Transcript Modélisation des stratégies de récupération de défauts en plasturgie chez des régleurs

Modélisation des stratégies de
récupération de défauts en
plasturgie chez des régleurs
de presses à injecter
Projet 2004
Rapport Final
Projet PLASTUR
Disciplines et équipes
• Psychologie cognitive, Ergonomie, Informatique + Partenaire
Social
• CRAC, Université Paris 8 (Jean-François Richard, Emmanuel
Sander)
• CNAM, Equipe Didactique professionnelle (Pierre Pastré, Pierre
Parage)
• CRIP 5 Université Paris 5, LIP6 Université Paris 6 (Michel
Futtersack, Jean-Marc Labat, Jacques de Frileuze, Christ
Poorianana)
• AGEFOS-PME BOURGOGNE (Pascal Samson)
• Ecole de formation d’Alençon (Pierre Parage)
Rappel du projet
• Modélisation du rôle du contexte en
situation naturelle (régleurs de
presses à injecter) en articulant des
cadres théoriques de psychologie
cognitive et ergonomique, et des
méthodes de modélisation issues de
l’I.A. et de la psychologie cognitive.
Contexte scientifique
• Place centrale de la R.P. dans l’analyse du
travail en psychologie ergonomique et en
didactique professionnelle
• La psychologie cognitive et l’I.A. ont
développé des modèles rarement mis à
l’épreuve en situation naturelle
• Les enjeux sont considérables
Cas de la conduite de processus
• Travail sur simulateur (Pastré, 92, 94, 04)
• Réglage des différents paramètres afin de viser
l’absence de défaut (correction de défaut)
• 3 catégories de défaut (conceptualisation)
– Cause circonscrite
– Reposant sur un diagnostic de fonctionnement
– Compréhension du comportement de la matière
• Il existe des situations de compensation (plusieurs
paramètres déréglés se compensent)
Objectifs scientifiques
• Simuler le comportement des opérateurs et identifier
les stratégies et les comportements d’adaptation
• … dans une situation professionnelle où interviennent
des connaissances spécialisées de haut niveau,
contrairement aux problèmes classiques où n’existent
pas de telles compétences.
• Un modèle de diagnostic des processus de solution
serait utilisable pour réorienter le comportement de
recherche et faire prendre conscience de l’adéquation
ou non des solutions et à partir de là de construire les
concepts qui font défaut.
Buse
Contre-pression
CP
Granules de
polymère
Vis d’Archimède
Température T°
Temps d’injection TID
Phase dynamique d’injection
Buse
Granules de
polymère
Vis d’Archimède
Pression de Commutation
PC
Point de commutation
Buse
Granules de
polymère
Vis d’Archimède
Pression de Maintien
P2
Temps de Maintien T2
Phase statique de maintien
Buse
Granules de
polymère
Temps de refroidissement T3
Phase de refroidissement
Vis d’Archimède
Corpus
• Recueil de données sur un simulateur (construit à
partir d’une base d’état, associant valeurs de
paramètres et défauts)
• Problèmes de nature proche (même Espace
Problème, même Etat Final; Etat Initial varie)
• Corpus comprend 2 parties
– Deux séries de problèmes (9 et 8 problèmes) séparés
par une phase de formation.
– 13 sujets au total dont certains n’ont pas fait la 2ème
partie.
Paramètres d’action
• A partir des défauts visuels et de la courbe des
pressions
• 7 paramètres d’action discrétisés à 3 états dont les
valeurs peuvent être augmentées ou diminuées
•
•
•
•
•
•
•
TID = Temps d’Injection
PC = Pression de Commutation
CP = Contre Pression
P2 = Pression de maintien
T° = Température du moule
T2 = Temps de maintien
T3 = Temps de refroidissement
• Un paramètre d’état de la machine : buse matée ou
non
Les indices de courbe
Point de
commutation
PC
P2
TID
T2
Les 4 couples de défauts
• Défauts à cause unique
1/ Striage / Brûlure
(Cause = TID)
2/ Cassure / Retassure
(Cause = P2 T2)
• Défauts à causes multiples
3/ Serrage fort / faible
(Causes = T3, P2 T2)
4/ Manque / Bavure
(Causes = PC, T°, buse)
Combinaison de causes et de défauts
• L’addition de deux causes concourant à un même effet. Dans
certains cas, il y a production de deux effets conjoints.
