Modle Modle de Markov en SDF de Markov en SDF

Mini projet
Modle Modle de Markov en SDF de Markov en SDF
Ralis : Soulaf BOUTADGHART
Niveau: 5ISA
2011-2012
PLAN
Introduction
Chanes de Markov
Processus de Markov
Objectifs
2
Etapes de modlisation
Exemple
Simulation
Conclusion
Rsum
Soulaf BOUTADGHART
Introduction
La Mthode de Markov est un outil de
modlisation qui permet de simplifier les systmes
les plus complexes dans lindustrie, comme les
boucles de rgulation et dasservissement o
interviennent des perturbations qui influencent sur le
MTBF des machines ainsi que les autres outils de
FMDS.
La Mthode de Markov est un outil de
modlisation qui permet de simplifier les systmes
les plus complexes dans lindustrie, comme les
boucles de rgulation et dasservissement o
interviennent des perturbations qui influencent sur le
MTBF des machines ainsi que les autres outils de
FMDS.
3 Soulaf BOUTADGHART
Processus stochastique
Est le modle mathmatique qui permet de relier
les ralisations dune variable alatoire X aux
ralisations dun variable alatoire explicative T. en
SDF, X reprsente gnralement ltat du systme alors
que T traduira les instants de changements dtats. X est
donc une variable discrte et T une variable continue.
On verra le cas particulier des processus Markoviens.
Est le modle mathmatique qui permet de relier
les ralisations dune variable alatoire X aux
ralisations dun variable alatoire explicative T. en
SDF, X reprsente gnralement ltat du systme alors
que T traduira les instants de changements dtats. X est
donc une variable discrte et T une variable continue.
On verra le cas particulier des processus Markoviens.
4
Ex: Suite de lancers de d 1,3,2,5,3,6,2,4
Signal radar
cho de voix
ralisation
V.A.
Soulaf BOUTADGHART
Matrice stochastique
Une matrice stochastique (aussi appele matrice de
Markov) est une matrice carre dont chaque lment
est un rel compris entre 0 et 1 et dont la somme des
lments de chaque ligne vaut 1. Cela correspond, en
probabilit, la matrice de transition d'une chane de
Markov finie.
Une matrice est dite bistochastique (ou doublement
stochastique ) si la somme des lments de chaque ligne
et de chaque colonne vaut 1.
Une matrice stochastique est dite rgulire s'il existe un
entier k tel que la matrice Pk ne contient que des rels
strictement positifs
Une matrice stochastique (aussi appele matrice de
Markov) est une matrice carre dont chaque lment
est un rel compris entre 0 et 1 et dont la somme des
lments de chaque ligne vaut 1. Cela correspond, en
probabilit, la matrice de transition d'une chane de
Markov finie.
Une matrice est dite bistochastique (ou doublement
stochastique ) si la somme des lments de chaque ligne
et de chaque colonne vaut 1.
Une matrice stochastique est dite rgulire s'il existe un
entier k tel que la matrice Pk ne contient que des rels
strictement positifs
5 Soulaf BOUTADGHART
Chane de Markov
Processus stochastique temps discret
Les tats Xn forment une suite dindice {0,1,2,}
Proprit de Markov :
Hypothse de stationnarit :
Probabilits de transition entre tats :
Matrice des probabilits de transition P= [P
ij
]
Probabilits initiales :
Exemple: Alphabet : E={A,C,G,T}
Squence : ACGCCTAGGCTAGCTTATCG
Processus stochastique temps discret
Les tats Xn forment une suite dindice {0,1,2,}
Proprit de Markov :
Hypothse de stationnarit :
Probabilits de transition entre tats :
Matrice des probabilits de transition P= [P
ij
]
Probabilits initiales :
6
} i X | j X { P } i X , ... , i X , i X | j X { P
n 1 n 0 0 1 n 1 n n 1 n
= = = = = = =
+ +
ij n 1 n
P } i X | j X { P = = =
+
0
0, 1
ij ij
j
P P

