EP4689823A1 - Procede et systeme de determination d'un composant defaillant d'un aeronef - Google Patents

Procede et systeme de determination d'un composant defaillant d'un aeronef

Info

Publication number
EP4689823A1
EP4689823A1 EP24721721.9A EP24721721A EP4689823A1 EP 4689823 A1 EP4689823 A1 EP 4689823A1 EP 24721721 A EP24721721 A EP 24721721A EP 4689823 A1 EP4689823 A1 EP 4689823A1
Authority
EP
European Patent Office
Prior art keywords
aircraft
data
module
symptom
failure
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
EP24721721.9A
Other languages
German (de)
English (en)
Inventor
Francis Antoine Christophe DELANGUE
Heidi Sarah BRATHIER
Kévin Pierre Jean GALLI
Mathias GAUTIER
Armand Dariouche ALIMARDANI
François Maurice Marcel DEMAISON
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 EP4689823A1 publication Critical patent/EP4689823A1/fr
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Definitions

  • the present invention relates to the general field of aeronautics.
  • an aircraft is a complex system made up of a certain number of hardware or software components (computer, sensors, etc.) and that these are likely to be faulty.
  • the operator under wing follows a diagnostic scenario comprising a linear list of instructions, for example presented in the form of a fault-finding flowchart in a maintenance document in paper or digital form.
  • These maintenance documents have a very long update cycle, and 20 are published approximately twice a year.
  • an operator on the wing may assume that a sensor is faulty, remove the sensor, and send it to a shop for repair.
  • a shop for repair By analyzing the supposedly faulty sensor in the workshop, it can be determined that the sensor is operating normally and that the real cause of the failure is in fact an electronic card configured to process the data measured by the sensor.
  • the invention aims to overcome at least some of these drawbacks by proposing a failure determination system which allows the on-wing operator to better identify the real cause of a failure of an aircraft, consequently the component(s) to be removed, so as in particular to improve the reliability indicator NFF.
  • the present invention responds in particular to this need by proposing a digital system for determining at least one faulty component of an aircraft, this system comprising:
  • a first module for determining at least one first symptom of the aircraft from status data collected under the wing;
  • a second module for determining at least one second symptom of the aircraft from degradation data representative of an abnormal variation in flight data; - a module for determining probabilities of failure of a plurality of components of the aircraft from said at least one first and second symptom, this module comprising a Bayesian network trained from a knowledge base comprising data produced by a natural language processing module configured to process aircraft maintenance reports,
  • - a module configured to signal at least one faulty component among said plurality of components according to said probabilities.
  • the invention relates to a method for determining at least one faulty component of an aircraft, this method implemented by computer comprising the following steps:
  • the digital system determines the faulty components using both “status data” and “degradation data”.
  • Status data represent a state of the aircraft. This data can be collected by an operator (or by a robot), for example with measuring equipment, operating close to the aircraft, i.e. "under the wing". It is for example sent back by a human-machine interface via alarms or fault messages. It can sometimes be directly determined or observed by the operator, when the latter detects a noise or odor characteristic of a malfunction.
  • degradation data, or behavioral data are data that represent a trend, or an abnormal variation in flight data. They can be determined for example:
  • the status data as well as the behavioral data are used to determine symptoms (first and second symptoms within the meaning of the invention) which are processed in the same way by the module for determining component failure probabilities.
  • the determination of the probabilities of failure of the components of the aircraft uses a Bayesian network trained from a knowledge base comprising data produced by a natural language processing module configured to process aircraft maintenance reports.
  • said at least one second symptom is a signature determined from one or more indicators positioned when the second determination module detects behavioral data representative of a trend of degradation of the operation of at least one component of the aircraft.
  • a signature can be determined from an indicator representative of a degradation of a first component and an indicator representative of a degradation of a second component, these components possibly being included in different subsystems of the aircraft.
  • This embodiment advantageously makes it possible to model symptoms that result from interactions between subsystems of the aircraft, even when these interactions are difficult to understand or model.
  • the mechanical vibrations of a rotating assembly can generate vibrations and degrade equipment of another system that is not directly related to the rotating system.
  • the invention also relates to a method and a device for training a Bayesian network which can be used in a system according to the invention.