• Atténuation : une cause, indirecte, vient diminuer l’effet de la
cause directe principale.
• Addition avec atténuation : deux causes ajoutent leurs effets,
alors qu’une 3e cause vient atténuer l’effet d’ensemble.
• Addition avec augmentation : deux causes ajoutent leurs
effets ; une 3e cause, indirecte, vient accentuer l’effet
d’ensemble.
• Présence de 2 causes ayant des effets distincts, avec atténuation
d’un des effets.
• Présence de 2 causes ayant des effets distincts, avec
accentuation d’un des effets.
• Présence de 2 causes, inhibition d’un des effets
Hypothèses sur les raisonnements des régleurs
pour défauts à causes multiples
Deux classes de situations :
1.
Le défaut est dû à une cause unique
•
Serrage = T3 ou (P2, T2)
•
Manque/Bavure = (PC, T°) ou buse matée
•
Striage/brûlure = TID
Variante : 2 défauts dus à une cause unique
(Ex : M1, St1 => T°-)
2.
Il y a une cause directe et un phénomène de
compensation / accentuation
La compensation peut être totale ou partielle.
Exemples de compensations / accentuations
• Compensation totale :
CP+, T°- => pas de défauts
• Compensation partielle :
PC-, CP+ => M1
• Accentuation :
PC-, Buse => M2
Modélisation par contraintes
• Une contrainte est une règle qui a 3 particularités
– 1-son résultat est une restriction sur les actions
possibles. C’est un vecteur indiquant pour chaque
éventualité si elles est permise (0), interdite (1) ou
indifférente (0,5)
– 2-les contraintes se composent de façon additive : le
résultat est une contrainte plus restrictive
– 3- le fait qu’une liste ordonnée de C est une C permet un
diagnostic automatique de la liste ordonnée des
contraintes qui reproduit au plus près le protocole
• Etant donné un protocole, un ensemble de C possible et une
mesure de distance,
• on construit progressivement par ajout de C la liste qui simule au
mieux le protocole (un problème ou une suite de problèmes)
Adaptation à la tâche de réglage (1)
• On a défini comme des contraintes les
règles de gestion de la tâche prises de
décision portant sur le type d’activité à
engager :
– après un réglage, en faire un second ou
s’arrêter d’agir pour prendre de l’information ?
– Alors, quelle information demander, les défauts
ou la courbe, quand passer à l’action ou
considérer que le problème est résolu.
Adaptation à la tâche de réglage (2)
• Les buts d’action sont directement dérivés
d’hypothèses sur l’origine des défauts
– un but comporte deux composantes
• la partie défauts où on peut avoir un défaut ou un
couple de défauts
• la partie actions de remédiation où on peut avoir
une ou plusieurs actions ordonnées ou non
Adaptation à la tâche de réglage (3)
• On exprime le niveau de compréhension des 5
paramètres de la courbe des pressions par un vecteur
à 5 valeurs qui indique pour chaque paramètre s’il
est reconnu ou non dans la courbe par l’opérateur
• Les valeurs de ce vecteur entrent comme conditions
dans les contraintes de gestion de la tâche et les
contraintes des actions de réglage
L’architecture du système
• Le protocole est découpé en deux sous-protocoles : gestion de
la tâche et actions de réglage.
