BR112015009029B1

BR112015009029B1 - Sistema e processo de monitoramento de um conjunto de componentes de um equipamento

Info

Publication number: BR112015009029B1
Application number: BR112015009029-0A
Authority: BR
Inventors: Jérôme Lacaille; Tsirizo Rabenoro
Original assignee: Snecma
Priority date: 2012-10-26
Filing date: 2013-10-25
Publication date: 2022-05-24
Also published as: EP2912526B1; CN104756029A; WO2014064396A3; US20150287249A1; JP2016503530A; BR112015009029A2; RU2635435C2; CA2888716A1; JP6751561B2; US9754429B2; FR2997451B1; WO2014064396A2; CN104756029B; EP2912526A2; CA2888716C; FR2997451A1; RU2015119528A

Abstract

SISTEMA DE MONITORAMENTO DE UM CONJUNTO DE COMPONENTES DE UM EQUIPAMENTO. A invenção refere-se a um sistema de um conjunto de componentes de um equipamento, tal como um motor, que comporta: - meios de detecção (2) que compreendem um conjunto de agentes de detecção de anomalias (a1,..., ai,..., na), cada um desses agentes sendo configurado para receber medidas sobre parâmetros físicos relativos a um subconjunto de componentes de um equipamento, tal como um motor e para uma distribuição inicial de probabilidade de anomalia; - meios de aquisição (3) configurados para receber informações de retorno de experiência (17), assim como as distribuições iniciais de probabilidade de anomalia oriundas desse conjunto de agentes; - meios de emergência (5) configurados para fazer emergir, de maneira iterativa, distribuições correntes de probabilidade de anomalia em adequação com essas informações de retorno de experiência, essas distribuições correntes de probabilidade de anomalia convergindo para um conjunto de distribuições ótimas de probabilidade de anomalia em conformidade com essas informações de retorno de experiência; e - meios de síntese (7) configurados para sintetizar distribuições ótimas de probabilidade de anomalia relativas a pelo menos um subconjunto de interesse de componentes de um equipamento, tal como um motor, a fim de extrair riscos de anomalia específica nesse subconjunto de (...).

Description

CAMPO TÉCNICO

[001] A presente invenção se refere ao domínio de sistemas de monitoramento de um equipamento, tal como um motor e, mais particularmente, de um sistema de monitoramento de um conjunto de componentes de motor de aeronave.

ESTADO DA TÉCNICA ANTERIOR

[002] O monitoramento de um motor e, em particular, de um motor de aeronave é muito importante para o bom funcionamento do motor. Utilizam-se diferentes dispositivos de monitoramento ou de detecção de anomalia para verificar o bom funcionamento dos diferentes componentes do motor. Existe, por exemplo, um dispositivo de monitoramento para analisar o comportamento de processo de ignição, um outro para analisar a trajetória dos gases, um outro ainda para detectar a colmatagem dos filtros, e um outro para analisar o consumo de óleo, etc.

[003] Todos esses dispositivos e de monitoramento permitem melhorar a segurança e a confiabilidade dos motores de aeronave. Em particular, eles permitem evitar ou limitar a parada em voo (in-flight shutdown IFSD), reduzir os retardos ou anulação dos voos (delays and cancellations D&C), e, mais particularmente, facilitam a manutenção do motor, antecipando as falhas e identificando os componentes problemáticos ou que falham.

[004] Os diferentes dispositivos de detecção exploram dados de entrada diversos e podem ser parametrados diferentemente em função dos tipos de defeitos que se deseja marcar. Com efeito, não se observam necessariamente os mesmos parâmetros, conforme os componentes ou conjuntos de componentes seguidos. Da mesma forma, em função dos tipos de defeitos que se procura marcar, não se vai medir as mesmas grandezas físicas.

[005] Os resultados produzidos por esses dispositivos de detecção relativos a um motor são probabilidades ou riscos de anomalias associados a informações de precisão. Considerando-se que todos os componentes do motor são ligados entre si, os dispositivos de detecção geram muito mais informações simultaneamente e é necessário poder fazer com elas a triagem para auxiliar os operadores de manutenção a tomar uma decisão quanto à colocação do motor ou de seu reparo.

[006] Todavia, isto necessita de um grande tempo de análise e, além disso, é difícil para os experts explorar todos os dados que podem ser pertinentes para o monitoramento do motor.

[007] Além disso, uma grande taxa de detecção gera uma grande taxa de falsos alarmes. Assim, observa-se uma dualidade entre a possibilidade de ter uma taxa de falsos alarmes reduzida e uma boa detecção. Reduzir a taxa de falsos alarmes, diminui fatalmente a taxa de detecção. Ora, essa taxa de falsos alarmes é muito importante para uma aplicação de monitoramento. Com efeito, se um dispositivo de detecção sugere injustamente uma operação de manutenção cara por natureza, esse dispositivo de detecção vai perder qualquer credibilidade. Por outro lado, no domínio da aeronáutica, a concepção dos equipamentos é extremamente confiabilizada, o que tem tendência a limitar muito as taxas de panes e, portanto, aumentar o risco de falsos alarmes.

[008] O objetivo da presente invenção é de propor um sistema de controle de um conjunto de componentes do motor, permitindo auxiliar os operadores de manutenção a tomar uma decisão, aumentando a taxa de detecção sem aumentar a taxa de falsos alarmes.

EXPOSIÇÃO DA INVENÇÃO

[009] A presente invenção pode ser estendida a qualquer equipamento. Assim, ela é definida por um sistema de controle de um conjunto de componentes de um equipamento, tal como motor, comportando:

[0010] - meios de detecção compreendendo um conjunto de agentes de detecção de anomalias, cada um desses agentes sendo configurado para receber medidas sobre parâmetros físicos relativos a um subconjunto de componentes de um equipamento, tal como um motor e para liberar uma distribuição inicial de probabilidade de anomalia;

[0011] - meios de aquisição configurados, para receber informações de retorno de experiência, assim como as distribuições iniciais de probabilidade de anomalia oriundas desse conjunto de agentes;

[0012] - meios de emergência configurados para fazer emergir, de maneira iterativa, distribuições correntes de probabilidade de anomalia em adequação com essas informações de retorno de experiência, essas distribuições correntes de probabilidade de anomalia convergindo para um conjunto de distribuições ótimas de probabilidade de anomalia em conformidade com essas informações de retorno de experiência; e

[0013] - meios de síntese configurados para sintetizar distribuições ótimas de probabilidade de anomalia relativas a pelo menos um subconjunto de interesse de componentes do equipamento, tal como um motor, a fim de extrair riscos de anomalia específica nesse subconjunto de interesse.

