EP4591183A1 - Procede et dispositif de detection d'anomalie de fonctionnement d'un aeronef - Google Patents

Procede et dispositif de detection d'anomalie de fonctionnement d'un aeronef

Info

Publication number
EP4591183A1
EP4591183A1 EP23786637.1A EP23786637A EP4591183A1 EP 4591183 A1 EP4591183 A1 EP 4591183A1 EP 23786637 A EP23786637 A EP 23786637A EP 4591183 A1 EP4591183 A1 EP 4591183A1
Authority
EP
European Patent Office
Prior art keywords
acquired
values
sequence
seq2
seql
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23786637.1A
Other languages
German (de)
English (en)
Inventor
Jean Charles Marie COUSSIROU
Thomas Emile VANARET
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Safran Aircraft Engines SAS
Original Assignee
Safran Aircraft Engines SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Safran Aircraft Engines SAS filed Critical Safran Aircraft Engines SAS
Publication of EP4591183A1 publication Critical patent/EP4591183A1/fr
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D33/00—Arrangement in aircraft of power plant parts or auxiliaries not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45071—Aircraft, airplane, ship cleaning manipulator, paint stripping
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Definitions

  • the invention lies in the general field of methods for monitoring a system.
  • the invention is more particularly situated in the context of detecting an operating anomaly of one or more components of an aircraft.
  • the invention finds a particularly advantageous application, although in no way limiting, in the case of an aircraft comprising turbomachine type engines.
  • An aircraft includes components whose operation is critical for the safety of the aircraft, and whose monitoring is necessary.
  • the oil circulation system is vital for the proper functioning of an engine since it allows its lubrication and thermal regulation. Failures in such a system can lead to engine shutdowns in flight.
  • An anomaly is an abnormal (operational) condition of one or more components which may result in a reduction in capacity or loss of ability of these components to perform their functions.
  • a method for detecting an operating anomaly with respect to reference values, of at least one component of an aircraft associated with at least one indicator of status (the component is associated with the status indicator), said method comprising, for at least one acquired temporal sequence (for example, the method comprises the acquisition of the acquired temporal sequence) comprising successive acquired values of said at least an indicator at different times during operation of said at least one component, steps of:
  • said approximation module being previously configured to minimize approximation errors between temporal sequences of reference values and temporal sequences of values approximated from said reference values, said reference values being representative of normal operations, so that approximation errors between said acquired values and said approximated values are greater if the acquired values are representative of abnormal operation.
  • a device for detecting an operating anomaly with respect to reference values, of at least one component of an aircraft associated with at least one indicator status, said device comprising, for at least one acquired temporal sequence comprising successive acquired values of said at least one indicator at different times during operation of said at least one component:
  • the invention allows the monitoring of a component of an aircraft.
  • the invention allows the detection of an operating anomaly of a component.
  • component we mean an isolated element (for example a sensor) or a functional set of elements (for example an oil circulation system making it possible to lubricate a turbine and regulate its temperature, an electronic aircraft control system , a fuel circulation system, or a turbine).
  • the process can be applied to several components.
  • the method can for example be implemented "on the ground” by analysis of the state indicators measured during the different phases of a flight, including in particular the taxi, take-off, flight and landing phases. .
  • This method thus makes it possible to detect abnormal operation of a component which occurred during a flight of the aircraft, and to prevent potential malfunctions during future flights.
  • This method is based on state indicators associated with the component.
  • status indicator associated with the component we are talking here of a quantity dependent on the operation of the component.
  • state indicators can be the oil temperature, the oil pressure, or the rotation speed of a turbine of the engine, because this speed depends on the lubrication of the turbine by the oil system.
  • a temporal sequence may contain values of oil temperature and pressure measured every second during the flight of the aircraft.
  • each element of this sequence corresponds to a vector comprising a temperature value and a pressure value measured at a given time.
  • a time sequence acquired for a component is representative of the operation of the component over a range of flight times.
  • An approximated temporal sequence is a reproduction, by a so-called approximation module, of a temporal sequence from partial information on the temporal sequence.
  • the date associated with each element of the approximated sequence corresponds to the date of an element of the acquired sequence.
  • an approximation module performs a regression, from values of a sequence corresponding to a time range, of values of the acquired sequence corresponding to a date later than this time range.
  • the approximation module is an autoencoder which performs a projection of the acquired sequence in a mathematical space, then produces an approximation of this same sequence acquired from this projection.
  • An approximated sequence may include differences with the acquired temporal sequence.
  • an approximation error is a quantity representative of the differences between the acquired values and the approximated values corresponding respectively to the same dates.
  • an error is the sum of the differences in absolute value between the elements of the approximated sequence and the elements of the acquired sequence.
  • such an error is the sum of the square of the differences.
  • the approximation module which determines the approximated temporal sequence, is previously (ie before implementing the detection method) configured to reproduce reference sequences with little approximation error.
  • These Reference sequences include status indicator values of the same type as the status indicators mentioned above.
  • These reference sequences include state indicator values acquired during a plurality of aircraft flights.
  • the use of the approximation module thus configured advantageously makes it possible to detect abnormal operation of the component relative to the operations of which the reference time sequences are representative.
  • the approximation module is configured to provide better approximations of a plurality of reference temporal sequences than for a sequence representative of abnormal operation of the component.
  • the approximation module makes it possible to discriminate abnormal operations and therefore to recognize an anomaly.
  • the flights from which the reference sequences were acquired are flights during which no malfunction occurred and which were followed by a significant number of flights without malfunction.
  • malfunction we mean here an event causing a loss of functionality of a component or which could affect the safety of the aircraft (for example: an engine shutdown in flight, an oil leak, overheating of the oil) .
  • a said approximation module is obtained by a machine learning algorithm from said reference temporal sequences.
  • this embodiment makes it possible to detect abnormal operation based solely on past observations (the reference sequences).
  • This embodiment thus has the advantage of not requiring a priori knowledge linked to the physics and/or parameters of the aircraft.
  • the use of a machine learning algorithm does not require the establishment of a physical model of the aircraft or part of its components.
  • said approximation module is an artificial neural network.
  • artificial neural network reference is made here to a parameterized function comprising one or more layers of artificial neurons connected to each other.
  • An artificial neural network for example a convolution neural network, learns with precision the normal operation of the component from reference sequences.
  • a neural network can integrate the information contained in a large volume of data (ie a large number of reference sequences). In the present case, such information is for example particular temporal patterns of variations in the values of state indicators.
  • a neural network can thus learn a wide variety of operations and thus contribute to improving the reliability of anomaly detection.
  • the artificial neural network can be implemented on a computer type device.
  • said approximation module is an artificial neural network comprising an encoder and a decoder
  • said encoder determining a compressed sequence from a said temporal sequence supplied as input to the neural network, said compressed temporal sequence being of smaller size than said temporal sequence supplied as input,
  • said decoder carrying out a reconstruction from the compressed sequence to obtain at the output of the neural network a said approximated temporal sequence.
  • Such a neural network is also called an auto-encoder network.
  • This is trained to reconstruct reference sequences.
  • compressed sequence we mean here a projection of a sequence in a mathematical space, such that the projection is of reduced size compared to the sequence provided as input.
  • this compression includes sufficient information characterizing this sequence.
  • an autoencoder configured in accordance with the invention extracts from a sequence the information characteristic of normal operations. If the autoencoder input sequence corresponds to abnormal operation, then its compression will not include all the information necessary to perform a good approximation.
  • an auto-encoder network is capable of recognizing complex temporal characteristics that are difficult to detect with an analytical model, and can therefore distinguish abnormal operation from normal operation with greater precision.
  • an autoencoder When learning to reproduce reference sequences, an autoencoder learns to recognize recurring patterns and tends to ignore the rarest patterns. Thus, the use of an autoencoder is particularly advantageous for anomaly detection from flight data since a large majority of airplane flights do not present a malfunction. Thus, when learning from reference sequences acquired for a plurality of past flights, the autoencoder learns to recognize patterns representative of flights without malfunction.
  • the anomaly detection method is implemented for at least a first and a second acquired temporal sequences, said second acquired temporal sequence being determined by subsampling of said first acquired temporal sequence, and in which a said temporal sequence approximated from a said acquired sequence is determined by a said approximation module configured from reference temporal sequences of the same sampling frequency as this acquired sequence.
  • the invention relates in particular to a method for detecting an operating anomaly with respect to reference values, of at least one component of an aircraft associated with at least one status indicator, said method comprising, for at least one two acquired time sequences, each comprising successive acquired values of said at least one indicator at different times during operation of said at least one component, steps of:
  • said approximation module being previously configured to minimize approximation errors between temporal sequences of reference values and temporal sequences of values approximated from said reference values, said reference values being representative of normal operations, so that approximation errors between said acquired values and said approximated values are more important if the acquired values are representative of abnormal operation, said second acquired temporal sequence being determined by subsampling of said first acquired temporal sequence, said approximated temporal sequence from said acquired sequence being determined by a said approximation module configured from reference temporal sequences of the same sampling frequency as this acquired sequence.
  • two acquired time sequences corresponding to the same time range of operation of the aircraft component are used to detect an anomaly, but these sequences capture variations on different time scales. . Indeed, these two sequences correspond to different sampling frequencies.
  • the first and second acquired temporal sequences are respectively approximated by two separate approximation modules, and an overall abnormality score is determined for each of the first and second acquired sequences.
  • the first and second temporal sequences can be processed before being provided as input to their respective approximation modules to determine the approximated temporal sequences.
  • the processing applied to the first and second temporal sequences is for example smoothing or filtering of these sequences.
  • smoothing is a technique known to those skilled in the art of signal processing, for example used to improve the quality of data by reducing noise, for example by averaging successive data in a temporal sequence.
