Le machine learning au secours du diagnostic moteur - Matlab Expo 2018, 19 juin, Paris
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Le machine learning au secours du
diagnostic moteur
Matlab Expo 2018, 19 juin, Paris
Contact(s) : PSA : Yves Français yves.francais@mpsa.com
Acsystème : Gireg LANOË gireg.lanoe@acsysteme.com
www.acsysteme.com
25/05/2018 – p.1
Plan
Plan
Présentation du problème
L’étude avec Matlab® /Simulink®
• Analyse des données
• Mise en place des solutions par Machine Learning
• Validation
Déploiement des outils Matlab®
Conclusion
www.acsysteme.com
25/05/2018 – p.3
Diagnostique Moteur
PRÉSENTATION DU PROBLÈME
www.acsysteme.com
25/05/2018 – p.4
Contexte : présentation
Contexte
Le diagnostic : analyse de cohérence
• Envoi de consignes (couple, frein...)
• Réception d’information (températures, positions
actionneurs, pressions…)
Consignes Mesures
• Analyse entre les signaux renvoyés par le moteur et
les consignes
• Si écart alerte
STOP
Sur véhicule ou en concession
www.acsysteme.com
25/05/2018 – p.5
Contexte : enjeux
Contexte
Réduire le nombre de déposes en SAV
• Coût de traitement des pannes mal diagnostiquées
• Satisfaction client
Améliorer la qualité des diagnostics moteurs
• Identification de la source Remplacement
• Risques d’aller-retour au garage à tort
• Bon compromis de détection
Fausse anomalie
• Fausse anomalie
• Non détection Réparation
coûteuse
www.acsysteme.com Non détection
25/05/2018 – p.6
Contexte : constat métier
Contexte
Les limites du diagnostic actuel
• Basé sur l’observation d’un seul critère :
• Une tension, un écart de régulation, etc...
• Calibration (seuil et temps confirmation) difficile : risque non détection
• Difficultés pour qualifier certains types de défaillance et orienter vers la cause
Une autre approche est possible
• Utilisation de l’ensemble des signaux enregistrés
• Création de modèles expert Simulink®
pour la détection
www.acsysteme.com
Mise au point via les portraits de phase
25/05/2018 – p.7
Du prototype à la production
ÉTUDE MATLAB® /SIMULINK®
www.acsysteme.com
25/05/2018 – p.8
Les portraits de phase
Étude
• Visualisation des espaces et trajectoires des variables
• Recherche d’espaces discriminants entre les essais nominaux et en défaut
Grippage actionneur turbo pneumatique
100
Nominal
90
Grippage
80
70
60
Position
50
40
30
20
10
0
0 20 40 60 80 100
Commande
www.acsysteme.com
25/05/2018 – p.9
Démarche Machine Learning
Étude
1. Création BDD
2. Apprentissage
3. Validation
Annotation des différents
défauts pour création de la BDD Choix expert des entrées (via les
des essais portraits de phase) Analyse des taux de bonnes
détections / fausses alarmes
Normalisation des entrées
Génération de rapports Excel,
Word via l’Acsystème Report
Apprentissage / différentes
Toolbox
méthodes
Calibration des seuils
www.acsysteme.com
25/05/2018 – p.10Mise en place de la solution
Étude
Test de méthodes de complexités croissantes
• Arbres de décision
• Polygones convexes englobant
• Réseaux de neurones (RN)
• Mélanges de Gaussiennes (GMM)
• Support vecteurs machines (SVM) : complexité du modèle plus
difficile à maîtriser (nombre de vecteurs supports)
Utilisation des toolbox Stats & Neural Networks
Adaptation des visualisations pour la compréhension
www.acsysteme.com
25/05/2018 – p.11Mise en place de la solution
Étude
Test de méthodes de complexités variées
Arbres de décision Polygones englobant Réseaux de neurones
100
90
80
Nominal
70
60
vPositionRecalee
50 Grippage
40
30
Grippage
20
Nominal
10 Grippage
0
0 10 20 30 40 50 60 70 80 90 100
vCommandeFiltree
Nominal
Mélange de Gaussiennes Support vecteur machine
www.acsysteme.com
25/05/2018 – p.12Tests et validations
Étude
Solution Retenue : RN + GMM
• Compromis performance / embarquabilité
• Possibilité de travailler sans défaut pour les GMM (One-Class)
Optimisation du compromis « fausse alarme » / « non détection »
• Calibration des seuils
• Fausses alarmes faibles en nominal
Résultats
• Les détections affinent les
annotations
• La référence d’évaluation est
biaisée
Machine Learning plus
www.acsysteme.com
performant que l’approche métier
25/05/2018 – p.13Solution clef en main
DÉPLOIEMENT DES OUTILS MATLAB®
www.acsysteme.com
25/05/2018 – p.14Développement des outils
Déploiement
Outil concepteur / expert
• Analyse des défauts
• Conception de nouveaux modèles
• Annotations des essais
• Gestion d’une BDD de défauts : capitalisation
Utilisation en bureau d’étude / expert métier
Outil utilisateur / novice
• Test d’un nouvel essai sur la BDD existante
• Détection de défauts potentiels
Utilisation en après-vente / novice
www.acsysteme.com
25/05/2018 – p.15Intérêts solution Matlab®
Déploiement
Compilation des outils
• Outils exécutables sans licence Matlab®
• Automatisation de la procédure de compilation
Passage direct du prototype à la production
Génération de modèles Simulink®
• Direct pour les RN via la Neural Network Toolbox®
• Codable pour les GMM
• Prise en compte de contraintes (auto-codable)
Limitations
• Outil supplémentaire nécessaire pour compilation de modèles
Simulink®
www.acsysteme.com
25/05/2018 – p.16CONCLUSION www.acsysteme.com 25/05/2018 – p.17
Conclusion
Conclusion
Méthode générique
Fournit à l'après-vente des détails sur l’origine des défauts
• Actionneur en défaut, défaut électrique, défaut mécanique…
Fonction intégrable sur calculateur
• Export Simulink pour détection temps-réel sur véhicule
Perspectives de mise en œuvre en maintenance prédictive
www.acsysteme.com
25/05/2018 – p.18contact
Acsystème SAS Yves Français, ADN
4 rue René Dumont 118 Route Nationale
35700 Rennes 78140 Velizy Villacoublay
France France
tél. : +33 2 99 55 18 11 yves.francais@mpsa.com
www.acsysteme.com groupe-psa.com
www.acsysteme.com
25/05/2018 – p.19Vous pouvez aussi lire