[0014] Assim, o sistema de monitoramento permite aumentar muito a taxa de detecção, mantendo uma baixa taxa de falsos alarmes e permite fazer a triagem dos resultados, a fim de focalizar sobre os riscos de anomalia referindo-se a um subconjunto particular de componentes do equipamento, tal como um motor. Assim, o sistema permite marcar os elementos que apresentam maior risco e, por conseguinte, facilitar o discernimento e tomada de decisão em termos de operações de manutenção referentes ao subconjunto seguido.

[0015] Vantajosamente, os meios de emergência comportam:

[0016] - meios de fusão configurados para criar cada distribuição corrente ou ótima de probabilidade de anomalia, fundindo distribuições precedentes de probabilidade de anomalia, segundo regras de fusão pré-determinadas;

[0017] - meios de otimização configurados para colocar em adequação cada distribuição inicial ou corrente de probabilidade de anomalia com a informação de retorno de experiência que lhe corresponde, a fim de lhe associar um valor de eficácia; e

[0018] - meios de gestão configurados para fazer evoluir o conjunto de agentes para uma população ótima de agentes, criando novos agentes correspondentes às distribuições correntes e ótimas de probabilidade de anomalia e selecionando os agentes os mais conformes com as informações de retorno de experiência, segundo os valores de eficácia associados a essas distribuições correntes e ótimas de probabilidade de anomalia.

[0019] Isto permite modular de maneira dinâmica os agentes de detecção de anomalia e fazer emergir agentes que se adaptam, de maneira contínua, aos acontecimentos os mais interessantes.

[0020] Vantajosamente, os meios de emergência são, além disso, configurados para associar a cada distribuição inicial, corrente ou ótima de probabilidade de anomalia relativa a um subconjunto de componentes do equipamento, tal como um motor, um vetor de implicação, refletindo uma contribuição de cada elemento desse subconjunto sobre a distribuição de probabilidade de anomalia correspondente.

[0021] Isto permite ligar, de maneira eficaz, as probabilidades de anomalia aos diferentes elementos do equipamento, tal como um motor.

[0022] Vantajosamente, os meios de síntese são configurados para sintetizar as distribuições ótimas de probabilidade de anomalia relativas a esse subconjunto de interesse, segundo os vetores de implicação correspondentes.

[0023] Vantajosamente, as regras de fusão predefinidas podem ser escolhidas dentre as seguintes regras: regras experts, regras de redução, regras de voto, regras profissionais, regras baiesianas, e regras de lógica leve.

[0024] Isto permite combinar diferentes fontes de informações, aumentando assim a confiabilidade do monitoramento.

[0025] Vantajosamente, os meios de otimização são, além disso, configurados para ajustar as regras de fusão em função das informações de retorno de experiência.

[0026] Vantajosamente, o conjunto de agentes ou a população ótima de agentes é formado por instâncias de algoritmos compreendendo escolhas de medidas diferentes, ou métodos de tratamento diferentes, ou parametragens diferentes.

[0027] Vantajosamente, as distribuições iniciais de probabilidade de anomalia são padronizadas em relação ao contexto das medidas.

[0028] Vantajosamente, o sistema de monitoramento comporta meios auxiliares da decisão que permitem determinar as operações de manutenção em função dos riscos de anomalias.

[0029] Vantajosamente, esse equipamento é um motor e notadamente um motor de aeronave.

[0030] A invenção visa também a um processo de monitoramento de um conjunto de componentes de um equipamento, tal como um motor, comportando as seguintes etapas:

[0031] - adquirir informações de retorno de experiência, assim como distribuições iniciais de probabilidade de anomalia oriundas de um conjunto de agentes de detecção de anomalias, cada um desses agentes sendo configurado para receber medidas sobre parâmetros físicos relativos a um subconjunto de componentes do equipamento, tal como um motor antes de liberar uma distribuição inicial de probabilidade de anomalia;

[0032] - fazer emergir, de maneira iterativa distribuições correntes de probabilidade de anomalia em adequação com essas informações de retorno de experiência, essas distribuições correntes de probabilidade de anomalia convergindo para um conjunto de distribuições ótimas de probabilidade de anomalia em conformidade com essas informações de retorno de experiência; e

[0033] - sintetizar distribuições ótimas de probabilidade de anomalia relativas a pelo menos um subconjunto de interesse de componentes do equipamento, tal como um motor, a fim de extrair riscos de anomalia específica a esse subconjunto de interesse.

BREVE DESCRIÇÃO DOS DESENHOS

[0034] A figura 1 ilustra, de maneira esquemática, um processo de monitoramento de um conjunto de componentes de um equipamento, tal como um motor, de acordo com a invenção.

[0035] A figura 2 ilustra, de maneira esquemática, um sistema de monitoramento de um conjunto de componentes de um equipamento, tal como um motor, de acordo com a invenção.

[0036] As figuras 3A-3D ilustram, de maneira esquemática, exemplos de fusão em um sistema de monitoramento de um conjunto de componentes de um equipamento, tal como um motor de aeronave, de acordo com a invenção.

[0037] A figura 4 ilustra, de maneira esquemática, um exemplo particular de síntese, conforme o sistema de monitoramento da presente invenção.

EXPOSIÇÃO DETALHADA DE MODOS DE REALIZAÇÃO PARTICULARES

[0038] O princípio da invenção é de fundir diferentes fontes de detecção de anomalia sobre um equipamento, tal como um motor para fazer emergir, de maneira automática e otimizada, informações discerníveis e úteis para uma tomada de decisão relativa a operações de manutenção sobre o equipamento.

[0039] A figura 1 ilustra, de maneira esquemática, um processo de monitoramento de um conjunto de componentes de um equipamento, tal como um motor, de acordo com a invenção.

[0040] A presente invenção é generalizável a qualquer equipamento notadamente equipamento de uma aeronave. Por "equipamento", entende-se um motor notadamente um motor de aeronave, um sistema de análise da capacidade de acionar notadamente para um sistema de aeronave, uma ferramenta de confirmação de diagnóstico, um sistema embarcado de análise vibratória, um sistema de monitoramento de rolamentos, um sistema de identificação das missões (workscopes) do motor, quando das passagens em atelier, um sistema de identificação automática de causas de notificações CNR (Customer Notification Report), um sistema de reparo de ordem mecânica (troubleshooting), etc.

[0041] Por preocupação com a concisão, utilizar-se-á na sequência a expressão "conjunto de componentes de um equipamento" para designar o equipamento completo ou um sistema do equipamento compreendendo vários componentes e, em particular, utilizar-se-á a expressão "conjunto de componentes do motor" para designar o motor completo ou um sistema do motor compreendendo vários componentes. Será utilizada também a expressão "subconjunto de componentes de um equipamento" para designar um subconjunto do equipamento que compreende um único componente ou ainda vários componentes e, em particular, será utilizada a expressão "subconjunto de componentes motor" para designar um subsistema do motor que compreende um único componente ou ainda vários componentes do motor.