  • filtering can consist of applying a filter to the data so as to extract specific information by accentuating or attenuating certain frequencies. It can be used to highlight specific signal components while removing noise.
  • each value of said second temporal sequence is an average over an interval of values of said first temporal sequence, two consecutive values of said second sequence being determined respectively from two contiguous intervals of said first sequence.
  • the subsampling applied to the first sequence is also a low-pass filter which makes it possible to limit the maximum frequency of the signals of the second sequence. This advantageously makes it possible to detect additional anomalies, in particular anomalies detectable on low frequency signals.
  • the step of determining an overall abnormality score comprises, for each of the one or more temporal sequences, sub-steps of:
  • instantaneous abnormality score we mean here a quantity representative of a difference between an acquired value and an approximated value.
  • a said instantaneous abnormality score is a Mahalanobis distance determined from a said difference and the mean and variance parameters.
  • a said instantaneous abnormality score is a difference divided by an average difference.
  • said overall abnormality score is obtained from the sum of a subset of said instantaneous abnormality scores greater than a second threshold.
  • the inventors have observed that the use of a second threshold in accordance with this embodiment advantageously makes it possible to reduce the number of false positives in anomaly detection, and therefore to obtain more reliable detection.
  • the calculation of said overall abnormality score only takes into account the instantaneous abnormality score of an instant if this instant is in a consecutive series of instants for which all the scores of instantaneous abnormality are greater than said second threshold, a said consecutive series comprising a number of instants greater than a fixed number.
  • this fixed number is equal to 3
  • the instantaneous abnormality scores belonging to intervals of at least three scores greater than the second threshold are counted in the sum which determines the overall abnormality score.
  • this embodiment advantageously makes it possible to reduce the number of false positives in anomaly detection and therefore to have more reliable detection.
  • said sum is a sum of a subset of said abnormality scores instantaneous greater than a second threshold
  • the calculation of said overall abnormality score only takes into account the instantaneous abnormality score of an instant if this instant is in a consecutive series of instants for which all the instantaneous abnormality scores are greater than said second threshold , a so-called consecutive series comprising a number of moments greater than a fixed number.
  • said at least one sum comprises instantaneous abnormality scores in a time interval starting after a phase of start of operation of said one or more components and ending before a phase of end of operation. operation of said one or more components.
  • This embodiment makes it possible to limit false positives in anomaly detection because the start of operation and end of operation phases can be subject to strong variations in status indicator values. This embodiment therefore advantageously makes it possible to obtain more reliable detection.
  • said at least one status indicator belongs to at least one of the following categories:
  • this embodiment makes it possible in particular to reliably monitor the operation of an oil circulation system in an engine or turbomachine of an aircraft.
  • said at least one acquired temporal sequence includes acquired values of a plurality of state indicators; And - said at least one approximated temporal sequence comprises approximated values of said acquired values of a portion of the state indicators of said plurality of indicators, the approximation being carried out from the acquired values of said plurality of indicators.
  • the approximation module takes as input the acquired values of a plurality of state indicators (for example the indicators of the categories mentioned above) and determines the approximations of a part only of these acquired values, in particular the acquired values of part of the plurality of indicators (for example only the status indicators of the first four categories mentioned above: oil level, oil temperature , oil pressure, and oil filter pressure drop).
  • the overall abnormality score is then determined from differences between the part of the acquired values and the corresponding approximate values.
  • the rest of the indicators then serve as contextual information used by the approximation modules.
  • This embodiment makes it possible to improve the reliability of the approximation module (and consequently the reliability of anomaly detection) since it uses indicator values that can be correlated to the indicator values of states to be approximated.
  • the rotational speed of a turbine can be influenced by the operation of the oil circulation system (therefore correlated to the values of oil level, oil temperature, and oil pressure).
  • the method includes a step of identifying the states causing the anomaly.
  • the identification is carried out by determining the times at which the instantaneous abnormality scores are greater than the second threshold.
  • the values of the status indicators at these times can be compared to average values or to thresholds to determine which indicators have abnormal values and are therefore responsible for the anomaly.
  • a computer program is provided with instructions for implementing the steps of a method as described above, when the computer program is executed by a processor or a computer.
  • the computer program can be made up of one or more sub-parts stored in the same memory or in separate memories.
  • the program may use any programming language, and be in the form of source code, object code, or intermediate code between source code and object code, such as in partially compiled form, or in any other desirable form .
  • the information carrier can be any entity or device capable of storing the program.
  • the support may comprise a storage means, such as a non-volatile memory or ROM, for example a CD-ROM or a microelectronic circuit ROM, or even a magnetic recording means, for example a floppy disk or a hard disc.
  • the storage medium may be a transmissible medium such as an electrical or optical signal, which may be conveyed via an electrical or optical cable, by radio or by a telecommunications network or by a computer network or by other means.
  • the program according to the invention can in particular be downloaded onto a computer network.
  • the information carrier may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in executing the method in question.
  • Figure 1 represents in flowchart form the steps of the detection method according to one embodiment.
  • Figure 2 represents the functional architecture of a detection device according to one embodiment
  • Figure 3A represents sub-steps of the acquisition step of the detection method according to one embodiment.
  • Figure 3B represents a first and a second temporal sequences according to one embodiment.
  • Figure 4 represents sub-steps of the step of determining an overall abnormality score according to one embodiment.
  • Figure 5A and Figure 5B represent a first and a second auto-encoder neural network used to implement the step of determining a first and a second approximated temporal sequence, according to a mode of realization.
  • Figure 6A represents a sequence of instantaneous abnormality scores determined with a detection method according to one embodiment.
  • Figure 6B represents a sequence of values of a status indicator.
  • Figure 7 represents the hardware architecture of an anomaly detection device according to one embodiment.
  • the present invention relates to a method and a device for detecting an anomaly in one or more components of an aircraft.
  • the invention is used to detect operating anomalies of an oil circulation system of an aircraft turbomachine.
  • This particular embodiment is used as an example and is in no way limiting.
  • the invention can also be applied to an electronic aircraft control system, a fuel circulation system, a turbine, a set of sensors, or any other functional component of an aircraft.
  • Figure 1 represents in flowchart form the steps of the anomaly detection method according to one embodiment.
  • This embodiment comprises a step E10 during which time sequences Seql and Seq2 of state indicators of the oil circulation system are acquired during a flight.
  • each element of a temporal sequence includes system state indicator values. Each of these values is representative of a state of the system at a given instant or over a given time period.
  • a status indicator is for example an oil level, an oil temperature, an oil pressure, a speed of rotation of an engine turbine, a position of a valve, or any other indicator impacted by the operation of the oil system.
  • each element of an acquired temporal sequence includes the values of 10 state indicators: - an oil temperature value,
  • the first four state indicators mentioned above directly characterize the oil circulation system while the following are indicators indirectly correlated to the operation of the oil circulation system.
  • the other six indicators do not directly characterize the oil circulation system but their values are influenced by the operation of the oil system. Thus, the evolution of these indicators over time constitutes relevant information on the state of the oil system. Subsequently, these six indicators are called contextual.
  • the engine for example a turbojet
  • the engine comprises two turbines operating in two different pressure regimes: low and high pressure.
  • Ambient pressure and temperature refer to the pressure and temperature outside the aircraft.
  • the invention also covers embodiments in which a single state indicator is used and where each element of a temporal sequence only includes one state indicator value.
  • the state indicators come for example from measurements by sensors connected to a system for saving the measurements carried out by these sensors over time. These indicators are thus measured then recorded successively during the operation of the oil system, in particular during the flight of the aircraft.
  • Figure 3A represents an embodiment in which the acquisition step E10 comprises two sub-steps Eli and E12. During the Eli substep, state indicator values forming a first temporal sequence Seql are acquired.
  • these values correspond to measurements carried out at regular time intervals during operation of the oil system. For example, these measurements were taken every second.
  • the first temporal sequence Seql corresponds to a sampling frequency of 1 Hertz.
  • a second temporal sequence Seq2 is determined from the first sequence Seql by subsampling.
  • Figure 3B represents an example of values acquired over a time range (of 400 seconds) forming a temporal sequence Seql, and an example of a temporal sequence Seq2 determined by subsampling of the sequence Seq2.
  • a status indicator in particular the oil level
  • the sampling frequency of the sequence Seql is 1Hz (one value per second) while the sampling frequency of the sequence Seq2 is 10mHz (one value every 100 seconds).
  • the subsampling consists of:
  • subsampling makes it possible both to divide the sampling frequency of the first sequence by K, and to apply a low-pass filter which divides the frequency of the signals of the first sequence by K.
  • the number K is chosen equal to 100.
  • the sequence Seq2 corresponds to a sampling frequency of 10 mHz
  • the first acquired temporal sequence comprises four elements, each element comprising two status indicator values: (3; 4), (2 ; 3), (4; 5) and (4; 6).
  • K is equal to 2
  • the second sequence is determined by taking the average of the elements (3; 4) and (2; 3) and the average of the elements (4; 5) and (4; 6).
  • the second sequence therefore contains the two elements (2.5; 3.5) and (4; 5.5).
  • subsampling consists of selecting an element of the first sequence every K elements.
  • the sampling frequency of the second sequence is equal to the sampling frequency of the first sequence divided by K.
  • approximation modules AE1 and AE2 perform approximations of the respective sequences Seql and Seq2, and thus determine approximated sequences Seql* and Seq2*.
  • the modules AE1 and AE2 are auto-encoder neural networks.
  • the module AE1 was trained to approximate a first group of reference sequences corresponding to the same sampling frequency as that of the sequence Seql (1Hz for example), and the module AE2 was trained to approximate a second group of reference sequences corresponding to the same sampling frequency as the Seq2 sequence (10 mHz for example).
  • the reference sequences of the second group are for example determined, from the sequences of the first group, by the same subsampling method which makes it possible to obtain Seq2 from Seql.
  • Figure 5A illustrates an example of architecture of the AE1 auto-encoder network.
  • This network includes an encoder performing the compression of the Seql sequence provided as input. It includes five ConvlD convolution layers preceded (preceded in the direction from input to output) by BatchNorm packet normalization layers. Except for the OutConv layers presented below, the ConvlD convolution layers all include a nonlinear activation layer at the output of the convolution. The ConvlD convolution layers are also followed by MaxPool maximum pooling layers, except for the last convolution layer. These pooling layers reduce the length of the sequence supplied as input to the network and thus enable its compression. The five ConvlD convolution layers of the encoder respectively include filters of dimensions 20, 40, 60, 80 and 100.
