de tête (7), et
dans un premier segment de la phase d’apprentissage, on entraîne à la fois le réseau de base (6) et le réseau de tête (7) avec une première installation technique (1) et dans un second segment de la phase d’apprentissage, on entraîne seulement le réseau de tête (7) avec la seconde installation technique (5) qui est de construction analogue à celle de la première installation technique (1).
Procédé selon la revendication 2,
caractérisé en ce que
dans la phase de prédiction, on utilise à la fois le réseau de base (6) et le réseau de tête (7) pour déterminer toute déviation non autorisée de la seconde installation technique (5).
Procédé selon la revendication 2 ou 3,
caractérisé en ce que
le nombre de neurones du réseau de tête (7) est inférieur au nombre de neurones du réseau de base (6) notamment au moins d’un coefficient cinq ou dix.
Procédé selon l’une des revendications 2 à 4,
caractérisé en ce que
la sortie du réseau de base (6) est utilisée comme entrée du réseau de tête (7).
Procédé selon l’une des revendications 2 à 5,
caractérisé en ce que
le réseau de tête (7) reçoit comme entrées, les valeurs de mesure de la second installation technique (5).
Procédé selon l’une des revendications 2 à 6,
caractérisé en ce que
le réseau de tête (7) reçoit comme entrées, des informations concernant le type et la classe des données d’entrée (2).
Procédé selon l’une des revendications 2 à 7,
caractérisé en ce que
le réseau neuronal (4) comprend plusieurs réseaux de base (6) recevant des données d’entrée (2), différentes.
Procédé selon la revendication 8,
caractérisé en ce que
la sortie des différents réseaux de base (6) est appliquée à un réseau de tête (7) commun.
Procédé selon l’une des revendications 2 à 9,
caractérisé en ce que
les données d’entrée (2) sont soumises à un prétraitement avant d’être traitées dans le réseau neuronal (4).
Installation électronique notamment appareil de commande équipant un véhicule comportant des moyens pour appliquer le procédé selon l’une des revendications 1 à 10.
Produit programme d’ordinateur comportant un code programme pour exécuter les étapes du procédé selon l’une des revendications 1 à 10 et enregistré sur un support de mémoire lisible par une machine.