=
=
_
1 , 0
m
0 i
i i
=
_
=

Soulaf BOUTADGHART
Objectifs de modle de Markov
Objectifs

Modliser
lvolution d'un
systme
industriel
Calcul: Fiabilit,
Disp, cot de prod
Nbr moyen
de temps
Disposer de formules
analytiques pour la
plupart des indicateurs
de performance usuels
en fiabilit
7 Soulaf BOUTADGHART
Etapes de modlisation(1)
On Considre un systme compos de n
composants, chaque composant ayant un nombre fini
dtats de fonctionnement et de panne ; ce systme est
suppos rparable et chaque composant est rpar aprs
constatation de la panne. Le systme est donc compos :
Des tats de fonctionnement : un tat de bon
fonctionnement o tous les composants fonctionnent, et
des tats o certains composants sont en panne mais le
systme reste fonctionnel.
Des tats de pannes : o suffisamment de composants
sont en panne pour affecter le systme globale.
On Considre un systme compos de n
composants, chaque composant ayant un nombre fini
dtats de fonctionnement et de panne ; ce systme est
suppos rparable et chaque composant est rpar aprs
constatation de la panne. Le systme est donc compos :
Des tats de fonctionnement : un tat de bon
fonctionnement o tous les composants fonctionnent, et
des tats o certains composants sont en panne mais le
systme reste fonctionnel.
Des tats de pannes : o suffisamment de composants
sont en panne pour affecter le systme globale.
8 Soulaf BOUTADGHART
Etapes de modlisation (Dmarche adopte)(2)
1
Recensement de tous les
tats du systme. Si chaque
composant a 2 tats (ok ou
panne) et si le systme n
composants, le nombre
maximal dtats est 2 . Au
cours de la vie du systme,
des tats de panne peuvent
apparatre la suite de
dfaillance ou disparatre la
suite de rparation
2
Recensement de toutes les
transitions possibles entre ces
diffrents tats et
lidentification de toutes les
causes de ces transitions.
Celles-ci ont gnralement
des dfaillances des
composants ou la rparation
de composants
3
Calcul des
probabilits de se trouver
dans les diffrents tats
au cours dune priode
de vie du systme, calcul
des temps moyens
(MTTF, MTBF, MTTR
. . . )
9
Recensement de tous les
tats du systme. Si chaque
composant a 2 tats (ok ou
panne) et si le systme n
composants, le nombre
maximal dtats est 2 . Au
cours de la vie du systme,
des tats de panne peuvent
apparatre la suite de
dfaillance ou disparatre la
suite de rparation
Recensement de toutes les
transitions possibles entre ces
diffrents tats et
lidentification de toutes les
causes de ces transitions.
Celles-ci ont gnralement
des dfaillances des
composants ou la rparation
de composants
Calcul des
probabilits de se trouver
dans les diffrents tats
au cours dune priode
de vie du systme, calcul
des temps moyens
(MTTF, MTBF, MTTR
. . . )
Soulaf BOUTADGHART
On dessine donc un automate dont les sommets
reprsentent les tats et les arcs transitions. Pour un
systme un composant qui na quun mode de
dfaillance panne, on obtient lautomate dcrit ci-
dessous. Initialement, on est dans ltat ok, tout instant
le composant peut tomber en panne avec le taux de
dfaillance instantan puis se faire rparer avec le taux
de rparation .
Etapes de modlisation (Dmarche adopte)(3)
On dessine donc un automate dont les sommets
reprsentent les tats et les arcs transitions. Pour un
systme un composant qui na quun mode de
dfaillance panne, on obtient lautomate dcrit ci-
dessous. Initialement, on est dans ltat ok, tout instant
le composant peut tomber en panne avec le taux de
dfaillance instantan puis se faire rparer avec le taux
de rparation .
10 Soulaf BOUTADGHART
Modle markovien
i est le nombre de parapluies
disponibles lendroit prsent
Matrice des probabilits de
transitions entre tats
Un professeur distrait
possde deux parapluies.
Sil pleut et lun deux est
disponible, elle le prend;
sinon, elle sort sans
parapluie.
Si p est la probabilit
quil pleuve chaque fois
quelle se dplace, quelle
est la probabilit quelle
prenne une douche
involontaire chaque fois ?
0 2 1
1 p
p
1 p
1
p
Exemple
Modle markovien
i est le nombre de parapluies
disponibles lendroit prsent
Matrice des probabilits de
transitions entre tats
Un professeur distrait
possde deux parapluies.
Sil pleut et lun deux est
disponible, elle le prend;
sinon, elle sort sans
parapluie.
Si p est la probabilit
quil pleuve chaque fois
quelle se dplace, quelle
est la probabilit quelle
prenne une douche
involontaire chaque fois ?
0 0 1
0 1
1 0
P p p
p p
(
(
=
(
(