[0042] O processo de monitoramento, de acordo com a invenção, utiliza um raciocinador que funde, de maneira dinâmica e autoadaptativa", informações oriundas de um conjunto de detectores de anomalia, e que, em seguida, faz uma triagem e sintetiza as informações fundidas.

[0043] A etapa E1 se refere à obtenção das medidas x(w), quando de uma experiência w ε Q sobre parâmetros físicos relativos a um subconjunto de componentes de um equipamento, tal como um motor.

[0044] A etapa E2 se refere à definição de um conjunto de agentes algoritmos a1,..., ai, an de detecção de anomalias, cada um dos agentes sendo configurado para receber medidas sobre os parâmetros físicos para calcular uma distribuição inicial de probabilidade de anomalia.

[0045] Na etapa E3, o conjunto de agentes algorítmicos a1,..., ai, an libera um conjunto de distribuições iniciais de probabilidade de anomalia Pa1,..., Pai, Pan.

[0046] A etapa E4 se refere à aquisição das informações de retorno de experiência Re sobre erros.

[0047] A etapa E5 se refere à utilização das informações de retorno de experiência, assim como as distribuições iniciais de probabilidade de anomalia oriundas do conjunto de agentes de detecção de anomalias a1,..., ai, an para fazer emergir distribuições correntes de probabilidade de anomalia em adequação com as informações de retorno de experiência.

[0048] As distribuições correntes de probabilidade de anomalia são criadas, de maneira iterativa até que elas convirjam na etapa E6 para um conjunto de distribuições ótimas de probabilidade de anomalias Pao1,..., Paoi, Paono em conformidade com as informações de retorno de experiência.

[0049] Na etapa E7, as distribuições ótimas de probabilidade de anomalia relativas a pelo menos um subconjunto de interesse de componentes do equipamento, tal como um motor, são sintetizadas, a fim de extrair riscos de anomalia específica a esse subconjunto de interesse.

[0050] A figura 2 ilustra, de maneira esquemática, um sistema de monitoramento de um conjunto de componentes de um equipamento, tal como um motor, de acordo com a invenção.

[0051] Esse sistema de monitoramento 1 comporta meios de detecção 2, meios de aquisição 3, meios de emergência 5, e meios de síntese 7.

[0052] Anotar-se-á que, no caso de um motor de aeronave, os meios de detecção 2 podem ser integrados em parte ou na totalidade a uma calculadora embarcada de controle do motor. Por outro lado, os meios de aquisição 3, de emergência 5 e de síntese 7 são módulos numéricos que podem ser integrados a um mesmo ou a diferentes computadores ou sistemas informáticos 9a, 9b.

[0053] Os meios de detecção 2 compreendem um conjunto de agentes algorítmicos a1,..., ai, an de detecção de anomalias que são configurados para receberem medidas sobre parâmetros físicos relativos a um subconjunto de componentes motor e para liberar distribuições iniciais de probabilidade de anomalia.

[0054] Um agente ai de detecção de anomalia comporta funções algorítmicas. Essas funções compreendem, por exemplo, uma função para inicializar o estado do agente, uma outra para fazer a calibragem, outras funções para o recebimento dos dados e a execução do algoritmo e outras ainda para liberar resultados. Um agente de detecção de anomalia sofre, em geral, uma fase de aprendizagem compreendendo um procedimento de aferição. Os agentes podem ser lançados pelos meios de tratamento da calculadora ou do computador, quando é necessário. O agente de detecção de anomalia é configurado para coletar medidas adquiridas por captadores sobre o motor 13 e seu meio ambiente. Mais particularmente, esses dados podem ser adquiridos diretamente, a partir do motor 13 (seta em pontilhados) ou a partir de uma experiência w SQ de medidas oriundas de uma base de dados 15.

[0055] O agente ai calcula então, a partir dessas medidas, indicadores específicos a componentes do motor 13 ou a elementos lógicos, indicando uma tarefa específica de todo um conjunto de componentes do motor 13. A título de exemplo, um indicador pode corresponder ao prazo necessário para que uma árvore do motor atinja a aceleração máxima após cada acionamento do motor, um outro indicador pode ser o gradiente das temperaturas dos gases de escapamento do motor, etc.

[0056] Todavia, cada medida pode ser coletada em condições externas ou internas particulares. Essas condições podem ter um impacto sobre a leitura dos indicadores podem ser medidas e registradas como dados exógenos. As condições podem compreender as temperaturas e pressões externas, a higrometria, etc. As condições internas podem se referir à utilização específica do motor, por exemplo, a temperatura de óleo exatamente antes do acionamento do motor pode ser considerada como um dado de contexto que diferencia dois tipos de acionamentos (acionamento a frio ou acionamento a quente).

[0057] Assim, esses indicadores são vantajosamente padronizados, por exemplo, por uma técnica clássica de normalização, em função de uma média e de um desvio-padrão calculados a priori sobre uma série de dados anteriormente numerados ou por outros métodos idênticos àqueles descritos no pedido de patente WO20100764681 da Requerente.

[0058] Além disso, o agente pode calcular indicadores de desempenhos ou de qualidade, indicando a confiabilidade do resultado. Esses indicadores de qualidade podem ser estimados por modelos estatísticos conhecidos de validação cruzada (por exemplo, folding, bootstrap, leave-one-out) descritos, por exemplo, no pedido de patente francesa FR2957170 da Requerente.

[0059] De acordo com um primeiro exemplo, o indicador de qualidade pode corresponder a um indicador de adequação AQV (Adequancy Quality Value), definindo a medida de uma distância entre a entrada do agente e uma entrada de calibragem definida, quando da aprendizagem do agente.

[0060] De acordo com um outro exemplo, o indicador de qualidade corresponde a um indicador de robustez MQV (Model Quality Value) medindo uma capacidade de utilização do agente face a novas entradas. O indicador de robustez MQV dá uma informação sobre o funcionamento do agente em relação a dados gerais e indica então qual deve ser a qualidade média do agente, quando novos dados são aplicados.

[0061] Outros exemplos de indicadores de qualidade ou de desempenho comportam uma probabilidade de falsos alarmes PFA e uma taxa de detecção POD. Esses indicadores podem ser medidos com o máximo de precisão desejado, considerando-se o volume de dados disponíveis. Anotar-se-á que é possível construir agentes, cuja PFA é baixa. A consequência é exatamente que a POD não será muito maior. Por exemplo, validações sobre bancos de testes mostraram que POD de 40 a 50% são inteiramente consideráveis para um PFA inferior a 1%. É muito oneroso desmontar um motor para nada, também, no domínio da aeronáutica, focaliza-se certamente sobre uma taxa de falsos alarmes PFA a mais baixa possível.