  • the dimension of a filter corresponds to the dimension of the elements at the output of the convolution layer.
  • the first convolution layer takes as input a sequence of elements each comprising 10 values, and provides as output a sequence of elements each comprising 20 values, these values corresponding to the projection of elements of the input sequence into a mathematical space of dimension 20.
  • This encoder is followed by a decoder which determines the sequence Seql* from the output of the encoder.
  • This decoder has four composite layers, each composite layer consisting of a ConvlDTranspose deconvolution layer followed by a BatchNorm layer, a ConvlD layer followed by another BatchNorm layer.
  • the ConvlDTranspose deconvolution layers of the decoder have filters of dimensions 100, 80, 60 and 40 respectively.
  • the ConvlD convolution layers of the decoder have filters of dimensions 80, 60, 40 and 20 respectively.
  • the last OutConv layer of the decoder is a convolution layer with a filter of dimension 10.
  • the OutConv layer provides the Seql* sequence as output.
  • Figure 5B illustrates an example of architecture of the AE2 auto-encoder network.
  • the AE2 encoder comprises three multiple ConvlD convolution layers and three ConvlDdilated dilated convolution layers, each followed by a BatchNorm packet normalization layer.
  • Each of the multiple ConvlDdilated convolution layers is a stack of several dilated convolution layers with filters of the same size, followed by BatchNorm layers.
  • the encoder's three multiple layers of dilated convolution each have 5, 4, and 2 stacked layers, respectively.
  • Each dilated convolution layer has a dilation step of 2.
  • ConvlD convolution layers are followed by a MaxPool grouping layer.
  • the six convolution layers of the encoder respectively include filters of dimensions 64, 64, 96, 96, 128 and 128.
  • the AE2 decoder has two deconvolution layers, two multiple dilated convolution layers and one convolution layer, each followed by a BatchNorm layer.
  • the deconvolution layers of the encoder have respectively filters of dimensions 128 and 96 while its convolution layers have filters of dimensions 128 and 96 respectively.
  • the two multiple layers of dilated convolution of the encoder each have 4 and 5 layers, respectively.
  • the last OutConv layer of the decoder is a convolution layer with a filter of dimension 10.
  • the OutConv layer provides the sequence Seq2* as output.
  • autoencoder networks may have a different number of layers and parameters than the networks described above.
  • the auto-encoder networks comprise layers of recurrent networks, layers of encoder and/or decoder type transformers, or any other architecture making it possible to analyze temporal sequences.
  • the invention does not limit the approximation modules to auto-encoder networks.
  • the approximation modules perform regressions as mentioned previously. These regressions can be produced by machine learning models such as artificial neural networks.
  • the approximation modules perform regressions as mentioned by applying an analytical model of the evolution of the states of the monitored components. Such an analytical model is for example a Kalman filter.
  • Module AE1 takes the sequence Seql as input.
  • the encoder determines a compressed sequence by passing the Seql sequence through its successive layers.
  • the compressed sequence then passes through the successive layers of the AE1 decoder which outputs the approximated sequence Seql*.
  • the process is similar for determining the Seq2* sequence approximated by Seq2 with the AE2 module.
  • the AE1 autoencoder was trained from a set of reference sequences. These reference sequences were acquired during flights of a set of aircraft. In the example described here, each element of a reference sequence contains values of the same 10 state indicators mentioned previously and contained in the sequence Seql. [0106] In one embodiment, the reference sequences come from flights deemed “healthy”, that is to say without malfunction during the flight, and which were followed by at least a significant number (for example 10) flights without malfunction.
  • the autoencoder is configured to minimize approximation errors between the reference sequences and sequences that the autoencoder determines.
  • the training of AE1 comprises a plurality of steps, each comprising:
  • the gradient descent algorithm aims to correct errors according to the importance of the contribution of each parameter to it.
  • the approximation error is for example a mean squared error between the values of the sequence determined by AE1 and the values of the corresponding reference sequence.
  • each reference sequence used for training AE2 is determined in the same way as the sequence Seq2 is determined from the Seql.
  • each reference sequence used for training AE2 is determined by subsampling a reference sequence used for training AE1.
  • step E30 global abnormality scores Al and A2 are determined for the respective sequences Seql and Seq2.
  • the modules AE1 and AE2 determine approximate values of only part of the state indicators.
  • the time sequences at the input of modules AE1 and AE2 contain the acquired values of the ten state indicators mentioned above (the indicators characterizing directly the oil system and the contextual indicators), and the approximate values correspond to the four state indicators directly characterizing the oil circulation system, in particular:
  • the overall abnormality scores are determined from differences between the acquired values corresponding to these four state indicators and the corresponding approximate values.
  • the overall abnormality scores Al and A2 do not take into account contextual indicator values.
  • Figure 4 represents sub-steps of step E30 according to one embodiment.
  • a difference rl t between this element and the corresponding approximate element is calculated.
  • the sequence Seql comprises two elements each comprising three status indicator values: (3; 4; 1) and (2; 3; 2).
  • the sequence Seql* approximated by AE1 includes the two elements (3.1; 4.2; 0.8) and (2.5; 2.7; 1.9).
  • the differences between the Seql sequence and the Seql* sequence are the two elements (- 0.1; -0.2; 0.2) and (-0.5; 0.3; 0.1).
  • an instantaneous abnormality score al t (a2 t ) is calculated.
  • an instantaneous abnormality score is a Mahalanobis distance.
  • an instantaneous abnormality score al t or a2 t is calculated by the following formulas:
  • al t (rl t - ⁇ 1 ) T ai 1 (rl t - n
  • a2 t (r2 t - n 2 ) T c>2 1 (r2 t - n 2 ) [0123]
  • Hi is a mean difference and ai 1 is the inverse of a covariance matrix a 1 . If a difference rl t has a single value, has a single value and has 1 . also has a single value. If a difference is a vector with several values, is a vector with that many values.
  • the parameter Hi can be determined by calculating, with the trained autoencoder AE1, an average of differences calculated from reference sequences and sequences approximated by AE1 from these reference sequences. Likewise, the covariance matrix can be determined from the covariances between reference values and values approximated by AE1.
  • parameters n 2 and a 2 are average and covariance parameters determined from the trained autoencoder AE2.
  • an instantaneous abnormality score corresponding to a time t is an average of the absolute values of the difference values rl t or r2 t .
  • the overall abnormality scores Al and A2 are determined, from the sequences of instantaneous abnormality scores al t and a2 t .
  • an overall abnormality score Al is a sum St ai (Et a2 t) over instantaneous abnormality scores al t (a2 t ).
  • an abnormality score Al is the sum of the instantaneous abnormality scores al t (a2 t ) which are greater than a fixed threshold S2.
  • This threshold S2 can be determined as a quantile of a set of instantaneous abnormality scores calculated from a set of reference sequences with the AE1 module (AE2). For example, this threshold S2 can be equal to the 99th quantile of this set of instantaneous abnormality scores.
  • threshold values S2 and S2' can be chosen for the scores al t determined from the autoencoder AE1 and for the scores a2 t determined from the AE2 autoencoder.
  • only the intervals of more than N instantaneous abnormality scores greater than the threshold S2 are taken into account in the sum which determines the overall abnormality score Al (A2), where N is a number fixed.
  • only the intervals of more than N instantaneous abnormality scores greater than the threshold S2 are taken into account in the sum which determines the overall abnormality score Al, and only the intervals of more than N 'instantaneous abnormality scores greater than the threshold S2' are taken into account in the sum which determines the overall abnormality score A2, N and N' being numbers fixed independently for each auto-encoder AE1 and AE2. For example N can be chosen equal to 1 in order to detect specific anomalies, and N' equal to 2 to be able to detect non-specific anomalies.
  • each global abnormality score Al and A2 is compared with a threshold SI.
  • This threshold is for example equal to the 98th quantile of a set of global abnormality scores determined from a set of reference sequences with the modules AE1 and AE2.
  • the overall abnormality scores Al and A2 are compared respectively with distinct thresholds SI and SI'.
  • SI is equal to the 98th quantile of a set of global abnormality scores determined from a set of reference sequences with the AE1 module
  • SI' is equal to the 98th quantile of a set of global abnormality scores determined from a set of reference sequences with the AE2 module.
  • the anomaly is detected if the abnormality score Al is greater than the threshold SI, or if the score A2 is greater than the threshold SI'.
  • the thresholds SI and S2 as well as the number N are parameters which can be chosen so as to optimize the detection of anomaly on a set of reference sequences.
  • these reference sequences may include sequences corresponding to flights without detected malfunctions, and flights on which malfunctions have been detected, for example with conventional methods.
  • the parameters SI, S2 and N can be chosen so as to jointly minimize the number of false positives and the number of false negatives in the anomaly detection from these reference sequences.
  • a false positive corresponds to the detection of an anomaly (an overall abnormality score is greater than the SI threshold) on a reference sequence while this sequence corresponds to a flight without a malfunction.
  • a false negative corresponds to the non-detection of an anomaly (the overall abnormality score is lower than the SI threshold) on a reference sequence corresponding to a flight presenting a malfunction.
  • step E50 the status indicators causing an anomaly which were detected during step E40 are identified.
  • the times at which the instantaneous abnormality scores are greater than the threshold S2 are identified.
  • the state indicators are then identified for which the differences rl t and r2 t between the acquired values and the approximated values are the greatest.
  • the state indicator(s) whose approximate values deviate the most from the acquired values represent the state responsible for the anomaly.
  • Figures 6A and 6B illustrate an example where abnormal variations in the oil level are the cause of the anomaly.
  • Figure 6A represents instantaneous abnormality scores over time, as well as the threshold S2 represented by a horizontal line. Between time steps 2200 and 3200, the instantaneous abnormality scores are greater than the S2 threshold.
  • Figure 6B represents the differences over time between the acquired oil level values and the corresponding approximate values. Between time steps 2200 and 3200, the approximate values of the oil level deviate greatly from the acquired values, which indicates that the oil level is responsible for the anomaly, in other words, that the evolution of the level oil during this flight is abnormal.
  • Figure 2 represents the functional architecture of an anomaly detection device DA configured to implement the steps of the anomaly detection method shown in Figure 1.
  • the DA device comprises:
  • module M20 for implementing step E20 of determining the sequences of approximate values Seql* and Seq2*, this module comprising the approximation modules AE1 and AE2 described previously;
  • Figure 7 represents the hardware architecture of a DA anomaly detection device conforming to a particular embodiment of the invention.
  • the DA device has a hardware architecture of a computer. It includes in particular a processor Dl, a read only memory D2, a random access memory D3, a rewritable non-volatile memory D4 and communication means D5.
  • the read only memory D2 of the device DA constitutes a recording medium in accordance with the invention, readable by the processor Dl and on which a computer program PGI in accordance with the invention is recorded, this program comprising instructions for the execution of the steps of an anomaly detection method according to the invention described previously with reference to Figure 1.
  • the computer program PGI defines functional modules of the DA device shown in Figure 2.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