  • the invention also aims at a method for training a Bayesian network intended to be implemented by a module 20 configured to determine probabilities of failure of a plurality of components of an aircraft from at least a first and at least a second symptoms of the aircraft, said Bayesian network being trained from a knowledge base comprising data produced by a natural language processing module configured to process aircraft maintenance reports, in which:
  • said at least one first symptom of the aircraft is determined from condition data collected under wing;
  • said at least one second symptom of the aircraft is determined from degradation data representative of an abnormal variation in flight data.
  • the invention also relates to a device for training a Bayesian network intended to be implemented by a module configured to determine probabilities of failure of a plurality of components of a aircraft from at least a first and a second aircraft symptom, said Bayesian network being trained from a knowledge base comprising data produced by a natural language processing module configured to process aircraft maintenance reports, wherein: - said at least one first aircraft symptom is determined from condition data collected under wing; and
  • said at least one second symptom of the aircraft is determined from degradation data representative of an abnormal variation in flight data.
  • the natural language processing module used in the invention is a module of the training device.
  • this natural language processing module takes as input texts extracted from aircraft maintenance reports and produces as output labels which constitute structured information used by an enrichment module to enrich the knowledge base.
  • the knowledge base comprises records which associate symptoms with failures. The natural language processing module produces:
  • At least one first label representing at least one of flight data, status data, behavioral data and/or symptoms
  • the knowledge base enrichment module is configured to enrich the knowledge base with at least one record comprising: (i) at least one symptom identified from a first label, associated with
  • the different steps of the method for determining faulty components and the main steps of the method for training the Bayesian network are determined by computer program instructions.
  • the invention also relates to a computer program on an information medium, this program being capable of being implemented in a computer, this program comprising instructions adapted to the implementation of the steps of a method as described above.
  • This 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.
  • the invention also relates to an information medium readable by a computer, and comprising instructions of a computer program as mentioned above.
  • the information medium can be any entity or device capable of storing the program.
  • the medium can comprise a storage means, such as a ROM, for example a CD ROM or a microelectronic circuit ROM, or a magnetic recording means, for example a hard disk.
  • the information carrier may be a transmissible carrier such as an electrical or optical signal, which may be conveyed via an electrical or optical cable, by radio or by other means.
  • the program according to the invention may in particular be downloaded from a network such as the Internet.
  • the information carrier may be an integrated circuit in
  • the circuit being adapted to execute or to be used in the execution of the method in question.
  • Figure 1 shows a system for determining faulty components according to the invention
  • Figure 2 represents the hardware architecture of a terminal conforming to a particular embodiment of the invention
  • Figure 3 represents the hardware architecture of a training device according to a particular embodiment of the invention
  • Figure 4 represents, in the form of a flowchart, the main steps of a training method according to the invention.
  • Figure 5 represents, in the form of a flowchart, the main steps of a method for determining faulty components according to the invention.
  • Figure 1 represents a digital system SYS for determining faulty components according to an embodiment of the invention.
  • This system includes a first MDSi module for determining initial symptoms.
  • the first MDSi symptom determination module may be a module integrated into a TRM terminal of the OP operator.
  • the TRM terminal is configured to interface with a BDT base of test scenarios, which includes tests T1, T2, T3 to be performed for a predetermined fault detection SDP scenario.
  • each test T1, T2, T3 allows the determination (for example by calculation or by measurement) of one or more state data DE k .
  • the first symptoms S 1 i can be obtained from a database BDS which associates at least one first symptom S 1 i with a combination of at least one state data DE k .
  • a database BDS which associates at least one first symptom S 1 i with a combination of at least one state data DE k .
  • the state data DE k are for example the result of observations by the operator (odor, part inspection, etc.), results of measurements carried out by the operator under wing, or data obtained by the operator, for example data provided from a CALC computer of the aircraft to the TRM terminal via a
  • the system SYS comprises a second module MDS 2 for determining symptoms S 2 i, from behavior data DCk representative of a trend of degradation of the operation of at least one component of the aircraft. io[OO5O]
  • this second module MDS 2 is a module of the CALC computer of the aircraft.
  • At least one symptom S 2 determined by the second symptom determination module MDS 2 consists of a fault signature SIG calculated from the behavior data DC k .
  • the second symptom determination module MDS 2 comprises at least one processing module MTi configured to process flight data DV made available by sensors or by electronic systems of the engines or of the aircraft and to position indicators INDi when they detect data DC k of
  • Such a processing module MTi is for example configured to follow a trend of flight data over a given period or to detect a shape in a representation of this flight data.