• Chaque sous protocole est régi par un ensemble de
contraintes
• recherche du meilleur jeu de contraintes pour chacun et
calcul de la distance au protocole pour les différentes
valeurs du vecteur compréhension
• reconstitution du protocole global : recherche du patron de
valeurs du vecteur compréhension qui donne la meilleure
approximation. Une fois ce patron choisi
– simulation des prises de décision de gestion de l’activité
– simulation des prises de décision concernant les actions de réglage
Ce que le régleur voit
Défauts
Paramètres lisibles
Etat de la machine
Etat des paramètres
Ce qu’ il fait
Réglage
Dema
nd’inf
o
MBBruStr DepCasSer Ti Pc Cp P2 T2 Ti Pc Cp P2 T2 T3 T° Bu R1 R1 va D C
1 1 0 0 0 0
-1 0 0 1 -1 0 0 0 0 0 0 0 1
-1 0 0 1 -1 -1 0 0 1 -1 0 0 0 Ti + 0 0 1
-0 0 0 1 -1 -0 0 0 1 -1 0 0 0 Pc - 0 0 1
-0 -1 0 1 -1 0 -1 0 1 -1 0 0 0 Ti - 0 0 1
-1 -1 0 1 -1 -1 -1 0 1 -1 0 0 0 Pc + 0 0 1
-1 0 0 1 -1 -1 0 0 1 -1 0 0 0 Ti + 0 0 1
0 0 0 1 -1 0 0 0 1 -1 0 0 0 P - 0 0 1
2
0 0 0 0 -1 0 0 0 0 -1 0 0 0 T + 0 0 1
2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0
Exemple de simulation
Essai 1 décisi on du protocole : demande de courbe Etat : prise d’information
Contraintes
av
anva a->a arrêt dc/a a/c
dd/c a/cd ac/ad C globale
0
1
0 ,5
0 ,5
0 ,5
0 ,5
Demand e défauts
1
0
0
0 ,5
0 ,5
0 ,5
0 ,5
Demand e courbe
0,5
0
1
0 ,5
0 ,5
0 ,5
0 ,5
Pris e info->action
1
1
1
0 ,5
0 ,5
0 ,5
0 ,5
Arrêt fi n de pb
1
Nouve lle action
Action-> priseinfo
1
0
1
1
dc/a ; au début du pb ou après action valide sur paramètre courbe reconnu, de mander courbe
a/cd : après action valide sur paramètre courbe, si cour normale mais défauts, alors action
Essai 2 décisi on du protocole : passage à l’ action Etat : pris e d’information
Contraintes
av
anva a->a arrêt dc/a A/c dd/c A/cd ac/ad C globale
0
0 ,5
1
0 ,5
0 ,5
0 ,5
Demand e défauts
1
0
0 ,5
1
0 ,5
0 ,5
0 ,5
Demand e courbe
1
0
0 ,5
0
0 ,5
0 ,5
0 ,5
Pris e info->action
0,5
1
0 ,5
1
0 ,5
0 ,5
0 ,5
Arrêt fi n de pb
1
Nouve lle action
Action-> priseinfo
1
1
0
1
Essai
Etat
Action
Contraintes
Actions
autorisées
1
PI
PI-C-PI
pas encore eu de réglage, courbe
absente et lisible
 demander la courbe
PI-C-PI
2
PI
PI-RE
pas encore eu de réglage, la courbe
est présente
faire un réglage
PI-RE
3
RE Ti+1
Traitement courbe qui autorise Ti+, Ti,Pc+,Pc- (mal lus) et P2+, T2- (bien lus)
Buts Manque et Brûlure qui autorisent Ti+,
P2-, T2+
Ti+
4
RE RE-PI
si un réglage valide a été fait, demander de
l’information, sauf si ce réglage annule le
réglage précédent, auquel cas soit demander
de l’information soit faire un nouveau
réglage ; s’il n’y a pas eu de réglage ou s’il
est invalide, faire un réglage
RE-PI
5
PI
il y a eu un réglage sur un paramètre de la
courbe qui est lisible, ni les défauts ni la
courbe n’ont été demandés, demander la
courbe
PI-C-PI
PI-C-PI
Fidélité de la simulation
• La compatibilité indique quel est le pourcentage des essais
du protocole pour lesquels l’action observée se trouve
parmi les actions autorisées par la simulation
• La prédictibilité est liée au nombre d’actions autorisées par
la simulation : si ce nombre est faible (à la limite une), cela
signifie que la simulation serre de très près le protocole
• Si le nombre d’actions autorisées est important, la
simulation contient le protocole, mais d’une façon lâche
• Compatibilité et prédictibilité sont en relation inverse l’une
de l’autre
And
Ber(1)
Cha
Chr
Dan
Eti (1)
Fra
Geo
Hen
Jac
Jea (1)
Luc (1)
Mic
Etat RE : gestion réglages Etat PI prise d’information Etat choix des réglages
Nomb re Incompa % de cas Nomb re Incompa % de cas Nomb re Incompa % de cas