Procédé de détection d'anomalie de fonctionnement d'un composant d'un aéronef associé à au moins un indicateur d'état, ledit procédé comportant, pour au moins une séquence temporelle acquise (Seq1, Seq2) comportant des valeurs acquises dudit au moins un indicateur, des étapes de : - détermination (E20) d'une séquence temporelle approximée (Seq1*, Seq2*) de valeurs approximées desdites valeurs acquises, par un module d'approximation (AE1, AE2); - détermination (E30) d'un score (A1, A2) d'anormalité globale pour ladite séquence temporelle acquise (Seq1, Seq2) à partir de différences entre lesdites valeurs acquises (Seq1, Seq2) et approximées; et - détection (E40) d'une anomalie de fonctionnement dudit en fonction d'une comparaison dudit score d'anormalité globale avec un premier seuil, ledit module d'approximation étant configuré pour minimiser des erreurs d'approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées.

Description

Description
Titre de l'invention : PROCEDE ET DISPOSITIF DE DETECTION D'ANOMALIE DE FONCTIONNEMENT D'UN AERONEF
Art antérieur
[0001] L'invention se situe dans le domaine général des procédés de surveillance d'un système.
[0002] L'invention se situe plus particulièrement dans le contexte de détection d'une anomalie de fonctionnement d'un ou plusieurs composants d'un aéronef. L'invention trouve une application particulièrement avantageuse, bien que nullement limitative, dans le cas d'un aéronef comportant des moteurs de type turbomachine.
[0003] Un aéronef comporte des composants dont le fonctionnement est critique pour la sécurité de l'avion, et dont la surveillance est nécessaire. Par exemple, le système de circulation d'huile est vital pour le bon fonctionnement d'un moteur puisqu'il permet sa lubrification et sa régulation thermique. Des défaillances d'un tel système peuvent entraîner des arrêts du moteur en vol.
[0004] Afin de prévenir de telles défaillances, des méthodes de l'art antérieur permettent de détecter des anomalies de fonctionnement. Une anomalie est un état (relatif au fonctionnement) anormal d'un ou plusieurs composants qui peut entraîner une réduction de capacité ou la perte de capacité de ces composants à accomplir leurs fonctions.
[0005] Des méthodes de l'art antérieur permettent de détecter des anomalies préidentifiées à partir d'instantanés de mesures (données de type « snapshots ») effectuées seulement lors de certaines phases de vol.
[0006] Cependant, des anomalies de fonctionnement non couvertes par les algorithmes existants peuvent survenir sans être détectées.
Exposé de l'invention
[0007] La présente invention a pour objectif de remédier à tout ou partie des inconvénients de l'art antérieur, notamment ceux exposés ci-avant, en proposant une solution permettant de surveiller de manière efficace un composant d'un aéronef. [0008] À cet effet, selon un premier aspect, il est proposé un procédé de détection d'anomalie de fonctionnement par rapport à des valeurs de référence, d'au moins un composant d'un aéronef associé à au moins un indicateur d'état (le composant est associé à l'indicateur d'état), ledit procédé comportant, pour au moins une séquence temporelle acquise (par exemple, le procédé comprend l'acquisition de la séquence temporelle acquise) comportant des valeurs acquises successives dudit au moins un indicateur à différents instants au cours d'un fonctionnement dudit au moins un composant, des étapes de :
- détermination d'une séquence temporelle approximée comportant des valeurs approximées desdites valeurs acquises auxdits instants, l'approximation étant effectuée par un module d'approximation ;
- détermination d'un score d'anormalité globale pour ladite séquence temporelle acquise à partir de différences entre lesdites valeurs acquises et lesdites valeurs approximées ; et
- détection d'une anomalie de fonctionnement dudit composant en fonction d'une comparaison du score d'anormalité globale avec un premier seuil, ledit module d'approximation étant préalablement configuré pour minimiser des erreurs d'approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d'approximation entre desdites valeurs acquises et desdites valeurs approximées sont plus importantes si les valeurs acquises sont représentatives d'un fonctionnement anormal.
[0009] Corrélativement, selon un deuxième aspect de l'invention, il est proposé un dispositif de détection d'anomalie de fonctionnement par rapport à des valeurs de référence, d'au moins un composant d'un aéronef associé à au moins un indicateur d'état, ledit dispositif comportant, pour au moins une séquence temporelle acquise comportant des valeurs acquises successives dudit au moins un indicateur à différents instants au cours d'un fonctionnement dudit au moins un composant :
- un module de détermination d'une séquence temporelle approximée comportant des valeurs approximées desdites valeurs acquises auxdits instants, l'approximation étant effectuée par un module d'approximation ;
- un module de détermination d'un score d'anormalité globale pour ladite séquence temporelle acquise à partir de différences entre lesdites valeurs acquises et lesdites valeurs approximées ; et
- un module de détection d'une anomalie de fonctionnement dudit composant en fonction d'une comparaison dudit score d'anormalité globale avec un premier seuil, ledit module d'approximation étant préalablement configuré pour minimiser des erreurs d'approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d'approximation entre desdites valeurs acquises et desdites valeurs approximées sont plus importantes si les valeurs acquises sont représentatives d'un fonctionnement anormal.
[0010] D'une manière générale, l'invention permet la surveillance d'un composant d'un aéronef. En particulier, l'invention permet la détection d'une anomalie de fonctionnement d'un composant. On entend par composant un élément isolé (par exemple un capteur) ou un ensemble fonctionnel d'éléments (par exemple un système de circulation d'huile permettant de lubrifier une turbine et de réguler sa température, un système électronique de contrôle de l'aéronef, un système de circulation du fuel, ou une turbine). Le procédé peut s'appliquer à plusieurs composants.
[0011] Le procédé peut par exemple être mis en œuvre « au sol » par analyse des indicateurs d'états mesurés pendant les différentes phases d'un vol, y compris notamment les phases de taxi, de décollage, de vol, d'atterrissage.
[0012] Ce procédé permet ainsi de détecter un fonctionnement anormal d'un composant qui s'est produit pendant un vol de l'aéronef, et de prévenir de potentiels dysfonctionnements lors de futurs vols.
[0013] Ce procédé est basé sur des indicateurs d'états associés au composant. Par indicateur d'état associé au composant, il est question ici d'une quantité dépendante du fonctionnement du composant. Par exemple, si ce composant est un système de circulation d'huile du moteur de l'aéronef, des indicateurs d'états peuvent être la température de l'huile, la pression de l'huile, ou la vitesse de rotation d'une turbine du moteur, car cette vitesse dépend de la lubrification de la turbine par le système d'huile.
[0014] Des valeurs prises par ces indicateurs au cours du temps forment une séquence temporelle. On entend ainsi par séquence temporelle acquise des valeurs d'indicateurs d'états mesurées successivement au cours du temps de vol par des capteurs spécifiques et enregistrées, ou bien des valeurs calculées à partir de telles valeurs mesurées. Chaque valeur est associée à un instant, par exemple l'instant correspondant à la mesure de cette valeur. Par exemple, une séquence temporelle peut contenir des valeurs de la température et de la pression de l'huile mesurées toutes les secondes au cours du vol de l'aéronef. Dans cet exemple, chaque élément de cette séquence correspond à un vecteur comportant une valeur de température et une valeur de pression mesurées à un instant donné.
[0015] Ainsi, une séquence temporelle acquise pour un composant est représentative du fonctionnement du composant sur une plage de temps de vol.
[0016] Une séquence temporelle approximée est une reproduction par un module dit d'approximation, d'une séquence temporelle à partir d'informations partielles sur la séquence temporelle. La date associée à chaque élément de la séquence approximée correspond à la date d'un élément de la séquence acquise.
[0017] Par exemple, un module d'approximation effectue une régression, à partir de valeurs d'une séquence correspondant à une plage de temps, de valeurs de la séquence acquise correspondant à une date ultérieure à cette plage de temps.
[0018] Dans un autre exemple, le module d'approximation est un auto-encodeur qui effectue une projection de la séquence acquise dans un espace mathématique, puis produit une approximation de cette même séquence acquise à partir de cette projection.
[0019] Une séquence approximée peut comporter des différences avec la séquence temporelle acquise.
[0020] Dans la présente demande, une erreur d'approximation est une quantité représentative des différences entre les valeurs acquises et les valeurs approximées correspondant respectivement aux mêmes dates. Par exemple, une telle erreur est la somme des différences en valeur absolue entre les éléments de la séquence approximée et les éléments de la séquence acquise. Dans un autre exemple, une telle erreur est la somme du carré des différences.
[0021] Le module d'approximation, qui détermine la séquence temporelle approximée, est préalablement (i.e. avant la mise en œuvre du procédé de détection) configuré pour reproduire des séquences de références avec peu d'erreur d'approximation. Ces séquences de références comportent des valeurs d'indicateurs d'états du même type que les indicateurs d'états mentionnés ci-avant.
[0022] Ces séquences de référence comportent des valeurs d'indicateurs d'états acquises lors d'une pluralité de vols d'aéronefs.
[0023] L'utilisation du module d'approximation ainsi configuré permet avantageusement de détecter un fonctionnement anormal du composant relativement aux fonctionnements dont sont représentatives les séquences temporelles de référence. En effet, le module d'approximation est configuré pour fournir de meilleures approximations d'une pluralité de séquences temporelles de références que pour une séquence représentative d'un fonctionnement anormal du composant. Ainsi, le module d'approximation permet de discriminer les fonctionnements anormaux et donc de reconnaître une anomalie.
[0024] Dans un mode de réalisation, les vols à partir desquels ont été acquises les séquences de référence sont des vols pendant lesquels aucun dysfonctionnement n'est survenu et qui ont été suivis d'un nombre significatif de vols sans dysfonctionnement. Par dysfonctionnement, on entend ici un évènement causant une perte de fonctionnalité d'un composant ou pouvant affecter la sécurité de l'aéronef (par exemple : un arrêt du moteur en vol, une fuite d'huile, une surchauffe de l'huile).
[0025] Dans un mode de réalisation du procédé, un dit module d'approximation est obtenu par un algorithme d'apprentissage machine à partir desdites séquences temporelles de référence.
[0026] Avantageusement, ce mode de réalisation permet de détecter un fonctionnement anormal en se basant uniquement sur des observations passées (les séquences de référence). Ce mode de réalisation présente ainsi l'avantage de ne pas nécessiter de connaissances a priori liées à la physique et/ou aux paramètres de l'aéronef. En particulier, l'utilisation d'un algorithme d'apprentissage machine ne nécessite pas l'établissement d'un modèle physique de l'aéronef ou d'une partie de ses composants.
[0027] Selon un mode de réalisation, un dit module d'approximation est un réseau de neurones artificiels. Par « réseau de neurones artificiels », il est fait référence ici à une fonction paramétrée comprenant une ou plusieurs couches de neurones artificiels connectés entre eux. [0028] Un réseau de neurones artificiels, par exemple un réseau de neurones de convolution, apprend avec précision le fonctionnement normal du composant à partir de séquences de référence. En particulier, un réseau de neurones peut intégrer l'information contenue dans un important volume de données (i.e. un nombre important de séquences de références). Dans le cas présent, de telles informations sont par exemple des motifs temporels particuliers de variations de valeurs d'indicateurs d'états. Un réseau de neurones peut ainsi apprendre une grande variété de fonctionnements et ainsi contribuer à améliorer la fiabilité de la détection d'anomalie.
[0029] Le réseau de neurones artificiels peut être implémenté sur un dispositif de type ordinateur.
[0030] Selon un mode de réalisation, un dit module d'approximation est un réseau de neurones artificiels comportant un encodeur et un décodeur,
- un dit encodeur déterminant une séquence compressée à partir d'une dite séquence temporelle fournie en entrée du réseau de neurones, ladite séquence temporelle compressée étant de taille inférieure à ladite séquence temporelle fournie en entrée,
- un dit décodeur effectuant une reconstruction à partir de la séquence compressée pour obtenir en sortie du réseau de neurones une dite séquence temporelle approximée.
[0031] Un tel réseau de neurones est aussi appelé réseau auto-encodeur. Celui-ci est entraîné à reconstruire des séquences de références. Par séquence compressée, on entend ici une projection d'une séquence dans un espace mathématique, de telle sorte que la projection est de taille réduite par rapport à la séquence fournie en entrée. Pour que l'auto-encodeur effectue une bonne approximation (i.e. avec une faible erreur d'approximation) d'une séquence à partir d'une compression de cette séquence, il est nécessaire que cette compression comprenne suffisamment d'informations caractérisant cette séquence. Ainsi, un auto-encodeur configuré conformément à l'invention extrait d'une séquence les informations caractéristiques de fonctionnements normaux. Si la séquence en entrée de l'auto-encodeur correspond à un fonctionnement anormal, alors sa compression ne comportera pas toutes les informations nécessaires pour effectuer une bonne approximation. [0032] En outre, un réseau-auto-encodeur est capable de reconnaître des caractéristiques temporelles complexes difficiles à détecter avec un modèle analytique, et peut donc distinguer avec plus de précision un fonctionnement anormal d'un fonctionnement normal.