  • the second symptom determination module MDS 2 generates a signature SIG from these indicators IN Di and this signature SIG is treated as a symptom S 2 i in the same way as the symptoms S 1 i determined by the first symptom determination module MDSi from the state data DE k .
  • the second MDS 2 symptom determination module comprises LOG logic configured to generate:
  • the SYS system includes an MDPD module for determining the probability of failure from:
  • the MDPD failure probability determination module uses a Bayesian network RB.
  • the Bayesian network RB model dynamically updates the probabilities associated with each branch of a decision tree, and thus directs the diagnosis towards identifying the root cause of the breakdown.
  • the symptoms and failures included in the knowledge base constitute the training data of the Bayesian network.
  • the network is trained to predict, during a network inference, failures from symptoms provided at the network input, for example determined under wing.
  • the probabilities of the Bayesian network are updated to represent the probability of the symptoms causing a given failure, and this for each of the failures, using the associations between the symptoms and the failures of the knowledge base.
  • the Bayesian network learns as it is used and as the knowledge acquired during maintenance actions in search of faults increases.
  • the MDPD failure probability determination module is integrated into the operator's TRM terminal.
  • This Bayesian network RB is configured to determine, from the first and second symptoms, the probability of a failure Dj.
  • a failure Dj can be:
  • this Bayesian network RB is trained from a knowledge base BC which comprises records, each associating, with at least one symptom S, a failure D.
  • This knowledge base BC is for example initialized from theoretical data from the AMDEC (Failure Modes, Effects and Criticality Analysis) of the different components.
  • This knowledge base BC can also be enriched by feedback from the use of the digital system SYS. For example, if it is detected that combinations of first symptoms S 1 i and second symptoms S 2 i particular determined by the computer CAL from behavioral data DCk are representative of a failure D k , the knowledge base BC can be updated with this new teaching to retrain the Bayesian network RB.
  • this knowledge base BC comprises records from feedback determined by a natural language analysis of documents dealing with real causes of failure.
  • the SYS system comprises a DENT training module that comprises the natural language processing (NLP) MNLP module.
  • NLP natural language processing
  • io[OO72] These documents include, for example, maintenance or troubleshooting reports provided by airlines. In practice, for a given airline, the number of these reports can be very high, for example several thousand per month. They are most often written in human language: the operator describes a situation and details the actions
  • the invention advantageously makes it possible to automatically process these reports to enrich the knowledge base BC of the Bayesian network RB.
  • the natural language processing module MNLP is configured to receive unstructured DNS documents 20 as input and to provide relevant information structured in the form of LAB labels as output, used to feed the feedback data REX of the knowledge base BC used for training the Bayesian network RB.
  • the MNLP natural language processing module uses an NLP learning model.
  • NLP learning model In a known manner, the
  • the DENT training device of the SYS system comprises a MEBC module for enriching the knowledge base with at least one record comprising:
  • the MEBC knowledge base enrichment module uses:
  • the second MDS 2 module for determining second symptoms to identify second symptoms from first LABj labels representing flight or behavior data.
  • the MEBC knowledge base enrichment module if the MNLP natural language processing module produces a first label “DE 2 ” (representative of a state data) and a second label “D5” (representative of a failure) from the unstructured information included in the maintenance reports, the MEBC knowledge base enrichment module:
  • NLP model includes for example:
  • the SYS system comprises an MSAC module configured to signal at least one faulty component among the plurality of components of the aircraft according to the failure probabilities calculated by the MDPD module, and to propose an appropriate corrective action.
  • the operator can carry out a corrective action Cj proposed by the digital system to be carried out under wing, for example the removal of a component to be sent to the workshop for analysis and repair.
  • the MSAC component fault reporting module is integrated into the operator's TRM terminal.
  • the MSAC module can signal to the operator that the sensor is faulty and propose a corrective action Ci consisting of replacing the sensor.
  • the system for determining at least one faulty aircraft component is implemented in a TRM terminal.
  • this TRM terminal has the hardware architecture of a computer. It comprises a processor 10A, a random access memory 10B, a read only memory 10C, a non-volatile flash memory 10D, input/output means 10E as well as communication means 10F.