[0062] Enfim, o resultado ou a saída de um agente ai consiste em uma distribuição de probabilidade de anomalia Pai, que reflete um comportamento anormal do componente monitorado. Assim, a distribuição de probabilidade de anomalia Pai pode ser considerada como uma lei de um escore de anomalia Sai = Sai (w) é uma variável aleatória calculada a partir dos dados feitos em uma experiência w SQ das medidas oriundas da base de dados 15.

[0063] Esse resultado (isto é, a distribuição de probabilidade de anomalia Pai) comporta um risco de anomalia e uma medida da confiabilidade ou da precisão (por exemplo, PFA ou POD) do agente. Com efeito, para um limite de detecção ou de acionamento pré- determinado θai dependente de cada agente ai, pode-se definir um risco de anomalia Rai(θai) e uma precisão

associada que dependem do limite de detecção θai, segundo as fórmulas a seguir:

[0064] A precisão

pode ser definida seja por um desvio padrão do risco de anomalia Rai(θai), seja por uma validação cruzada, ou seja diretamente por um modelo algorítmico.

[0065] Por outro lado, cada um dos agentes ai é parametrado por uma configuração particular Pai que pode corresponder a uma escolha de parâmetros (por exemplo, uma escolha de fator de escala), uma escolha de entradas (por exemplo, sinais temporais ou instantâneos snapshots) ou um prazo temporal, levando ao que se denomina comumente uma instância do algoritmo. Por precaução com a simplificação de formulação, considera-se que todos os agentes ai são diferentes.

[0066] Assim, cada agente ai é definido segundo a escolha do algoritmo a, sua configuração Pai e seu limite de detecção pré- determinado θai. Cada agente pode então ser anotado da seguinte maneira: ai = (a, Pa1, θai ).

[0067] Os meios de aquisição 3 são configurados para receber as distribuições iniciais de probabilidade de anomalia Pa1, ..., Pai, ..., Pan, (isto é, os riscos de anomalia Ra1, ..., Rai, ..., Rai, e as precisões correspondentes

oriundos do conjunto de agentes ai, ..., ai, ..., an, de detecção de anomalias, assim como informações de retorno de experiência 17.

[0068] Um retorno de experiência é dado por um parecer e o risco associado. Por exemplo, o retorno de informação para um componente particular pode se traduzir por um risco de anomalia de parecer Re sobre um erro definido a partir de uma experiência de medidas, assim como uma confiança correspondente à precisão que o expert acorda a esse risco.

[0069] Os meios de emergência 5 utilizam então as informações de retorno de experiência i7 e as distribuições iniciais de probabilidade de anomalia Pai, ..., Pai, ..., Pan, oriundas do conjunto de agentes ai, ..., ai, ..., an, a fim de fazer emergir, de maneira iterativa das distribuições correntes de probabilidade de anomalia Paci, ..., Paci, ..., Pacnc, em conformidade com as informações de retorno de experiência i7.

[0070] Os meios de emergência 5 utilizam técnicas de fusões especiais fazendo emergir uma informação pertinente a partir dos dados observados, permitindo melhorar muito a taxa de detecção POD, mantendo uma baixa taxa de falsos alarmes PFA. Com efeito, os meios de emergência 5 vão prevenir uma baixa taxa de detecção de um agente ai por uma observação simultânea de uma pluralidade de agentes.

[0071] Mais particularmente, os meios de emergência 5 comportam funções ou meios de fusão 5i, de otimização 53, e de gestão 55.

[0072] Os meios de fusão 5i são configurados para criar cada distribuição corrente Paci ou ótima Paoi de probabilidade de anomalia, fundindo distribuições precedentes de probabilidade de anomalia, segundo regras de fusão pré-determinadas. A operação de fusão chega a combinar distribuições de probabilidade de anomalia (ou mais particularmente dos riscos de anomalia Rai) explorando o conjunto dos dados oriundos do conjunto dos agentes, permitindo assim resolver o problema de baixa taxa de detecção.

[0073] Assim, riscos de anomalia Ra1, , Ran,..., Ran podem ser fundidos entre eles por operações de redução (por exemplo, uma média, uma regressão, ou uma rede de neurônios) para construir um novo risco de anomalia Rai, anotado da seguinte maneira:

na qual Φθr é uma operação de fusão que pode ser uma regra métier, uma lógica baiesiana, uma lógica leve, uma mecanismo de voto, ou um resultado de aprendizagem.

[0074] Os riscos de anomalia de fusão Ra-i,..., Ra-i, ..., Ran- podem também servir de entrada a outras operações sucessivas de fusão, criando assim um gráfico orientado:

[0075] A manipulação do conjunto de riscos de anomalia deve normalmente considerar a gestão das relações no gráfico orientado. Por exemplo, a supressão de um risco de anomalia pode acarretar a supressão de uma ramificação do gráfico. Anotar-se que, na sequência, não se fará mais a distinção entre um risco de anomalia oriundo de um agente inicial ou de uma fusão.

[0076] Por outro lado, os meios de otimização 53 são configurados para colocar em adequação cada distribuição inicial ou corrente de probabilidade de anomalia (isto é, riscos iniciais ou correntes de anomalia e as precisões correspondentes) com a inf de retorno de experiência que lhe corresponde, a fim de lhe associar um valor de eficácia. Por exemplo, o valor de eficácia pode ser definido a partir de uma distância entre um risco de anomalia Rai oriundo de um agente e o risco de anomalia de parecer Re que lhe corresponde. A otimização leva assim a uma melhoria contínua da eficácia do resultado da fusão em relação ao retorno de experiência.

[0077] Vantajosamente, os meios de otimização 53 são, além disso, configurados para ajustar as regras de fusão em função das informações de retorno de experiência. Com efeito, pode-se utilizar um ferramenta de projeção de tipo regressão sobre as informações de retorno de experiência para modular as regras de fusão.

[0078] Além disso, os meios de gestão 55 são configurados para fazer evoluir o conjunto de agentes para uma população ótima de agentes, criando novos agentes ai,...,an, a'i,..., a'i, aV, ..., ai", ... correspondentes às distribuições correntes e ótimas de probabilidade de anomalia e selecionando os agentes os mais conformes com as informações de retorno de experiência. Essa seleção pode ser baseada nos valores de eficácia associados às distribuições correntes e ótimas de probabilidade de anomalia. A evolução dos agentes está representada na figura i por uma seta de retorno E, modelizando a transferência de eficácia para os meios de detecção 2, permitindo assim uma otimização dos agentes algorítmicos ai = (a, pai, θai ) para uma seleção de melhores algoritmos, parâmetros, configuração ou limites.