d’essais tibilités 1 action d’essais tibilités 1 action d’essais tibilités 1/2
actions
% de cas
1/4
actions
66
143
55
75
91
103
52
76
90
68
71
33
34
.23
.55
.93
.47
.25
.67
.53
.47
.66
.87
.52
.56
.61
.090
.036
.026
.032
.058
.058
.0
.044
.073
.028
.030
.029
.060
.90
.96
.97
.97
.94
.92
1.0
.95
.93
.97
.88
.97
.94
246
117
179
223
142
111
192
189
142
176
64
68
154
.020
.042
.0
.031
.042
.027
.031
.063
.028
.006
.031
.015
.019
.45
.60
.75
.62
.68
.40
.53
.48
.49
.60
.72
.79
.62
141
55
75
146
136
51
76
90
67
71
33
34
66
.035
.036
.0
.010
.0
.020
.013
.022
.0
.0
.03
.0
.015
.18
.38
.67
.22
.18
.39
.30
.30
.46
.68
.33
.35
.39
Apports de la modélisation par contraintes
• Formaliser les résultats de l’analyse du travail
concernant les hypothèses des régleurs sur l’origine des
défauts ainsi que les différentes stratégies : pilotage par la
courbe ou par les défauts
• Permet d’estimer des caractéristiques individuelles des
opérateurs autres que les stratégies
– Le niveau d’exigence de l’opérateur
– La compréhension de la courbe
– Les hypothèses sur les causes des défauts
• Diagnostic fin du processus de résolution qui permet
d’envisager l’utilisation du modèle à des fins de formation,
notamment pour faire prendre conscience à l’opérateur de la
stratégie mise en œuvre et la faire évoluer vers une stratégie
plus efficace
Modèles à base de connaissances
• Définition de l’Opérateur Idéal (O.I.)
– Commence par rectifier la courbe
– Puis stratégie analytique fondée sur
• Le nombre de fois où une action lui a permis de
résoudre les défauts présentés dans le problème
• L’impact de l’action sur les autres types de défauts.
• Règles plus générales d’adaptation à la tâche
(heuristiques)
– Ne pas exécuter 2 fois la même action.
– Ne pas revenir en arrière
Les règles d’action
• Règles d’action pour la courbe
– Si un des paramètres de la courbe (TID, PC, P2, T2)
n’est pas correct, une seule règle possible
• Règles d’action pour les défauts visuels
– Extraction des connaissances à partir de la base des
états
• Réduction de la base des états
• Définition des règles d’action et de leur priorité : une
première définition a été implémentée sur la base de
critères de fréquence (nombre d’états de la base
présentant un défaut dj et pour lesquels l’action ai était
nécessaire) et de règles d’optimisation (les heuristiques).
Le diagnostic
• Choix de l’action la plus pertinente
– M1 pour Manque-Bavure, Str1 pour Striage-Brûlure et Nser pour
Serrage. On a ainsi : Pb = {M1, Str1, Nser}.




ai
ai 
buse



MAX MAX  ( pd j  pd j ),  pd j / 3
ai  A /buse d  Pb

 j
 d j  Pb


Résultats de l’O.I.
• L’O.I. a su résoudre l’ensemble des 17 problèmes
– Le plus souvent en un nombre de coups optimal
– L’architecture développée pour l’O.I. transposable pour les O.V.
– Développé en CLIPS et devrait être intégré au simulateur Java.
• Mais …
– Les régleurs réels ne fonctionnent pas sur le modèle du régleur
idéal, même sous une forme plus ou moins dégradée.
– Même le régleur le plus performant, ne commence pas de façon
systématique à corriger tous les paramètres visibles sur la courbe
pour ne passer qu’ensuite, si besoin est, à la correction des défauts
résiduels
– Registre pragmatique : les régleurs cherchent à trouver un état
acceptable en un minimum de temps
Deux opérateurs virtuels
• Opérateur Rustique (O.R.)
– Prend en considération uniquement les défauts (demandes de
défauts)
– Ne connait pas (ou très peu) les informations de la courbe
– Hypothèse simplificatrice que l’O.R. observe la pièce après chaque action
• Opérateur Expert (O.E.)