[0033] Lors de son apprentissage pour reproduire des séquences de références, un autoencodeur apprend à reconnaître des motifs récurrents et a tendance à ignorer les motifs les plus rares. Ainsi, l'utilisation d'un auto-encodeur est particulièrement avantageuse pour la détection d'anomalie à partir de données de vol puisqu'une grande majorité des vols d'avion ne présente pas de dysfonctionnement. Ainsi, lors de son apprentissage à partir de séquences de référence acquises pour une pluralité de vols passés, l'auto-encodeur apprend à reconnaître les motifs représentatifs de vols sans dysfonctionnement.
[0034] Selon un mode de réalisation, le procédé de détection d'anomalie est mis en oeuvre pour au moins une première et une deuxième séquences temporelles acquises, ladite deuxième séquence temporelle acquise étant déterminée par sous- échantillonnage de ladite première séquence temporelle acquise, et dans lequel une dite séquence temporelle approximée à partir d'une dite séquence acquise est déterminée par un dit module d'approximation configuré à partir de séquences temporelles de référence de même fréquence d'échantillonnage que cette séquence acquise.
[0035] Ainsi, l'invention concerne en particulier un procédé de détection d'anomalie de fonctionnement par rapport à des valeurs de référence, d'au moins un composant d'un aéronef associé à au moins un indicateur d'état, ledit procédé comportant, pour au moins une deux séquences temporelles acquises, chacune comportant des valeurs acquises successives dudit au moins un indicateur à différents instants au cours d'un fonctionnement dudit au moins un composant, des étapes de :
- détermination, pour chacune des séquences temporelles acquises, d'une séquence temporelle approximée comportant des valeurs approximées desdites valeurs acquises auxdits instants pour cette séquence temporelle acquise, I' approximation étant effectuée par un module d'approximation;
- détermination , pour chacune desdites séquences temporelles acquises, d'un score d'anormalité globale pour ladite séquence temporelle acquise à partir de différences entre lesdites valeurs acquises et lesdites valeurs approximées pour cette séquence temporelle acquise ; et
- détection, pour chacune desdites séquences temporelles acquises, d'une anomalie de fonctionnement dudit composant en fonction d'une comparaison dudit score d'anormalité globale déterminé pour cette séquence avec un premier seuil, ledit module d'approximation étant préalablement configuré pour minimiser des erreurs d'approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d'approximation entre desdites valeurs acquises et desdites valeurs approximées sont plus importantes si les valeurs acquises sont représentatives d'un fonctionnement anormal, ladite deuxième séquence temporelle acquise étant déterminée par sous-échantillonnage de ladite première séquence temporelle acquise, une dite séquence temporelle approximée à partir d'une dite séquence acquise étant déterminée par un dit module d'approximation configuré à partir de séquences temporelles de référence de même fréquence d'échantillonnage que cette séquence acquise.
[0036] Dans ce mode de réalisation, deux séquences temporelles acquises correspondant à une même plage de temps du fonctionnement du composant de l'aéronef sont utilisées pour la détection d'une anomalie, mais ces séquences capturent des variations sur des échelles de temps différentes. En effet, ces deux séquences correspondent à des fréquences d'échantillonnage différentes.
[0037] Certaines anomalies sont détectables uniquement sur des variations sur des temps courts (visible dans la mesure où la fréquence d'échantillonnage de la séquence analysée est assez haute), tandis que d'autres anomalies correspondent à des variations sur des temps plus longs (donc détectable plus facilement pour une fréquence d'échantillonnage plus basse). Par conséquent, ce mode de réalisation permet avantageusement la détection d'un plus grand nombre d'anomalies.
[0038] Dans ce mode de réalisation, la première et la deuxième séquence temporelle acquises sont respectivement approximées par deux modules d'approximation distincts, et un score d'anormalité globale est déterminé pour chacune des première et deuxième séquences acquises. [0039] Dans un mode particulier de réalisation, les première et deuxième séquences temporelles peuvent être traitées avant d'être fournies en entrée de leurs modules d'approximation respectifs pour déterminer les séquences temporelles approximées.
[0040] Le traitement appliqué aux première et deuxième séquences temporelles est par exemple un lissage ou un filtrage de ces séquences.
[0041] On rappelle que le lissage est une technique connue de l'homme du métier du traitement de signal par exemple utilisée pour améliorer la qualité des données en réduisant le bruit, par exemple en moyennant des données successives dans une séquence temporelle.
[0042] On rappelle que le filtrage peut consister à appliquer un filtre aux données de manière à en extraire des informations spécifiques en accentuant ou en atténuant certaines fréquences. Il peut être utilisé pour mettre en évidence des composantes de signal spécifiques tout en supprimant le bruit.
[0043] Selon un mode de réalisation du procédé, chaque valeur de ladite deuxième séquence temporelle est une moyenne sur un intervalle de valeurs de ladite première séquence temporelle, deux valeurs consécutives de ladite deuxième séquence étant déterminées respectivement à partir de deux intervalles contigus de ladite première séquence.
[0044] Dans ce mode de réalisation, le sous-échantillonnage appliqué à la première séquence est également un filtre passe-bas qui permet de limiter la fréquence maximale des signaux de la deuxième séquence. Cela permet avantageusement de détecter des anomalies supplémentaires, en particulier des anomalies détectables sur des signaux basses fréquences.
[0045] Selon un mode de réalisation du procédé, l'étape de détermination d'un score d'anormalité globale comporte, pour chacune des une ou plusieurs séquences temporelles, des sous-étapes de :
- détermination d'une séquence de scores d'anormalité instantanée, un dit score d'anormalité instantanée étant obtenu, pour un dit instant, à partir de la différence entre la valeur acquise et la valeur approximée de cet instant ;
-ledit score d'anormalité globale étant obtenu à partir d'une somme d'au moins certains dits scores d'anormalité instantanée. [0046] Par score d'anormalité instantanée, on entend ici une quantité représentative d'un écart entre une valeur acquise et une valeur approximée.
[0047] Dans un mode de réalisation, un dit score d'anormalité instantanée est une distance de Mahalanobis déterminée à partir d'une dite différence et des paramètres de moyenne et de variance. Dans un autre mode de réalisation, un dit score d'anormalité instantanée est une différence divisée par une différence moyenne.
[0048] Selon un mode de réalisation du procédé, ledit score d'anormalité globale est obtenu à partir de la somme d'un sous-ensemble de dits scores d'anormalité instantanée supérieurs à un deuxième seuil.
[0049] Les inventeurs ont observé que l'utilisation d'un deuxième seuil conformément à ce mode de réalisation permet avantageusement de diminuer le nombre de faux positifs dans la détection d'anomalie, et donc d'obtenir une détection plus fiable.
[0050] Selon un mode de réalisation du procédé, le calcul dudit score d'anormalité globale ne prend en compte le score d'anormalité instantanée d'un instant que si cet instant est dans une série consécutive d'instants pour lesquels tous les scores d'anormalité instantanée sont supérieurs au dit deuxième seuil, une dite série consécutive comportant un nombre d'instants supérieur à un nombre fixé.
[0051] Par exemple, si ce nombre fixé est égal à 3, seuls les scores d'anormalité instantanée appartenant à des intervalles d'au moins trois scores supérieurs au deuxième seuil sont comptabilisés dans la somme qui détermine le score d'anormalité globale.
[0052] Il est à souligner que dans des modes de réalisations dans lesquels plusieurs séquences acquises sont approximées respectivement par différents modules d'approximation, des nombres fixés différents peuvent être utilisés pour déterminer les scores d'anormalité globale pour chacune des séquences acquises.
[0053] Dans ce mode de réalisation, seul les valeurs d'indicateurs qui s'écarte de valeurs normales sur une page de temps suffisamment grande sont prises en compte dans la détermination du score d'anormalité globale, et donc de la détection d'anomalie. Ainsi, ce mode de réalisation permet avantageusement de diminuer le nombre de faux positifs dans la détection d'anomalie et donc d'avoir une détection plus fiable.
[0054] Selon un mode de réalisation du procédé :
- ladite somme est une somme d'un sous-ensemble de dits scores d'anormalité instantanée supérieurs à un deuxième seuil ; et
- le calcul dudit score d'anormalité globale ne prend en compte le score d'anormalité instantanée d'un instant que si cet instant est dans une série consécutive d'instants pour lesquels tous les scores d'anormalité instantanée sont supérieurs au dit deuxième seuil, une dite série consécutive comportant un nombre d'instants supérieur à un nombre fixé.
[0055] Selon un mode de réalisation du procédé, ladite au moins une somme comprend des scores d'anormalité instantanée dans un intervalle de temps débutant après une phase de début de fonctionnement desdits un ou plusieurs composants et se terminant avant une phase de fin de fonctionnement desdits un ou plusieurs composants.
[0056] Ce mode de réalisation permet de limiter les faux positifs dans la détection d'anomalie car les phases de début de fonctionnement et de fin de fonctionnement peuvent être sujettes à de fortes variations de valeurs d'indicateurs d'états. Ce mode de réalisation permet donc avantageusement d'obtenir une détection plus fiable de détection.
[0057] Dans un mode de réalisation du procédé ledit au moins un indicateur d'état appartiennent à au moins l'une des catégories suivantes :
- niveau d'huile ;
- température de l'huile ;
- pression de l'huile ;
- perte de charge du filtre à huile ;
- vitesse de rotation d'une turbine dudit aéronef ;
- pression ambiante ;
- température ambiante ;
- débit de carburant ;
- position d'une vanne contrôlant le retour de carburant au réservoir.
[0058] Préférentiellement, ce mode de réalisation permet notamment de surveiller de façon fiable le fonctionnement d'un système de circulation d'huile dans un moteur ou une turbomachine d'un aéronef.
[0059] Selon un mode de réalisation du procédé :
- ladite au moins une séquence temporelle acquise comporte des valeurs acquises d'une pluralité d'indicateurs d'états ; et - ladite au moins une séquence temporelle approximée comporte des valeurs approximées desdites valeurs acquises d'une partie des indicateurs d'états de ladite pluralité d'indicateurs, l'approximation étant effectuée à partir des valeurs acquises de ladite pluralité d'indicateurs.
[0060] Dans ce mode de réalisation, le module d'approximation prend en entrée les valeurs acquises d'une pluralité d'indicateurs d'états (par exemples les indicateurs des catégorie mentionnées ci-avant) et détermine les approximations d'une partie seulement de ces valeurs acquises, en particulier les valeurs acquises d'une partie de la pluralité d'indicateurs (par exemple seulement les indicateurs d'états des quatre premières catégories mentionnées ci-avant : le niveau d'huile, la température d'huile, la pression d'huile, et la perte de charge du filtre à huile). Le score d'anormalité globale est alors déterminé à partir de différences entre la partie des valeurs acquises et les valeurs approximées correspondantes. Le reste des indicateurs servent alors d'information contextuelle utilisée par les modules d'approximation.
[0061] Ce mode de réalisation permet d'améliorer la fiabilité du module d'approximation (et par conséquent la fiabilité de détection d'anomalie) puisque celui-ci utilise des valeurs d'indicateurs pouvant être corrélés aux valeurs d'indicateurs d'états à approximer. Par exemple, la vitesse de rotation d'une turbine peut être influencée par le fonctionnement du système de circulation d'huile (donc est corrélé aux valeurs de niveau d'huile, de température d'huile, et de pression d'huile).
[0062] Selon un mode de réalisation, le procédé comporte une étape d'identification des états causant l'anomalie.
[0063] Par exemple, l'identification est effectuée par détermination des instants auxquels les scores d'anormalité instantanée sont supérieurs au deuxième seuil. Les valeurs des indicateurs d'états à ces instants peuvent être comparées à des valeurs moyennes ou à des seuils pour déterminer quels indicateurs ont des valeurs anormales et sont donc responsables de l'anomalie.
[0064] Selon un aspect de l'invention, il est proposé un programme d'ordinateur des instructions pour la mise en œuvre des étapes d'un procédé tel que décrit ci-dessus, lorsque le programme d'ordinateur est exécuté par un processeur ou un ordinateur.
[0065] Le programme d'ordinateur peut être formé d'une ou plusieurs sous-parties stockées dans une même mémoire ou dans des mémoires distinctes. Le programme peut utiliser n'importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n'importe quelle autre forme souhaitable.
[0066] Selon un aspect de l'invention, il est proposé un support d'informations lisible par ordinateur comprenant un programme d'ordinateur tel que décrit ci-dessus.