[0079] A fim de descobrir uma configuração ótima e/ou uma parametragem adaptada, é vantajoso utilizar um grande número de agentes regulados diferentemente, mas que se confrontam uns com os outros. Uma técnica estocástica de tipo "algoritmo genético" permite a esses agentes trocar seus "pontos de vista" para finalmente convergir para uma população cada vez mais eficaz. A aprendizagem depende das informações de retorno de experiências que são regularmente atualizadas pelos experts ou operadores de manutenção. A partir dessas informações, os agentes podem se calibrar automaticamente. Anotar-se-á que um algoritmo genético é adaptado para aumentar a população de agente, criando novos. Lembrar-se-á que os agentes são instâncias algorítmicas definidas por algoritmos, configurações, parametragens, limites de detecção (ou de acionamento), e prazos (por exemplo, um parâmetro doa gente que pode consistir em considerar um valor passado e não o último valor calculado). Assim, os novos agentes podem ser criados por operações de mutações algorítmicas, modificando os parâmetros de uma instância, ou seu limite de acionamento. Eles podem também ser criados por operações de cruzamentos algorítmicos, misturando de forma inteligente parâmetros de agentes compatíveis (por exemplo, uma otimização de prazo, de escala, etc.) Outras criações podem ser realizadas por mutações lógicas, modificando os parâmetros das regras de um operador de fusão ou por cruzamentos lógicos, combinando cuidadosamente vários operadores de fusão. Os novos agentes podem também ser criados, selecionando, de maneira aleatória pares de agentes a partir do conjunto inicial de agentes para gerar agentes infantis.

[0080] Em seguida, os meios de emergência 5 calculam os valores de eficácia associados a todos esses novos agentes e realizam uma pressão de seleção para reter apenas da população global só os melhores, conservando uma estrutura do gráfico coerente. Anotar-se-á que é possível aplicar outros métodos de otimização baseados em ferramentas interativas dedicadas aos experts.

[0081] Assim, gerando um conjunto de agentes que ele modificará no decorrer da chegada de novas informações de retorno de experiência, os meios de gestão 55 permitem marcar automaticamente novas configurações nas quais não se terá necessariamente pensado e que se adaptam melhor a cada situação corrente. Uma nova configuração pode corresponder a uma nova escolha das entradas de um agente, dos novos parâmetros de tratamento do agente, ou uma nova seleção de observações para a calibragem do agente.

[0082] Tomemos o exemplo de um novo motor de aeronave que se deseja monitorar. As técnicas atuais consistem em utilizar uma série de algoritmos predefinidos e validades por experts profissionais. Esses algoritmos são de uso transversal e se aplica, a qualquer tipo de motor, mas não são especializados para esse motor particular. Além disso, dispõe-se também de detectores de anomalias (de funcionamento não usual) completamente genéricos, mas que são apenas de baixo desempenhos na inicialização, pois foram calibrados, de forma geral, para qualquer tipo de motor de aeronave.

[0083] Ora, um novo motor, se obedecer aos critérios de parecer de um documento estabelecido pelos experts, motor denominado AMDEC (Análise dos modos de falha, de seus efeitos e de sua criticidade), especificando as probabilidades de ocorrência de cada falha, não se mostrará uma sucessão de defeitos absolutamente genéricos. Os problemas encontrados dependerão da concepção do motor (sua fabricação, os lotes das peças, etc.), de sua exploração e das condições de voo encontradas. Assim, as falhas mais prováveis não serão forçosamente aquelas indicadas geralmente pelo AMDEC, mas consequências do meio ambiente.

[0084] Gerando uma população desses detectores que se faz evoluir, segundo uma técnica estocástica, é então possível fazer emergirem configurações adaptadas não somente a esse motor particular, mas também construir um sistema completo capaz de se adaptar, no decorrer do tempo, aos acontecimentos os mais interessantes. Assim, uma aplicação dinâmica e auto-adaptativa que modula globalmente o conjunto dos agentes que servem para diagnosticar o motor terá, portanto, muito mais chance de alvejar as mais prováveis degradações.

[0085] Finalmente, os meios de síntese 7 são configurados para sintetizar distribuições ótimas de probabilidade de anomalia relativas a pelo menos um subconjunto de interesse de componentes motor, a fim de extrair riscos de anomalia específicos ao subconjunto de interesse. Dessa maneira, focalizar-se-ão as informações relativas a um subconjunto particular de componentes para o auxílio da decisão referente às operações de manutenção. Por exemplo, as distribuições ótimas de probabilidade de anomalia podem ser sintetizadas sob a forma de diagramas em bastões que apresentam o risco sobre cada componente motor considerado.

[0086] Vantajosamente, os meios de emergência 5 são, além disso, configurados para associar a cada distribuição inicial, corrente ou ótima de probabilidade de anomalia relativa a um subconjunto de componentes motor, um vetor de implicação que reflete a contribuição de cada elemento do subconjunto sobre a distribuição de probabilidade de anomalia correspondente.

[0087] Com efeito, o motor 13 ou o conjunto de componentes motor monitorado é constituído de subconjuntos combinando na origem componentes físicos, onde cada um é capaz de produzir determinadas falhas. Cada agente algorítmico ai tem uma contribuição no monitoramento de cada uma dessas falhas. Supõe-se que o número total de erros f a monitorar é finito e vale K. Pode-se então definir um vetor de implicações para cada distribuição de probabilidade de anomalia da maneira a seguir:

[0088] O vetor de implicação inicial é definido como uma entrada determinada pelos experts para os agentes iniciais (isto é,

). Na sequência, cada vetor de implicação é calculado para cada operação de fusão, por um método adaptado que pode ser determinado por uma regra expert ou que pode ser apreendida a partir dos dados. O vetor de implicação pode ser visto como uma probabilidade a priori de correspondência do risco de anomalia para a estimativa de uma falha sobre um componente.