0
1
{gets wet}
3
p
P p p
p

= =

Se mouiller
11 Soulaf BOUTADGHART
Simulation
Systme
rel
Modle
conceptuel
Analyse & modlisation
Validation
Programmation
Mthodologie Mthodologie
12
Evaluation
de la
simulation
Programmation
Vrification
Analyse des
rsultats
Exprimentation
Correction
Interprtation
& actions
Soulaf BOUTADGHART
Chanes de Markov gnralises (ou Semi-Markov) :
Le prochain tat dpend de ltat prsent, plus la dure de temps
passe dans ce dernier.
Chanes de Markov temps continu :
Cas spcial des processus semi-markoviens.
Champs de Markov
Modle de Markov sappliquant une distribution spatiale de
variables alatoires
Chanes de Markov caches :
Elles sont accessibles uniquement travers des observations
indirectes
Autres processus markoviens
Chanes de Markov gnralises (ou Semi-Markov) :
Le prochain tat dpend de ltat prsent, plus la dure de temps
passe dans ce dernier.
Chanes de Markov temps continu :
Cas spcial des processus semi-markoviens.
Champs de Markov
Modle de Markov sappliquant une distribution spatiale de
variables alatoires
Chanes de Markov caches :
Elles sont accessibles uniquement travers des observations
indirectes
13 Soulaf BOUTADGHART
Le Q.Q.O.C.P.C.
QUOI ? De la modlisation et calcul des indicateurs
QUI ? Nous, agents de maintenance, mdecins, infographiste ,
O ? En production au plus prs des oprateurs, Laboratoires, BDM,
BDtude
14
QUAND ? Problmes doptimisation , risques, apparition de dfaillances,
dgradation,
COMMENT ? par ses propres moyens
POURQUOI ?
Amliorer et prvoir une politique ou stratgie ou une squence
de dcisions , Critre doptimisation
COMBIEN ? Dpend de lensemble des actions possibles dans un tat
Soulaf BOUTADGHART
Conclusion
Le modle de Markov est un formalisme graphique
employ dans les tudes de sret, au domaine de la scurit.
Le fruit de cette adaptation est une technique de
modlisation dattaque orant un compromis original et
avantageux entre lisibilit, pouvoir de modlisation et
capacits de quantication. Elle permet de capturer des
aspects dynamiques tels que squences, dtections et
ractions, sous une forme proche des arbres dattaque qui ne
peuvent pour leur part les prendre en compte. Leur
traitement une fois paramtrs dans le cadre dune analyse de
risques, fournit des informations qualitatives et quantitatives
pour hirarchiser les menaces et contre-mesures.
Le modle de Markov est un formalisme graphique
employ dans les tudes de sret, au domaine de la scurit.
Le fruit de cette adaptation est une technique de
modlisation dattaque orant un compromis original et
avantageux entre lisibilit, pouvoir de modlisation et
capacits de quantication. Elle permet de capturer des
aspects dynamiques tels que squences, dtections et
ractions, sous une forme proche des arbres dattaque qui ne
peuvent pour leur part les prendre en compte. Leur
traitement une fois paramtrs dans le cadre dune analyse de
risques, fournit des informations qualitatives et quantitatives
pour hirarchiser les menaces et contre-mesures.
15 Soulaf BOUTADGHART
16 Soulaf BOUTADGHART