– Prend en compte des informations de la courbe
– Effectue des demandes sur les défauts visuels
– Hypothèse simplificatrice que l’O.R. consulte toutes les informations après chaque action
• Modèles articulés
– La base de règles du modèle expert est une extension de la base de
règles du modèle rustique
Evaluation de l’opérateur rustique
• Trois sujets se rapprochent le plus du
modèle rustique: Lucien, Henri et Jean
– Ceux-ci ne demandent jamais (ou très rarement)
à consulter la courbe
• Pour les trois sujets concernés, les qualités
de simulation sont très bonnes
– Coïncidence sur l’ensemble des actions sur 6 ou
7 des 8 problèmes
Evaluation de l’opérateur expert
• 3 opérateurs au comportement très proche pour construire
la base de règles de l’O.R.
– Environ 60% des problèmes simulés
– Encourageante, mais non suffisante
• Troisième niveau de modélisation à envisager
– Hypothèse que les experts font des inférences sur des variables
non directement observables
• physiques déductibles d'observables (la vitesse d'injection peut être dérivée
du temps d'injection et de la pression de commutation)
• physiques inaccessibles (température plastique, état buse)
• construites (bourrage, retrait, manque de matière) : abstraction d'un
phénomène physico-chimique impliquant plusieurs variables physiques
Apports de la simulation à base
de connaissances
• Richesse du langage de représentation
– Les règles utilisent la logique des prédicats, on peut
définir des métaconnaissances explicites pour contrôler
le moteur d’inférences
– Décrire ainsi des comportements de résolution
complexes, comme des changements de stratégie en
cours de résolution.
• Lisibilité des règles
– Permet une modélisation incrémentale et interactive
– L’expert du domaine peut examiner la trace d’une
résolution du système et corriger/ajouter des règles en
détectant des incohérences ou des incomplétudes.
SIMPLAST
• Un simulateur pour l’expérimentation, le
diagnostic, la simulation et la formation
• Un mode apprenant, et un mode formateur
• Possibilité de rejouer un protocole
• Possibilité de résoudre un problème (l’O.I.
et les Opérateurs virtuels seront implantés
dans SIMPLAST)
Etude auprès d’apprentis
• Qu’en est-il chez les débutants ?
– Apport des modélisations construites
– Application à la formation
• Ecole professionnelle d’Alençon
– Recueil des données sur SIMPLAST
• 80 protocoles collectés
• Résultats en cours d’analyse (Thèse de
Pierre Parage)
Modélisation cognitive Rst & R.P.
• Mise en œuvre de modélisations issues de champs de
recherches différents
– IA pour la modélisation à base de connaissances
– Psy Cog pour la modélisation à base de contraintes
• Même objet de recherche ET mêmes données.
– Démarche régulièrement promue, réalisation effective très rare
– PLASTUR constitue à ce titre un exemple remarquable
d’application de deux approches à une même situation et sur un
même corpus.
Articulation des modélisations
• Caractéristiques d’un modèle conjoint
• Diagnostic, analyse des comportements à un
niveau fin (les contraintes), et de granularité
supérieur (règles)
– Diagnostic assuré par l’approche contrainte
– Les contraintes identifiées servent d’entrées pour la
sélection des règles appropriées
• d’un modèle à base de connaissances
• de l’opérateur virtuel le plus pertinent
• support d’interactions directes avec les experts du domaine ou
de l’analyse du travail, et adapté à la construction de profils
– Dépasse le cadre du projet mais rendue possible par lui
Apports réciproques
• Les analyses conduites par Pierre Pastré ont pu servir de support à une
modélisation informatique, tant par l’approche contrainte que par
l’approche modélisation à base de connaissance
• Double fonction de la démarche modélisatrice
– tentative de validation d’une analyse jusque-là seulement partiellement
formalisée et largement qualitative
– support pour une évolution conceptuelle liée aux nécessités d’explicitation
propre à la construction d’un modèle informatique et aux réinterprétations liées
aux résultats des premières tentatives de simulations
• Pour la psychologie cognitive : permet d’éprouver et de faire évoluer
des modèles en sortant des problèmes ‘jouets’ et en prenant en compte
l’influence des connaissances antérieures
Perspective pour Plastur
• Volonté de poursuite par les membres du
projet
• Partenariat en cours de développement avec
l’école d’Alençon
– Application à la formation
– Une thèse en cours
• Rédaction d’articles