[0089] Anotar-se-á que a implicação pode naturalmente ter um efeito sobre a otimização ou a melhoria da eficácia global da população de agentes. Com efeito, o retorno de experiência é dado por um parecer e e um risco Re associado sob a forma de um vetor de implicação de parecer

. Esse vetor precisa sobre quais falhas o parecer e leva. Por exemplo, um parecer sobre uma experiência w de medidas determinado por um expert e referindo-se a um subconjunto de componentes particulares para a detecção de uma falha f bem definida é ponderado por um vetor de implicação, cujas coordenadas são nulas, salvo para a coordenada fque vale 1. O expert olha em seguida as medidas X (w) (X sendo o vetor das medidas armazenadas na base de dados e x = X (w) correspondendo a um conjunto de valores) e dá uma resposta Re (w) mais ou menos cortada sobre essa falha. Por exemplo, Re (w) = 1, caso o expert observe que há falha e Re (w) = 0 caso contrário. Em outros casos, o expert poderá ser menos categórico, propondo um valor intermediário, assim como uma confiança

correspondente à precisão que ele acorda à respectiva observação. Assim, o expert vai auxiliar na calibragem do sistema de monitoramento.

[0090] Além disso, a eficácia de um agente é conseguida com base nos pareceres disponíveis, segundo uma distância da entre o risco Ra oriundo do agente e os riscos de parecer Re que fazem intervir os vetores de implicações

e os vetores de implicações de parecer

e o valor de confiança

por exemplo, da seguinte maneira:

[0091] Quanto menor for essa distância, mais eficaz será o agente.

[0092] Isto permite aos meios de síntese 7 sintetizar as distribuições ótimas de probabilidade de anomalia relativas ao subconjunto de interesse, ponderando a influência de cada elemento do subconjunto de interesse, segundo os vetores de implicação correspondentes e as confianças fornecidas pelos pareceres. Cada um dos agentes de detecções de anomalia pode estar ligado a um ou vários subconjuntos de componentes do motor por intermédio dos dados observados ou indicadores calculados. Portanto, é possível realizar sínteses baseadas nos componentes monitorados.

[0093] Assim, graças às contribuições representadas pelo vetor de implicações associado a cada distribuição de probabilidade de anomalia (ou risco de anomalia), os meios de síntese constroem uma síntese por projeção sobre cada um dos subconjuntos de componentes e/ou cada uma das falhas. Por exemplo, a seguinte fórmula é uma simples projeção linear sobre um subconjunto, um componente ou uma falha:

na qual

= {lista das falhas a monitorar},

é o vetor das contribuições de cada falha associada ao subconjunto

com

(que é, em geral, obtido por uma premissa fornecida pelo AMDEC).

[0094] Vantajosamente, o sistema de monitoramento 1 comporta uma interface homem-máquina 19, permitindo aos experts dar suas opiniões durante as fases de utilização do sistema de monitoramento.

[0095] Além disso, o sistema de monitoramento pode comportar meios auxiliares à decisão 21 (por exemplo, uma ferramenta de localização de panes "troubleshooting", arquivos específicos, etc.) que permitem determinar as operações de manutenção, em função dos riscos de anomalias. Os meios auxiliares da decisão 21 recebem na entrada os riscos de anomalias e os elos sobre os diferentes subconjuntos de componentes do motor e liberam na saída as operações de manutenção a realizar, considerando-se todas as operações possíveis de seus custos.

[0096] As figuras 2A-2D ilustram, de maneira esquemática, exemplos de fusão em um sistema de monitoramento de um conjunto de componentes de um equipamento, tal como um motor de erro, de acordo com a invenção.

[0097] A base de dados 15 comporta dados e medidas referentes a um motor de aeronave e o respectivo ambiente, recebidos a partir da aeronave 31.

[0098] Os meios de detecção 2 compreendem um conjunto de agentes iniciais de detecção de anomalias. Anotar-se-á que, em aeronáutica, se dispõe de uma pluralidade de algoritmos genéricos de detecção de anomalias que não são supervisados a priori. Esses algoritmos genéricos podem ser decuplicados, adaptando-os a qualquer tipo de sinais (temporais, snapshots, etc.) ou com parâmetros diferentes (contexto, valores seguidos, fatores de escala, etc), mas também com dados de calibragens diferentes. Assim, podem utilizar numerosos agentes para formar o conjunto de agentes iniciais de detecção de anomalias.

[0099] Os diferentes agentes recebem as medidas referentes ao motor, a fim de calcular e liberar na saída distribuições iniciais de probabilidade de anomalia, definindo riscos de anomalia e indicadores de qualidade correspondentes.

[00100] Anotar-se-á que o conjunto dos agentes recebem os dados relativos ao motor a monitorar para detectar uma anomalia sobre esse motor ou sobre um subsistema do motor. Todavia, os agentes de detecção de anomalia podem ter sido calibrados a partir dos dados oriundos de uma frota de motores. Além disso, determinados agentes podem, por exemplo, utilizar os dados de dois motores de uma mesma aeronave, a fim de comparar esses dados entre si. Além disso, determinados agentes podem comparar os dados do motor a monitorar com dados armazenados na memória relativos a uma frota de motores.

[00101] Cada exemplo das figuras 3A-3D utiliza vários sinais (ou instâncias) de um ou de vários algoritmos.

[00102] Os meios de emergência 5 recebem via os meios de aquisição 3, as distribuições iniciais de probabilidade de anomalia oriundos do conjunto de agentes de detecção de anomalias. Eles dispõem também dos dados ou regras especiais 18, definindo as regras de fusão e informações de retorno de experiência 17, permitindo ajustar as regras de fusão, contribuindo, sobretudo, para definir a eficácia da fusão.

[00103] Os meios de emergência 5 fundem as distribuições iniciais de probabilidade de anomalia para fazer emergir, de maneira iterativa, distribuições correntes correspondentes a novos agentes que se amplificam pela fusão. Os meios de emergência 5 selecionam os agentes os mais adequados com o retorno de experiência para fazê-los convergir para uma população de agentes mais eficaz, melhorando assim a probabilidade de detecção das anomalias e robustez do monitoramento.

[00104] O exemplo da figura 3A se refere ao monitoramento da capacidade de acionamento de um motor de aeronave. De acordo com esse exemplo, os meios de detecção 2 comportam dois agentes de detecção de anomalia a1, a2. Um primeiro agente a1 que analisa as medidas M para determinar se o motor pode acionar e um segundo agente a2 que avalia a qualidade das medidas M utilizadas pelo primeiro agente a1. Por exemplo, essa qualidade pode depender da proporção de valores que faltam ou do número de dados aberrantes ("outliers").

[00105] Os meios de emergência 5 tomam na entrada uma primeira distribuição de probabilidade de anomalia Pa1 (isto é, um primeiro risco de anomalia Rai e uma primeira precisão correspondente

avaliando se o motor pode acionar ou não e uma segunda distribuição de probabilidade de anomalia Pa2 (isto é, um segundo risco de anomalia Ra2 e uma segunda precisão correspondente a

ligada à qualidade das medidas.

[00106] Além disso, os meios de emergência 5 tomam também na entrada das regras especiais 18, definindo o princípio de fusão, assim como informações de retorno de experiência 17, permitindo medir a precisão ou a eficácia dos agentes a1, a2, dos quais se utilizam os resultados.

