Integration of bayesian networks and bond graphs for supervision of dynamic systems

La supervision des processus industriels critiques est une tâche complexe qui nécessite des algorithmes robustes. La littérature montre un intérêt croissant des approches graphiques à cause de la simplicité de l’implémentation des algorithmes dérivés. Le diagnostic à base de modèle est une méthode qui devient de plus en plus utilisée à cause de la richesse des méthodes graphiques et structurelles permettant la modélisation des processus complexes et ne nécessitent pas une phase d’apprentissage en ligne. L’outil bond graph (BG) par ses propriétés graphique et multidisciplinaire est un outil puissant de modélisation reconnu. Dans ce contexte, les propriétés structurelles et causales de cet outil (utilisées pour la détection de défauts) sont exploitées ici pour intégrer les réseaux bayésiens graphiques permettant d’incorporer des statistiques de pannes des composants pour améliorer l’étape de décision. Cette méthodologie permet de pallier aux problèmes relatifs aux signatures de défauts inconnues ou identiques pour plusieurs composants et le suivie de la dégradation du système. Sur la base de la littérature consultée, il n’apparait pas de travaux qui évoquent une démarche pour la supervision associant un modèle bayésien de la fiabilité avec une approche de détection et isolation de défaut (FDI) basée sur le modèle BG. Notre contribution concerne l’intégration de deux outils graphiques (BG et réseaux Bayésiens (RB)) pour la conception d’un système de supervision robuste. Les résidus générés par le modèle BG sont couplés avec le modèle de fiabilité des composants à surveiller pour en déduire finalement un modèle de diagnostic de type RB hybride. Ce modèle est utilisé dans l’étape de décision face aux incertitudes du modèle bond graph en tenant compte des probabilités de fausses alarmes et de non détection estimées par une approche hiérarchique bayésienne. Une application à une partie d’une centrale thermique a validé la théorie développée.The supervision of complex and critical industrial processes is a very heavy task which requires effective algorithms. The literature shows a growing interest of graphical approaches because of the simplicity of establishment of the derived algorithms. The model based diagnosis is a method which becomes widespread because of the richness of graphical and structural methods allowing modeling of most complex processes. The bond graph (BG) tool, with its multidisciplinary representation, is one of the most recognized approaches in this framework. In this context, we try in present work to couple this graphical approach with another graphical one allowing incorporating statistics of components failures. All this aims to mitigate the problems: unknown failure signatures or identical signatures for several components and monitoring the system degradation. Indeed, on the basis of consulted literature, it does not appear work which evokes a supervision strategy associating a Bayesian reliability model with a BG model based fault detection and isolation (FDI) approach. Consequently, the suggested work illustrates a method to outline this objective. We propose a new methodology for the supervision of the dynamic and hybrid dynamic systems. Our contribution appears in the proposal for a strategy of risk based supervision by combining two graphical approaches: BG and Bayesian networks (BN). The resulting model for diagnosis is a hybrid BN. It is able to make a decision under uncertainties of BG model and takes account of the probabilities of false alarm and non-detection. Furthermore, integration of two graphical approaches (BG and Bayesian networks (BN) to design robust supervision system is another innovative interest. Generated residuals from BG model are coupled with the component reliability model of components leading to a hybrid BN diagnostic model. This model is then used to make a decision under uncertainties of BG model and takes into account the probabilities of false alarm and non-detection. The developed theory is applied to a thermal power station