  • These communication means 10F in particular allow the TRM terminal 10 to obtain status data DE k from the aircraft's CALC computer, or from externally configured measuring devices to carry out under-wing tests.
  • the second module MDS 2 for determining at least one second symptom S 2 i is integrated into the terminal TRM.
  • This module is configured to obtain flight data DV of the aircraft, and to determine at least one second symptom S 2 i. at least one SIG failure signature from DC k degradation data representative of an abnormal variation in this flight data.
  • the read-only memory 10C constitutes a recording medium in accordance with the invention, readable by the processor 10A and on which is recorded a computer program PROG T in accordance with the invention, comprising instructions for executing the steps of a method for determining at least one faulty aircraft component according to the invention and which will be described with reference to FIG. 5.
  • This computer program PROGT defines functional and software modules configured here to implement the steps of the determination method according to the invention. These functional modules rely on or control the hardware elements 10A to 10D of the TRM terminal. They include in particular:
  • a first MDSi module for determining at least one first symptom S 1 i of the aircraft from state data DE k collected under the wing;
  • the second MDS 2 module for determining at least one second symptom S 2 i of the aircraft
  • an MDPD module for determining probabilities of failure of a plurality of components of the aircraft from at least a first and second symptom, this module comprising a Bayesian network RB trained from a knowledge base BC comprising data produced by a natural language processing module configured to process aircraft maintenance reports, and
  • an MSAC module configured to signal at least one faulty component among said plurality of components based on said probabilities.
  • FIG. 3 shows the hardware architecture of a DENT drive device according to the invention.
  • This device has the hardware architecture of a computer and comprises a processor 20A, a random access memory 20B, a read only memory 20C, a non-volatile flash memory 20D, input/output means 20E as well as communication means 20F.
  • the read-only memory 20C of the training device constitutes a recording medium in accordance with the invention, readable by the processor 20A and on which is recorded a computer program PROG E in accordance with the invention, comprising instructions for executing the steps of a training method in accordance with the invention and which will be described with reference to FIG. 4.
  • This DENT device is configured to enrich the knowledge base BC used for training the Bayesian network RB used by the MDPD module to determine the probabilities of failure of a plurality of components of the aircraft.
  • the computer program PROGE defines functional and software modules configured here to implement the steps of the training method according to the invention. These functional modules rely on or control the hardware elements 20A to 20E of the DENT training device.
  • They include in particular a natural language processing module MNLP configured to process aircraft maintenance reports DNS and produce relevant structured information IS which feeds the feedback data REX of the knowledge base BC used for training the Bayesian network RB.
  • MNLP natural language processing module
  • this structured information consists of: (i) first labels representing information among flight data, status data, behavior data and/or symptoms; and (ii) second labels representing failures.
  • the functional modules of the DENT device comprise an MEBC enrichment module configured to enrich the BC knowledge base with at least one record comprising:
  • the MEBC module determines at least some of these symptoms by using the BDS symptom database to identify first symptoms from first LAB labels, representative of state data and/or the second MDS 2 second symptom determination module to identify second symptoms from first LAB labels, representing flight or behavior data.
  • Figure 4 shows the main steps of a training method according to the invention. [0101] It comprises a step E10 of analyzing aircraft maintenance reports by a natural language processing method to produce structured data in the form of LABj labels.
  • these LAB labels represent: - information among flight data, status data, behavior data and/or symptoms;
  • the training method comprises a step E20 for enriching the knowledge base BC of the Bayesian network RB from:
  • the training method comprises a step E30 of training the Bayesian network RB from this knowledge base so as to update the probabilities of this network to improve the diagnosis of identification of the root cause of the breakdown thanks to this structured information obtained by NLP processing of the unstructured information contained in the maintenance and troubleshooting reports.