[0067] Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une mémoire non-volatile ou ROM, par exemple un CD-ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple une disquette ou un disque dur. D'autre part, le support de stockage peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par un réseau de télécommunication ou par un réseau informatique ou par d'autres moyens. Le programme selon l'invention peut être en particulier téléchargé sur un réseau informatique. Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Brève description des dessins
[0068] D'autres caractéristiques et avantages de la présente invention ressortiront de la description fournie ci-après de modes de réalisation de l'invention. Ces modes de réalisation sont donnés à titre d'exemple illustratif et sont dépourvus de tout caractère limitatif. La description fournie ci-après est illustrée par les dessins ci- joints :
[Fig 1] La figure 1 représente sous forme d'ordinogramme les étapes du procédé de détection selon un mode de réalisation.
[Fig 2] La figure 2 représente l'architecture fonctionnelle d'un dispositif de détection selon un mode de réalisation
[Fig 3] La figure 3A représente des sous-étapes de l'étape d'acquisition du procédé de détection selon un mode de réalisation. La figure 3B représente une première et une deuxième séquences temporelles selon un mode de réalisation.
[Fig 4] La figure 4 représente des sous-étapes de l'étape de détermination d'un score d'anormalité globale selon un mode de réalisation. [Fig 5] La figure 5A et la figure 5B représentent un premier et un deuxième réseaux de neurones auto-encodeur utilisé pour mettre en œuvre l'étape de détermination d'une première et d'une deuxième séquence temporelle approximées, selon un mode de réalisation.
[Fig 6] La figure 6A représente une séquence de scores d'anormalité instantanée déterminée avec un procédé de détection selon un mode de réalisation. La figure 6B représente une séquence de valeurs d'un indicateur d'état.
[Fig 7] La figure 7 représente l'architecture matérielle d'un dispositif de détection d'anomalie selon un mode de réalisation.
Description des modes de réalisation
[0069] La présente invention concerne un procédé et un dispositif de détection d'anomalie dans un ou plusieurs composants d'un aéronef. Dans la description ci-après, l'invention est utilisée pour détecter des anomalies de fonctionnement d'un système de circulation d'huile d'une turbomachine d'un avion. Ce mode particulier de réalisation est utilisé à titre d'exemple est n'est en rien limitatif. Notamment, l'invention peut aussi s'appliquer à un système électronique de contrôle de l'aéronef, un système de circulation du fuel, une turbine, un ensemble de capteurs, ou tout autre composant fonctionnel d'un aéronef.
[0070] La figure 1 représente sous forme d'ordinogramme les étapes du procédé de détection d'anomalie selon un mode de réalisation.
[0071] Ce mode de réalisation comprend une étape E10 au cours de laquelle sont acquises des séquences temporelles Seql et Seq2 d'indicateurs d'états du système de circulation d'huile au cours d'un vol. Dans ce mode de mise en œuvre, chaque élément d'une séquence temporelle comprend des valeurs d'indicateurs d'états du système. Chacune de ces valeurs est représentative d'un état du système à un instant donné ou sur une plage de temps donnée.
[0072] Un indicateur d'état est par exemple un niveau d'huile, une température d'huile, une pression de l'huile, une vitesse de rotation d'une turbine de moteur, d'une position d'une vanne, ou tout autre indicateur impacté par le fonctionnement du système d'huile.
[0073] Dans l'exemple décrit ici, chaque élément d'une séquence temporelle acquise comporte les valeurs de 10 indicateurs d'états : - une valeur de température d'huile,
-une valeur de niveau d'huile,
-une valeur de pression d'huile,
- une perte de charge du filtre à huile,
- une vitesse de rotation d'une turbine dans un régime basse pression,
- une vitesse de rotation d'une turbine dans un régime haute pression,
- la pression ambiante,
- la température ambiante,
- le débit de carburant,
- la position d'une vanne contrôlant le retour de carburant au réservoir de carburant.
[0074] Les quatre premiers indicateurs d'états susmentionnés caractérisent directement le système de circulation d'huile tandis que les suivant sont des indicateurs indirectement corrélés au fonctionnement du système de circulation d'huile.
[0075] Par perte de charge du filtre il est question d'une baisse de pression de l'huile au niveau du filtre, par exemple à cause de frictions de l'huile avec le filtre.
[0076] Les six autres indicateurs ne caractérisent pas directement le système de circulation d'huile mais leurs valeurs sont influencées par le fonctionnement du système d'huile. Ainsi, l'évolution de ces indicateurs au cours du temps constitue une information pertinente sur l'état du système d'huile. Par la suite, ces six indicateurs sont dits contextuels.
[0077] Dans cet exemple, le moteur (par exemple un turboréacteur) comprend deux turbines fonctionnant dans deux régimes de pression différents : basse et haute pression.
[0078] Par pression et température ambiantes, il est question de la pression et de la température à l'extérieur de l'aéronef.
[0079] L'invention couvre également des modes de réalisation dans lesquels un seul indicateur d'état est utilisé et où chaque élément d'une séquence temporelle ne comporte qu'une valeur d'indicateur d'état.
[0080] Les indicateurs d'états proviennent par exemple de mesures par des capteurs reliés à un système de sauvegarde des mesures effectuées par ces capteurs au cours du temps. Ces indicateurs sont ainsi mesurés puis enregistrés successivement au cours du fonctionnement du système d'huile, notamment pendant le vol de l'avion. [0081] La figure 3A représente un mode de réalisation dans laquelle l'étape d'acquisition E10 comprend deux sous-étapes Eli et E12. Au cours de la sous-étape Eli, des valeurs d'indicateurs d'états formant une première séquence temporelle Seql sont acquis.
[0082] Par exemple, ces valeurs correspondent à des mesures effectuées à intervalles de temps réguliers au cours du fonctionnement du système d'huile. Par exemple, ces mesures ont été effectuées à chaque seconde. Ainsi, dans cet exemple, la première séquence temporelle Seql correspond à une fréquence d'échantillonnage de 1 Hertz.
[0083] Au cours de la sous-étape E12, une deuxième séquence temporelle Seq2 est déterminée à partir de la première séquence Seql par sous-échantillonnage.
[0084] La figure 3B représente un exemple de valeurs acquises sur une plage de temps (de 400 secondes) formant une séquence temporelle Seql, et un exemple d'une séquence temporelle Seq2 déterminée par sous-échantillonnage de la séquence Seq2. Dans cet exemple, seul une valeur d'un indicateur d'état (en particulier le niveau d'huile) est représentée par pas de temps.
[0085] Dans cet exemple, la fréquence d'échantillonnage de la séquence Seql est de 1Hz (une valeur par seconde) tandis que la fréquence d'échantillonnage de la séquence Seq2 est de lOmHz (une valeur toutes les 100 secondes).
[0086] Dans un mode de réalisation, le sous-échantillonnage consiste en :
- décomposer la première séquence en intervalles contigus de K éléments chacun, et
- déterminer les moyenne des éléments de chaque intervalle, la deuxième séquence étant la séquence de moyennes ainsi obtenues.
[0087] Dans ce mode de réalisation, le sous-échantillonnage permet à la fois de diviser la fréquence d'échantillonnage de la première séquence par K, et à la fois d'appliquer un filtre passe-bas qui divise la fréquence des signaux de la première séquence par K. A titre indicatif, dans l'exemple décrit ici, le nombre K est choisi égal à 100. Dans ce cas, la séquence Seq2 correspond à une fréquence d'échantillonnage de 10 mHz
[0088] Dans un exemple simplifié à titre d'illustration du mode de réalisation mentionné ci-dessus, la première séquence temporelle acquise comporte quatre éléments, chaque élément comportant deux valeurs d'indicateur d'état : (3 ; 4), (2 ; 3), (4 ; 5) et (4 ; 6). Dans cet exemple, K est égal à 2, la deuxième séquence est donc déterminée en effectuant la moyenne des éléments (3 ; 4) et (2 ; 3) et la moyenne des éléments (4 ; 5) et (4 ; 6). La deuxième séquence comporte donc les deux éléments (2,5 ; 3,5) et (4 ; 5,5).
[0089] L'invention ne se limite pas à la méthode de sous-échantillonnage décrite ci-avant. Par exemple, dans un autre mode de réalisation, le sous-échantillonnage consiste à sélectionner un élément de la première séquence tous les K éléments. Dans ce cas, la séquence d'échantillonnage de la deuxième séquence est égale à la fréquence d'échantillonnage de la première séquence divisée par K.
[0090] Au cours d'une étape E20, des modules d'approximations AE1 et AE2 effectuent des approximations des séquences respectives Seql et Seq2, et déterminent ainsi des séquences approximées Seql* et Seq2*.
[0091] Dans le mode de réalisation décrit ici, les modules AE1 et AE2 sont des réseaux de neurones auto-encodeurs.
[0092] Dans ce mode de réalisation, le module AE1 a été entraîné pour approximer un premier groupe de séquences de référence correspondant à la même fréquence d'échantillonnage que celle de la séquence Seql (1Hz par exemple), et le module AE2 a été entraîné pour approximer un deuxième groupe de séquences de référence correspondant à la même fréquence d'échantillonnage que la séquence Seq2 (10 mHz par exemple).
[0093] Les séquences de référence du deuxième groupe sont par exemple déterminées, à partir des séquences du premier groupe, par le même procédé de sous- échantillonnage qui permet d'obtenir Seq2 à partir de Seql.
[0094] La figure 5A illustre un exemple d'architecture du réseau auto-encodeur AE1.
[0095] Ce réseau comporte un encodeur effectuant la compression de la séquence Seql fournie en entrée. Il comporte cinq couches de convolution ConvlD précédées (précédées dans le sens de l'entrée vers la sortie) de couches de normalisation par paquet BatchNorm (« batch normalization » en anglais). Excepté les couches OutConv présentées ci-après, les couches de convolutions ConvlD comprennent toutes une couche d'activation non linéaire en sortie de la convolution. Les couches de convolution ConvlD sont également suivies de couches de regroupement par maximum MaxPool (« max pooling » en anglais), excepté la dernière couche de convolution. Ces couches de regroupement réduisent la longueur de la séquence fournie en entrée du réseau et permettent ainsi sa compression. Les cinq couches de convolutions ConvlD de l'encodeur comportent respectivement des filtres de dimension 20, 40, 60, 80 et 100. La dimension d'un filtre correspond à la dimension des éléments en sortie de la couche de convolution. Par exemple, la première couche de convolution prend en entrée une séquence d'éléments comportant chacun 10 valeurs, et fournit en sortie une séquence d'éléments comportant chacun 20 valeurs, ces valeurs correspondant à la projection d'éléments de la séquence en entrée dans un espace mathématique de dimension 20.
[0096] Cet encodeur est suivi d'un décodeur qui détermine la séquence Seql* à partir de la sortie de l'encodeur. Ce décodeur comporte quatre couches composites, chaque couche composite étant constituée d'une couche de déconvolution ConvlDTranspose suivie d'une couche BatchNorm, d'une couche ConvlD suivi d'une autre couche BatchNorm. Les couches de déconvolution ConvlDTranspose du décodeur ont respectivement des filtres de dimensions 100, 80, 60 et 40. Les couches de convolution ConvlD du décodeur ont respectivement des filtres de dimensions 80, 60, 40 et 20. La dernière couche OutConv du décodeur est une couche de convolution avec un filtre de dimension 10. La couche OutConv fournit en sortie la séquence Seql*.
[0097] La figure 5B illustre un exemple d'architecture du réseau auto-encodeur AE2.
[0098] L'encodeur de AE2 comporte trois couches multiples de convolutions ConvlD et trois couches de convolution dilatée ConvlDdilated, chacune suivie d'une couche de normalisation par paquet BatchNorm. Chacune des couches multiples de convolution dilatée ConvlDdilated est un empilement de plusieurs couches convolutions dilatées avec des filtres de même dimension, suivies de couches BatchNorm. Les trois couches multiples de convolution dilatée de l'encodeur comportent chacune 5, 4 et 2 couches empilées, respectivement. Chaque couche de convolution dilatée a un pas de dilatation de 2. Ces couches de convolution dilatée permettent de détecter des anomalies se déroulant sur une longue durée.
[0099] Exceptée pour la dernière, les couches de convolutions ConvlD sont suivies d'une couche de regroupement MaxPool. Les six couches de convolutions de l'encodeur comportent respectivement des filtres de dimension 64, 64, 96, 96, 128 et 128.
[0100] Le décodeur de AE2 présente deux couches de déconvolution, deux couches multiples de convolution dilatée et une couche de convolution, chacune suivie d'une couche BatchNorm. Les couches de déconvolution de l'encodeur ont respectivement des filtres de dimension 128 et 96 tandis que ses couches de convolution ont respectivement des filtres de dimension 128, et 96. Les deux couches multiples de convolution dilatée de l'encodeur comportent chacune 4 et 5 couches, respectivement.
[0101] La dernière couche OutConv du décodeur est une couche de convolution avec un filtre de dimension 10. La couche OutConv fournit en sortie la séquence Seq2*.
[0102] L'invention n'est pas limitée aux architectures de réseaux auto-encodeurs telles qu'illustrées sur les figures 5A et 5B. Dans d'autres modes de réalisation, des réseaux auto-encodeurs peuvent avoir un nombre de couches et des paramètres différents des réseaux décrits ci-dessus. Dans des modes de réalisations, les réseaux auto-encodeurs comportent des couches de réseaux récurrents, des couches de transformeurs de type encodeur et/ou décodeur, ou toute autre architecture permettant d'analyser des séquences temporelles.