[00107] Os meios de emergência 5 fundem a primeira Pa1 e a segunda Pa2 distribuições de probabilidade de anomalia, segundo as regras especiais 18 de fusão para fazer emergir distribuições correntes de probabilidade de anomalia, avaliando a capacidade para acionar o motor e a eficácia da fusão, considerando-se as informações de retorno de experiência 17. As distribuições correntes de probabilidade de anomalia são assim moduladas, a partir das informações oriundas ao mesmo tempo da capacidade de acionar e diferentes medidas que servem para avaliar essa capacidade de acionar.

[00108] As regras especiais 17 de fusão podem, por exemplo, agir sobre a precisão em função do risco de anomalia ligada à qualidade de cada medida. Por exemplo, pode-se ter uma regra de redução de tipo "média" da seguinte maneira: se a média dos riscos de anomalia ligados à qualidade das medidas ultrapassar um primeiro limite predeterminado M1, então o valor de eficácia diminuirá de um primeiro valor D1, e se a média dos riscos de anomalia ligados à qualidade das medidas estiver entre o primeiro limite M1 e um segundo limite predeterminado M2, então o valor de eficácia diminuirá de um segundo valor D2, etc.

[00109] Os meios de emergência 5 selecionam, em seguida, distribuições correntes de probabilidade de anomalia que apresentam os melhores valores de eficácia para fazer emergir agentes que apresentam uma implicação completa e muito ligados à capacidade de acionar do motor.

[00110] A figura 3B ilustra um exemplo no qual se aplica um mesmo algoritmo sobre um sinal temporal, mas em diferentes instantes.

[00111] Os meios de detecção comportam um conjunto de agentes a11,..., a1i,..., a1n correspondente, na realidade, a uma mesma instância, mas com configurações diferentes. Todos os agentes recebem o mesmo sinal S, e cada agente determina o instante ti analisado no sinal. Isto permite diagnosticar o sinal em diferentes instantes sucessivos t1, ti,..., tn, a fim de confirmar uma anomalia.

[00112] O conjunto de agentes a11,..., a1i,..., a1n gera um conjunto de resultados D1,..., Di,..., Dn correspondente a um conjunto de configurações de probabilidade de anomalia Pa11,..., Pa1i,..., Pa1n.

[00113] Os meios de emergência 5 consideram na entrada o conjunto dos resultados D1,..., Di,..., Dn , assim como as regras experts 18 de fusão e as informações de retorno de experiência 17. Eles aplicam uma regra especial para fundir os diferentes resultados, a fim de medir uma persistência que permite confirmar um diagnóstico. Com o auxílio do retorno de experiência 17, a eficácia medida pode ajustar as regras especiais ou modificar a configuração dos agentes para otimizar o resultado do processo de fusão.

[00114] A título de exemplo, a regra especial de fusão é formulada, de maneira a confirmar um diagnóstico de detecção de anomalia unicamente se a soma das detecções for superior a um certo limite predeterminado de alerta A, de acordo com a seguinte fórmula:

na qual D(ti) é o resultado de detecção de anomalia do agente a1i, com a configuração do instante ti e na qual D é o resultado final. Esse tipo de fusão opera uma confirmação da detecção diminuindo a taxa de falsos alarmes.

[00115] A figura 3C ilustra um outro exemplo similar àquele do exemplo da figura 3B, à parte o fato de que, nesse exemplo, o sinal de entrada S é analisado em diferentes escalas s1,..., si,..., sn e não em diferentes instantes.

[00116] Os meios de detecção 2 comportam um conjunto de agentes a21,..., a2i,..., a2n correspondente a uma mesma instância, mas com configurações diferentes. Todos os agentes recebem o mesmo sinal S e cada agente determina a escala Si ou a janela analisada no sinal. Isto permite diagnosticar o sinal em diferentes escalas s1,..., si,...,sn, a fim de confirmar uma anomalia.

[00117] O conjunto de agentes a21,..., a2i,..., a2n gera um conjunto de resultados D1,..., Di,..., Dn. correspondentes a um conjunto de configurações de probabilidade de anomalia Pa21,..., Pa2i,..., Pa2n. Os meios de emergência 5 consideram na entrada o conjunto desses resultados, assim como as regras especiais 18 de fusão e as informações de retorno de experiência 17, e aplicam, por exemplo, a mesma regra especial descrita com referência ao exemplo da figura 2B para fundir os diferentes resultados.

[00118] A figura 3D ilustra um exemplo no qual se aplicam duas instâncias diferentes. Os meios de detecção comportam um primeiro e um segundo agentes a31, a32 correspondentes a duas instâncias diferentes e cada agente toma na entrada um sinal diferente s31, S32 . Os dois agentes liberam uma primeira e segunda distribuições de probabilidade de anomalia Pa31, Pa32.

[00119] As duas distribuições de probabilidade de anomalia Pa31, Pa32 são fundidas pelos meios de emergência 5, conforme uma regra leve que pode ser imposta do exterior pelas regras especiais 18 ou otimizada, de maneira automática, graças ao retorno de experiência 17. No fim, emerge uma distribuição global de probabilidade de anomalia P em conformidade com as informações de retorno de experiência.

[00120] Por outro lado, os meios de síntese 7 do sistema de monitoramento 1 de cada um dos exemplos precedentes sintetizam as distribuições globais ou ótimas de probabilidade de anomalia relativas a um componente ou um subconjunto de componentes do motor, a fim de extrair os riscos de anomalia específicos a este. No caso de um subsistema de componentes do motor, as distribuições ótimas de probabilidade de anomalia relativas ao subsistema de componentes são sintetizadas, ponderando a influência de cada componente desse subsistema segundo vetores de implicação correspondentes.

[00121] Anotar-se-á que todos os riscos são calculados por motor em toda uma frota e motores que é, portanto, naturalmente possível fazer uma síntese global por aeronave. Nesse caso, a lista das falhas a monitorar

corresponde a todas as falhas de todos os componentes dos motores de uma aeronave. Assim, todos os resultados de cálculos de riscos sobre todos os motores podem ser capitalizados por um risco global R. As falhas z são assim ligadas a motores determinados

, na qual

representa a falha de tipo

associada ao motor mi.

[00122] A figura 4 ilustra, de maneira esquemática, um exemplo particular de síntese, segundo o sistema de monitoramento da presente invenção.