[0103] Par ailleurs, l'invention ne limite pas les modules d'approximations à des réseaux auto-encodeurs. Dans d'autres modes de réalisations, les modules d'approximations effectuent des régressions comme mentionné précédemment. Ces régressions peuvent être produites par des modèles d'apprentissage machine tel que des réseaux de neurones artificiels. Dans des modes de réalisation, les modules d'approximation effectuent des régressions telles que mentionnées en appliquant un modèle analytique de l'évolution des états des composants surveillés. Un tel modèle analytique est par exemple un filtre de Kalman.
[0104] Le module AE1 prend en entrée la séquence Seql. Dans l'exemple décrit ici, l'encodeur détermine une séquence compressée en faisant passer la séquence Seql à travers ses couches successives. La séquence compressée passe ensuite par les couches successives du décodeur de AE1 qui fournit en sortie la séquence approximée Seql*. Le processus est similaire pour la détermination de la séquence Seq2* approximée de Seq2 avec le module AE2.
[0105] L'auto-encodeur AE1 a été entraîné à partir d'un ensemble de séquences de référence. Ces séquences de référence ont été acquises lors de vols d'un ensemble d'aéronefs. Dans l'exemple décrit ici, chaque élément d'une séquence de référence contient des valeurs des mêmes 10 indicateurs d'états mentionnés précédemment et contenus dans la séquence Seql. [0106] Dans un mode de réalisation, les séquences de référence proviennent de vols jugés « sains », c'est-à-dire sans dysfonctionnement au cours du vol, et qui ont été suivis d'au moins un nombre significatif (par exemple 10) de vols sans dysfonctionnement.
[0107] Au cours de son entraînement, l'auto-encodeur est configuré pour minimiser des erreurs d'approximations entre les séquences de références et des séquences que l'auto-encodeur détermine. Ainsi, l'entraînement de AE1 comporte une pluralité d'étapes, chacune comportant :
- la détermination d'une séquence à partir d'une séquence de référence ;
- le calcul d'une erreur d'approximation entre la séquence ainsi déterminée et la séquence de référence correspondante ;
- la modification des paramètres de l'auto-encodeur AE1 pour minimiser l'erreur d'approximation ainsi calculée
[0108] La modification des paramètres de l'auto-encodeur AE1 pour minimiser les erreurs d'approximation peut se faire avec un algorithme de descente de gradient.
L'algorithme de descente de gradient vise à corriger les erreurs selon l'importance de la contribution de chaque paramètre à celle-ci.
[0109] L'erreur d'approximation est par exemple une erreur moyenne au carré (« mean squared error » en anglais) entre les valeurs de la séquence déterminée par AE1 et les valeurs de la séquence de référence correspondante.
[0110] Les séquences de références utilisées pour l'entraînement de l'auto-encodeur AE2 sont déterminées de la même façon que la séquence Seq2 est déterminée à partir des Seql. Ainsi, chaque séquence de référence utilisée pour l'entraînement de AE2 est déterminée par sous-échantillonnage d'une séquence de référence utilisée pour l'entraînement de AE1.
[0111] L'entraînement de AE2 est similaire à l'entraînement de AE1.
[0112] Au cours d'une étape E30, des scores d'anormalité globale Al et A2 sont déterminés pour les séquences respectives Seql et Seq2.
[0113] Dans des modes de réalisation, les modules AE1 et AE2 déterminent des valeurs approximées d'une partie seulement des indicateurs d'états. Par exemple, les séquences temporelles en entrée des modules AE1 et AE2 contiennent les valeurs acquises des dix indicateurs d'états mentionnés ci-avant (les indicateurs caractérisant directement le système d'huile et les indicateurs contextuels), et les valeurs approximées correspondent aux quatre indicateurs d'états caractérisant directement le système de circulation d'huile, notamment :
- la température d'huile,
- le niveau d'huile,
- la pression d'huile, et
- la perte de charge du filtre à huile.
[0114] Par ailleurs, dans ce même exemple, les scores d'anormalité globale sont déterminés à partir de différences entre les valeurs acquises correspondant à ces quatre indicateurs d'états et les valeurs approximées correspondantes. Ainsi, dans cet exemple, les scores d'anormalité globale Al et A2 ne prennent pas en compte de valeurs d'indicateurs contextuels.
[0115] La figure 4 représente des sous-étapes de l'étape E30 selon un mode de réalisation.
[0116] Au cours d'une sous-étape E31, pour chaque élément d'un instant t de la séquence Seql, est calculée une différence rlt entre cet élément et l'élément approximé correspondant. Dans un exemple simplifié servant à titre d'illustration, la séquence Seql comporte deux éléments comportant chacun trois valeurs d'indicateurs d'états : (3 ; 4 ; 1) et (2 ; 3 ; 2). Dans cet exemple, la séquence Seql* approximée par AE1 comporte les deux éléments (3,1 ; 4,2 ; 0,8) et (2,5 ; 2,7 ; 1,9). Dans ce cas, les différences entre la séquence Seql et la séquence Seql* sont les deux éléments (- 0,1 ; -0,2 ; 0,2) et (-0,5 ; 0,3 ; 0,1).
[0117] De la même manière sont calculées les différences r2t entre la séquence Seq2 et la séquence Seq2* approximée de Seq2.
[0118] Au cours d'une sous-étape E32, à partir de chaque différence rlt (r2t) est calculé un score d'anormalité instantanée alt (a2t). Par exemple, un tel score d'anormalité instantanée est une distance de Mahalanobis. Dans ce cas, un score d'anormalité instantanée alt ou a2t est calculé par les formules suivantes :
[0119] [Math 1]
[0120] alt = (rlt - ^1)Taï1(rlt - n
[0121] [Math 2]
[0122] a2t = (r2t - n2)Tc>21 (r2t - n2) [0123] Où Hi est une différence moyenne et aï1 est l'inverse d'une matrice de covariance a1. Si une différence rlt comporte une seule valeur, comporte une unique valeur et a1. comporte également une unique valeur. Si une différence est un vecteur comportant plusieurs valeurs, est un vecteur avec autant de valeurs. Le paramètre Hi peut être déterminé en calculant, avec l'auto-encodeur AE1 entraîné, une moyenne de différences calculées à partir de séquences de référence et de séquences approximées par AE1 à partir de ces séquences de références. De la même façon, la matrice de covariance peut être déterminée à partir des covariances entre des valeurs de référence et des valeurs approximées par AE1.
[0124] De la même façon, les paramètres n2 et a2 sont des paramètres de moyenne et de covariance déterminés à partir de l'auto-encodeur AE2 entraîné.
[0125] L'invention n'est pas limitée au choix d'une distance de Mahalanobis. Par exemple, dans un autre mode de réalisation, un score d'anormalité instantanée correspondant à un instant t est une moyenne des valeurs absolues des valeurs de différence rlt ou r2t.
[0126] Au cours d'une sous-étape E33 sont déterminés les scores d'anormalité globale Al et A2, à partir des séquences de scores d'anormalité instantanée alt et a2t.
[0127] Dans le mode de réalisation illustré sur la figure 4, un score d'anormalité globale Al (A2) est une somme St ait (Et a2t) sur des scores d'anormalité instantanée alt (a2t).
[0128] Dans un mode de réalisation, un score d'anormalité Al (A2) est la somme des scores d'anormalité instantanée alt (a2t) qui sont supérieurs à un seuil S2 fixé. Ce seuil S2 peut être déterminé comme un quantile d'un ensemble de scores d'anormalité instantanée calculés à partir d'un ensemble de séquences de référence avec le module AE1 (AE2). Par exemple, ce seuil S2 peut être égal au 99eme quantile de cet ensemble de scores d'anormalité instantanée.
[0129] Il est à souligner que dans des modes de réalisations, des valeurs de seuil S2 et S2' différentes peuvent être choisies pour les scores alt déterminés à partir de l'autoencodeur AE1 et pour les scores a2t déterminés à partir de l'auto-encodeur AE2.
[0130] Dans un mode de réalisation, seul les intervalles de plus de N scores d'anormalité instantanée supérieurs au seuil S2 sont pris en compte dans la somme qui détermine le score d'anormalité globale Al (A2), où N est un nombre fixé. [0131] Dans des modes de réalisation, seul les intervalles de plus de N scores d'anormalité instantanée supérieurs au seuil S2 sont pris en compte dans la somme qui détermine le score d'anormalité globale Al, et seul les intervalles de plus de N' scores d'anormalité instantanée supérieurs au seuil S2' sont pris en compte dans la somme qui détermine le score d'anormalité globale A2, N et N' étant des nombres fixés indépendamment pour chaque auto-encodeur AE1 et AE2. Par exemple N peut être choisi égal à 1 afin de détecter des anomalies ponctuelles, et N' égal à 2 pour pouvoir détecter des anomalies non ponctuelles.
[0132] Au cours d'une étape E40, chaque score d'anormalité globale Al et A2 est comparé avec un seuil SI. Ce seuil est par exemple égal au 98eme quantile d'un ensemble de scores d'anormalité globale déterminés à partir d'un ensemble de séquences de référence avec les modules AE1 et AE2.
[0133] Dans des modes de réalisation, les scores d'anormalité globale Al et A2 sont comparés respectivement avec des seuils SI et SI' distincts. Par exemple, SI est égal au 98eme quantile d'un ensemble de scores d'anormalité globale déterminés à partir d'un ensemble de séquences de référence avec le module AE1, et SI' est égal au 98eme quantile d'un ensemble de scores d'anormalité globale déterminés à partir d'un ensemble de séquences de référence avec le module AE2.
[0134] Dans un mode de réalisation, si le score d'anormalité Al est supérieur au seuil SI, ou si le score A2 est supérieur au seuil SI', alors l'anomalie est détectée.
[0135] Il est à noter que les seuils SI et S2 ainsi que le nombre N (ainsi que SI', S2' et N7), mentionnés ci-avant, sont des paramètres pouvant être choisis de façon à optimiser la détection d'anomalie sur un ensemble de séquence de références.
[0136] Par exemple, ces séquences de références peuvent comporter des séquences correspondant à des vols sans dysfonctionnement détecté, et des vols sur lesquels ont été détectés des dysfonctionnements, par exemple avec des méthodes conventionnelles. Dans ce cas, les paramètres SI, S2 et N peuvent être choisis de sorte à minimiser conjointement le nombre de faux positifs et le nombre de faux négatifs dans la détection d'anomalie à partir de ces séquences de référence. Dans cet exemple, un faux positif correspond à la détection d'une anomalie (un score d'anormalité globale est supérieur au seuil SI) sur une séquence de référence alors que cette séquence correspond à un vol sans dysfonctionnement. A l'inverse, un faux négatif correspond à la non détection d'anomalie (le score d'anormalité globale est inférieur au seuil SI) sur une séquence de référence correspondant à un vol présentant un dysfonctionnement.
[0137] Au cours d'une étape E50, les indicateurs d'états causant une anomalie qui a été détecté au cours de l'étape E40 sont identifiés.
[0138] Par exemple, au cours de cette étape, les instants auxquels les scores d'anormalité instantanée sont supérieurs au seuil S2 sont identifiés. Pour ces instants ainsi identifiés, sont ensuite identifiés les indicateurs d'états pour lesquels les différences rlt et r2t entre les valeurs acquises et les valeurs approximées sont les plus grandes. Ainsi, le ou les indicateurs d'états dont les valeurs approximées s'écartent le plus des valeurs acquises représentent l'état responsable de l'anomalie.
[0139] Les figures 6A et 6B illustrent un exemple où des variations anormales du niveau d'huile est la cause de l'anomalie.
[0140] La figure 6A représente des scores d'anormalité instantanée au cours du temps, ainsi que le seuil S2 représenté par une ligne horizontale. Entre les pas de temps 2200 et 3200, les scores d'anormalité instantanée sont supérieurs au seuil S2.
[0141] La figure 6B représente les différences au cours du temps entre les valeurs acquises de niveau d'huile et les valeurs approximées correspondantes. Entre les pas de temps 2200 et 3200, les valeurs approximées du niveau d'huile s'écartent fortement des valeurs acquises, ce qui indique que le niveau d'huile est responsable de l'anomalie, autrement dit, que l'évolution du niveau d'huile au cours de ce vol est anormale.
[0142] La figure 2 représente l'architecture fonctionnelle d'un dispositif DA de détection d'anomalie configuré pour mettre en œuvre les étapes du procédé de détection d'anomalie représenté sur la figure 1. Le dispositif DA comporte :
- un module M10 pour mettre en œuvre l'étape E10 d'acquisition des séquences de valeurs d'indicateurs d'états Seql et Seq2 ;
- un module M20 pour mettre en œuvre l'étape E20 de détermination des séquences de valeurs approximées Seql* et Seq2*, ce module comportant les modules d'approximation AE1 et AE2 décrits précédemment ;
- un module M30 pour mettre en œuvre l'étape E30 des scores Al et A2 d'anormalité globale pour les séquences Seql et Seq2 ;
- un module M40 pour mettre en œuvre l'étape E40 de détection d'une anomalie de fonctionnement ; et
- un module M50 pour mettre en œuvre l'étape E50 d'identification des états causant l'anomalie.
[0143] La figure 7 représente l'architecture matérielle d'un dispositif de détection d'anomalie DA conforme à un mode particulier de réalisation de l'invention.
[0144] Dans le mode de réalisation décrit ici, le dispositif DA dispose d'une architecture matérielle d'un ordinateur. Il comprend notamment un processeur Dl, une mémoire morte D2, une mémoire vive D3, une mémoire non volatile réinscriptible D4 et des moyens de communication D5. [0145] La mémoire morte D2 du dispositif DA constitue un support d'enregistrement conforme à l'invention, lisible par le processeur Dl et sur lequel est enregistré un programme d'ordinateur PGI conforme à l'invention, ce programme comportant des instructions pour l'exécution des étapes d'un procédé de détection d'anomalie selon l'invention décrit précédemment en référence à la figure 1. [0146] Le programme d'ordinateur PGI définit des modules fonctionnels du dispositif DA représenté sur la figure 2.