[00123] De acordo com esse exemplo, a síntese pode ser vista como uma ferramenta visual de extração de dados "visual datamiming" no sentido em que essa síntese consiste em projetar o risco global de anomalia R oriundo dos meios de emergência 5 sobre um subespaço de interesse que permite ter uma visualização dos resultados. No caso, as distribuições ótimas de probabilidades de anomalias são sintetizadas por técnicas de redução (por exemplo, um método de regressão), utilizando diferentes espaços (por exemplo, aeronave, motor, banco de teste, datas, sistema, algoritmo, observações, etc.) e a noção de implicação que permite ponderar a influência de cada distribuição ótima de probabilidade de anomalia.

[00124] Por exemplo, em um subespaço unidimensional, pode-se obter um diagrama em bastão, apresentando o risco de anomalia de cada variável considerada. No caso em que se quer detectar panes em vários motores de diferentes aeronaves, e que se deseja marcar as aeronaves que apresentam maior risco, então se projeta a distribuição ótima de probabilidade de anomalia, oriunda da fusão sobre o espaço das aeronaves para visualizar o risco de anomalia por aeronave.

[00125] Mais particularmente, o exemplo ilustrado pela figura 3 mostra que os meios de emergência 5 consideram na entrada o primeiro e o segundo riscos de anomalia R11, R21, avaliando os riscos de anomalia do primeiro e do segundo motores de uma primeira aeronave, assim como o terceiro e o quarto riscos de anomalia R12, R22, avaliando os riscos de anomalia do primeiro e do segundo motores de uma segunda aeronave. O risco global R oriundo dos meios de emergência 5 é projetado pelos meios de síntese 7 sobre o espaço 33 das aeronaves para visualizar o risco de anomalia para cada aeronave 31a, 31b.

Claims

1. Sistema de monitoramento de um conjunto de componentes de equipamentos de um motor (13) e em particular de um motor de aeronave (31), comportando: - meios de detecção (2) compreendendo um conjunto de agentes de detecção de anomalias (a1,..., ai,..., an), cada um desses agentes sendo configurado para receber medidas de parâmetros físicos relativos a um subconjunto de componentes desse equipamento e para liberar uma distribuição inicial de probabilidade de anomalia; - meios de aquisição (3) configurados, para receber informações de retorno de experiência (17), assim como as distribuições iniciais de probabilidade de anomalia oriundas desse conjunto de agentes (a1,..., ai,..., an); - meios de emergência (5) configurados para fazer emergir, de maneira iterativa distribuições correntes de probabilidade de anomalia em adequação com essas informações de retorno de experiência (17), essas distribuições correntes de probabilidade de anomalia convergindo para um conjunto de distribuições ótimas de probabilidade de anomalia em conformidade com essas informações de retorno de experiência (17); e - meios de síntese (7) configurados para sintetizar distribuições ótimas de probabilidade de anomalia relativas a pelo menos um subconjunto de interesse de componentes desse equipamento, a fim de extrair riscos de anomalia (R11, R21) específica nesse subconjunto de interesse, o sistema sendo caracterizado por comportar ainda: - meios auxiliares (21) da decisão que permitem determinar as operações de manutenção em função dos riscos de anomalias (R11, R21).

2. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de os meios de emergência (5) comportarem: - meios de fusão (51) configurados para criar cada distribuição corrente ou ótima de probabilidade de anomalia, fundindo distribuições precedentes de probabilidade de anomalia, segundo regras de fusão predeterminadas; - meios de otimização (53) configurados para colocar em adequação cada distribuição inicial ou corrente de probabilidade de anomalia com a informação de retorno de experiência (17) que lhe corresponde, a fim de lhe associar um valor de eficácia; e - meios de gestão (55) configurados para fazer evoluir o conjunto de agentes (a1,..., ai,..., an) para uma população ótima de agentes, criando novos agentes correspondentes às distribuições correntes e ótimas de probabilidade de anomalia e selecionando os agentes os mais conformes com as informações de retorno de experiência (17), segundo os valores de eficácia associados a essas distribuições correntes e ótimas de probabilidade de anomalia.

3. Sistema, de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de os meios de emergência (5) serem, além disso, configurados para associar a cada distribuição inicial, corrente ou ótima de probabilidade de anomalia relativa a um subconjunto de componentes desse equipamento, um vetor de implicação refletindo uma contribuição de cada elemento desse subconjunto sobre a distribuição de probabilidade de anomalia correspondente.

4. Sistema, de acordo com a reivindicação 3, caracterizado pelo fato de os meios de síntese (7) serem configurados para sintetizar as distribuições ótimas de probabilidade de anomalia relativas a esse subconjunto de interesse e ponderando a influência de cada elemento desse subconjunto de interesse segundo os vetores de implicação correspondentes.

5. Sistema, de acordo com a reivindicação 2, caracterizado pelo fato de as regras de fusão predefinidas serem escolhidas dentre as seguintes regras: regras experts, regras de redução, regras de voto, regras profissionais, regras baiesianas, e regras de lógica leve.

6. Sistema, de acordo com a reivindicação 2, caracterizado pelo fato de os meios de otimização (53) serem, além disso, configurados para ajustar as regras de fusão em função das informações de retorno de experiência (17).

7. Sistema de acordo com qualquer uma das reivindicações 2 a 6, caracterizado pelo fato de o conjunto de agentes (a1,..., ai,..., an) ou a população ótima de agentes ser formado por instâncias de algoritmos, compreendendo escolhas de medidas diferentes, ou métodos de tratamento diferentes, ou parametragens diferentes.

8. Sistema, de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de as distribuições iniciais de probabilidade de anomalia serem padronizadas em relação ao contexto das medidas.

9. Processo de monitoramento de um conjunto de componentes de um equipamentos de um motor (13) e em particular de um motor de aeronave (31), comportando as seguintes etapas: - adquirir informações de retorno de experiência (17), assim como distribuições iniciais de probabilidade de anomalia oriundas de um conjunto de agentes de detecção de anomalias (a1,..., ai,..., an), cada um desses agentes sendo configurado para receber medidas sobre parâmetros físicos relativos a um subconjunto de componentes do equipamento, antes de liberar uma distribuição inicial de probabilidade de anomalia; - fazer emergir, de maneira iterativa, distribuições correntes de probabilidade de anomalia em adequação com essas informações de retorno de experiência (17), essas distribuições correntes de probabilidade de anomalia convergindo para um conjunto de distribuições ótimas de probabilidade de anomalia em conformidade com essas informações de retorno de experiência (17); e - sintetizar distribuições ótimas de probabilidade de anomalia relativas a pelo menos um subconjunto de interesse de componentes do equipamento, a fim de extrair riscos de anomalia (R11, R21) específica a esse subconjunto de interesse a processo sendo caracterizado por comportar ainda: - determinar as operações de manutenção em função dos riscos de anomalias (R11, R21).