Claims

Revendications
[Revendication 1] Procédé de détection d'anomalie de fonctionnement par rapport à des valeurs de référence, d'au moins un composant d'un aéronef associé à au moins un indicateur d'état, ledit procédé comportant, pour au moins deux séquences temporelles acquises (Seql, Seq2), chacune comportant des valeurs acquises successives dudit au moins un indicateur à différents instants au cours d'un fonctionnement dudit au moins un composant, des étapes de :
- détermination (E20), pour chacune des séquences temporelles acquises, d'une séquence temporelle approximée (Seql*, Seq2*) comportant des valeurs approximées desdites valeurs acquises auxdits instants pour cette séquence temporelle acquise, l'approximation étant effectuée par un module d'approximation (AE1, AE2) ;
- détermination (E30), pour chacune desdites séquences temporelles acquises (Seql, Seq2), d'un score (Al, A2) d'anormalité globale à partir de différences entre lesdites valeurs acquises (Seql, Seq2) et lesdites valeurs approximées (Seql*, Seq2*) pour cette séquence temporelle acquise ; et
- détection (E40), pour chacune desdites séquences temporelles acquises, d'une anomalie de fonctionnement dudit composant en fonction d'une comparaison dudit score d'anormalité globale déterminé pour cette séquence avec un premier seuil, ledit module d'approximation (AE1, AE2) étant préalablement configuré pour minimiser des erreurs d'approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d'approximation entre desdites valeurs acquises (Seql, Seq2) et desdites valeurs approximées (Seql*, Seq2*) sont plus importantes si les valeurs acquises sont représentatives d'un fonctionnement anormal, ladite deuxième séquence temporelle acquise (Seq2) étant déterminée par sous-échantillonnage de ladite première séquence temporelle acquise (Seql), une dite séquence temporelle approximée (Seql*, Seq2*) à partir d'une dite séquence acquise (Seql, Seq2) étant déterminée par un dit module d'approximation (AE1, AE2) configuré à partir de séquences temporelles de référence de même fréquence d'échantillonnage que cette séquence acquise (Seql, Seq2).
[Revendication 2] Procédé selon la revendication 1 dans lequel chaque valeur de ladite deuxième séquence temporelle est une moyenne sur un intervalle de valeurs de ladite première séquence temporelle, deux valeurs consécutives de ladite deuxième séquence étant déterminées respectivement à partir de deux intervalles contigus de ladite première séquence.
[Revendication 3] Procédé selon la revendication 1 ou 2 comportant un traitement desdites première et deuxième séquences temporelles avant d'être fournies en entrée de leurs modules d'approximation, par exemple un filtrage ou un lissage de ces séquences.
[Revendication 4] Procédé selon l'une des revendications 1 à 3 dans lequel un dit module d'approximation (AE1, AE2) est obtenu par un algorithme d'apprentissage machine à partir desdites séquences temporelles de référence.
[Revendication 5] Procédé selon la revendication 4 dans lequel un dit module d'approximation (AE1, AE2) est un réseau de neurones artificiels comportant un encodeur et un décodeur,
- un dit encodeur déterminant une séquence compressée à partir d'une dite séquence temporelle fournie en entrée du réseau de neurones, ladite séquence temporelle compressée étant de taille inférieure à ladite séquence temporelle fournie en entrée,
- un dit décodeur effectuant une reconstruction à partir de la séquence compressée pour obtenir en sortie du réseau de neurones une dite séquence temporelle approximée.
[Revendication 6] Procédé selon l'une des revendications 1 à 5 dans lequel l'étape de détermination (E30) d'un score (Al, A2) d'anormalité globale comporte, pour chacune des une ou plusieurs séquences temporelles, des sous-étapes de :
- détermination (E31) d'une séquence de scores d'anormalité instantanée, un dit score d'anormalité instantanée (alt, a2t) étant obtenu (E32), pour un dit instant, à partir de la différence (rlt, r2t) entre la valeur acquise (Seql, Seq2) et la valeur approximée (Seql*, Seq2*) de cet instant ;
-ledit score d'anormalité globale étant obtenu (E33) à partir d'une somme d'au moins certains dits scores d'anormalité instantanée.
[Revendication 7] Procédé selon la revendication 6 dans lequel :
- ladite somme est une somme d'un sous-ensemble de dits scores d'anormalité instantanée supérieurs à un deuxième seuil (S2) ; et
- le calcul dudit score d'anormalité globale ne prend en compte le score d'anormalité instantanée d'un instant que si cet instant est dans une série consécutive d'instants pour lesquels tous les scores d'anormalité instantanée sont supérieurs au dit deuxième seuil, une dite série consécutive comportant un nombre d'instants supérieur à un nombre fixé.
[Revendication 8] Procédé selon l'une des revendications 6 ou 7 dans lequel ladite somme comprend des scores d'anormalité instantanée dans un intervalle de temps débutant après une phase de début de fonctionnement desdits un ou plusieurs composants et se terminant avant une phase de fin de fonctionnement desdits un ou plusieurs composants.
[Revendication 9] Procédé selon l'une des revendications 1 à 8 dans lequel ledit composant est un système de circulation d'huile et ledit au moins un indicateur d'état appartient à au moins une des catégories suivantes :
- niveau d'huile ;
- température de l'huile ;
- pression de l'huile ;
- perte de charge du filtre à huile ;
- vitesse de rotation d'une turbine dudit aéronef ;
- pression ambiante ;
- température ambiante ;
- débit de carburant ;
- position d'une vanne contrôlant le retour de carburant au réservoir.
[Revendication 10] Procédé selon l'une des revendications 1 à 9 comportant une étape d'identification (E50) des états causant l'anomalie.
[Revendication 11] Dispositif (DA) de détection d'anomalie de fonctionnement par rapport à des valeurs de référence, d'au moins un composant d'un aéronef associé à au moins un indicateur d'état, ledit dispositif comportant, pour au moins deux séquences temporelles acquises (Seql, Seq2), chacune comportant des valeurs acquises successives dudit au moins un indicateur à différents instants au cours d'un fonctionnement dudit au moins un composant :
- un module de détermination (M20), pour chacune desdites séquences temporelles acquises, d'une séquence temporelle approximée (Seql*, Seq2*) comportant des valeurs approximées desdites valeurs acquises auxdits instants pour cette séquence temporelle acquise, l'approximation étant effectuée par un module d'approximation (AE1, AE2) ;
- un module de détermination (M30) pour chacune desdites séquences temporelles acquises (Seql, Seq2), d'un score (Al, A2) d'anormalité globale à partir de différences entre lesdites valeurs acquises (Seql, Seq2) et lesdites valeurs approximées (Seql*, Seq2*) pour cette séquence temporelle acquise ; et
- un module de détection (M40) ), pour chacune desdites séquences temporelles acquises, d'une anomalie de fonctionnement dudit composant en fonction d'une comparaison dudit score d'anormalité globale déterminé pour cette séquence, avec un premier seuil, ledit module d'approximation (AE1, AE2) étant préalablement configuré pour minimiser des erreurs d'approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d'approximation entre desdites valeurs acquises (Seql, Seq2) et desdites valeurs approximées (Seql*, Seq2*) sont plus importantes si les valeurs acquises sont représentatives d'un fonctionnement anormal, ladite deuxième séquence temporelle acquise (Seq2) étant déterminée par sous-échantillonnage de ladite première séquence temporelle acquise (Seql), une dite séquence temporelle approximée (Seql*, Seq2*) à partir d'une dite séquence acquise (Seql, Seq2) étant déterminée par un dit module d'approximation (AE1, AE2) configuré à partir de séquences temporelles de référence de même fréquence d'échantillonnage que cette séquence acquise (Seql, Seq2).
[Revendication 12] Programme d'ordinateur (PGI) comportant des instructions pour la mise en œuvre des étapes d'un procédé selon l'une quelconque des revendications 1 à 10, lorsque ledit programme d'ordinateur est exécuté par un processeur.
[Revendication 13] Support d'enregistrement (D2) lisible par un ordinateur et sur lequel est enregistré un programme d'ordinateur (PGI) selon la revendication
12.
EP23786637.1A 2022-09-22 2023-09-22 Procede et dispositif de detection d'anomalie de fonctionnement d'un aeronef Pending EP4591183A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2209635A FR3140185B1 (fr) 2022-09-22 2022-09-22 Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef
PCT/FR2023/051455 WO2024062204A1 (fr) 2022-09-22 2023-09-22 Procede et dispositif de detection d'anomalie de fonctionnement d'un aeronef

Publications (1)

Publication Number Publication Date
EP4591183A1 true EP4591183A1 (fr) 2025-07-30

Family

ID=84359897

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23786637.1A Pending EP4591183A1 (fr) 2022-09-22 2023-09-22 Procede et dispositif de detection d'anomalie de fonctionnement d'un aeronef

Country Status (6)

Country Link
US (1) US20260097861A1 (fr)
EP (1) EP4591183A1 (fr)
CN (1) CN120188157A (fr)
CA (1) CA3268304A1 (fr)
FR (1) FR3140185B1 (fr)
WO (1) WO2024062204A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12560280B2 (en) 2024-05-24 2026-02-24 Pratt & Whitney Canada Corp. Engine oil system for an aircraft propulsion system and method for controlling same

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7017861B2 (ja) * 2017-03-23 2022-02-09 株式会社日立製作所 異常検知システムおよび異常検知方法

Also Published As

Publication number Publication date
US20260097861A1 (en) 2026-04-09
CA3268304A1 (fr) 2024-03-28
FR3140185B1 (fr) 2024-12-20
WO2024062204A1 (fr) 2024-03-28
FR3140185A1 (fr) 2024-03-29
CN120188157A (zh) 2025-06-20

Similar Documents

Publication Publication Date Title
EP3039497B1 (fr) Surveillance d'un moteur d'aéronef pour anticiper les opérations de maintenance
EP2368161B1 (fr) Detection d'anomalie dans un moteur d'aeronef
EP2561193B1 (fr) Procede et systeme de surveillance du niveau d'huile contenue dans un reservoir d'un moteur d'aeronef
EP3250974B1 (fr) Procédé, système et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine
EP3059682B1 (fr) Systeme de traitement de donnees et de modelisation pour l'analyse de la consommation energetique d'un site
FR2939924A1 (fr) Identification de defaillances dans un moteur d'aeronef
FR2816078A1 (fr) Procede de monitorage d'un systeme d'exploitation utilisant des distributions empiriques et des normes de distribution cumulatives
EP2966526A1 (fr) Procédé et système de fusion d'indicateurs de surveillance d'un dispositif
FR3035232A1 (fr) Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe
CA2966306A1 (fr) Outil de validation d'un systeme de surveillance d'un moteur d'aeronef
EP4591183A1 (fr) Procede et dispositif de detection d'anomalie de fonctionnement d'un aeronef
FR2983528A1 (fr) Methode de surveillance d'une chaine de mesure d'un turboreacteur
CA2918215C (fr) Procede d'estimation sur une courbe d'un point pertinent pour la detection d'anomalie d'un moteur et systeme de traitement de donnees pour sa mise en oeuvre
EP4042007B1 (fr) Dispositif, procédé et programme d'ordinateur de suivi de moteur d'aéronef
EP3066445B1 (fr) Procédé d'essai technique
FR3003986A1 (fr) Procede de detection et de prise en compte d'un changement abrupt d'au moins un indicateur de surveillance d'un dispositif.
EP4523139B1 (fr) Procédé de détection d'une anomalie dans un système d'un aeronef
FR3030624A1 (fr) Procede et dispositif d'obtention d'une pression differentielle de reference d'un fluide traversant un filtre d'un moteur d'aeronef
FR3150290A1 (fr) Procédé et dispositif de suivi d’un état d’un moteur d’un aéronef et programme d’ordinateur associé
FR3120145A1 (fr) Procédé d’évaluation de l’usure d’une pièce d’une turbomachine
FR3140946A1 (fr) Procédé de détection d’un mode de fonctionnement d’une machine tournante, notamment pour un aéronef en cours de vol
EP4339107A1 (fr) Procede de detection de dysfonctionnement subi par un generateur d'entrainement integre, dans un aeronef
WO2024218111A1 (fr) Localisation de fuite de carburant dans un système à carburant
FR3155903A1 (fr) Méthode et dispositif pour générer un passeport numérique d’une cellule de batterie Lithium-Ion
EP4449218A1 (fr) Procede, dispositif, programme produit d'ordinateur et support d'enregistrement comportant ledit programme pour la detection d'une anomalie dans un systeme mecanique ou electromecanique

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250402

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)