  • Figure 5 shows the main steps of a method for determining faulty components in accordance with the invention. [0106] It comprises:
  • step F30 of determining probabilities of failure of a plurality of components of the aircraft from at least a first and second symptom, this determination step using a Bayesian network RB trained from a knowledge base BC comprising data produced by a natural language processing module configured to process aircraft maintenance reports, - a step F40 of reporting at least one faulty component among said plurality of components according to said probabilities.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Hardware Redundancy (AREA)

Abstract

Ce système numérique permet de déterminer au moins un composant défaillant d'un aéronef. Il comporte : - un premier module (MDS1) de détermination d'au moins un premier symptôme (S1 i) de l'aéronef à partir de données d'état (DEk) collectées sous aile; - un deuxième module (MDS2) de détermination d'au moins un deuxième symptôme (S2 i) de l'aéronef à partir de données de dégradation (DCk) représentatives d'une variation anormale de données de vols; - un module (MDPD) de détermination de probabilités de défaillance d'une pluralité de composants de l'aéronef à partir desdits au moins un premier et deuxième symptômes, ce module comportant un réseau bayésien (BR) entraîné à partir d'une base de connaissance (BC) comprenant des données produites par un module (MNLP) de traitement du langage naturel configuré pour traiter des rapports de maintenance d'aéronefs, - un module (MSAC) configuré pour signaler au moins un composant défaillant parmi ladite pluralité de composants en fonction desdites probabilités.

Description

Description
Titre de l'invention : Procédé et système de détermination d'un composant défaillant d'un aéronef
5
Technique antérieure
[0001] La présente invention se rapporte au domaine général de l’aéronautique.
[0002] Elle concerne plus particulièrement un procédé et un système d’aide à la décision pour identifier les composants défaillants d’un aéronef. io[OOO3] On peut considérer qu’un aéronef est un système complexe constitué d’un certain nombre de composants matériels ou logiciels (calculateur, capteurs, ...) et que ceux-ci sont susceptibles d’être défaillants.
[0004] Lorsqu’une panne est supposée, il est fréquent qu’un opérateur se déplace à proximité de l’aéronef (on dit aussi « sous aile ») pour effectuer des tests afin
15 d’essayer de déterminer le ou les composants défaillants à l’origine de la panne.
[0005] En pratique, l’opérateur sous aile suit un scénario de diagnostic comportant une liste linéaire d’instructions, par exemple présentée sous forme de logigramme de recherche de panne dans un document de maintenance sous forme papier ou numérique. Ces documents de maintenance ont un cycle de mise à jour très long, et 20 sont publiés environ deux fois par an.
[0006] Lorsque l’opérateur suppose qu’un ou plusieurs composants sont défaillants, il dépose ces composants pour les envoyer à un atelier de réparation pour une analyse plus profonde, avec des moyens industriels de tests.
[0007] Dans le but d’intervenir rapidement ou en raison d’une formation insuffisante, 25 il est fréquent que l’opérateur sous aile dépose un nombre excessifs de composants.
Par ailleurs, il peut s’avérer, lors de la phase d’analyse en atelier, que les composants supposés défaillants ne soient pas la cause réelle de la panne et qu’ils aient donc été déposés à tort.
[0008] Par exemple, un opérateur sous aile peut supposer qu’un capteur est 30 défaillant, déposer ce capteur et l’envoyer en atelier pour réparation. Lors de l’analyse du capteur supposé défaillant en atelier, il peut être déterminé que le capteur fonctionne normalement et que la cause réelle de la panne est en fait une carte électronique configurée pour traiter les données mesurées par le capteur.*
[0009] Un rapport de maintenance est alors établi, ce rapport comportant par
5 exemple des messages d’alerte ou des alarmes de panne, des résultats de mesures effectuées par l’opérateur sous aile ou par le réparateur en atelier, des symptômes détectés par l’opérateur sous aile ou par le réparateur, les composants déterminés défaillants et la cause réelle de la panne déterminée après analyse. Ce rapport de maintenance peut par exemple être numérique. io[OO1O] Dans l’industrie de l’aéronautique notamment, on connaît un indicateur de fiabilité NFF (en anglais No Fault Found) qui représente un taux de déposes non planifiées et non justifiées calculé à partir du ratio entre le temps moyen entre déposes non planifiées MTBUR (en anglais Mean Time Between Unscheduled Removal) et le temps moyen net entre déposes non planifiées, justifiées MTBF (en
15 anglais Mean Time Between Failure). Ces indicateurs vérifient l’égalité suivante : MTBUR=(1 -NFF). MTBF.
[0011] Il est connu que le coût de ces déposes non planifiées NFF est très important et qu’il impacte fortement le coût opérationnel des compagnies aériennes.
[0012] L’invention vise à pallier au moins certains de ces inconvénients en proposant 20 un système de détermination de panne qui permet à l’opérateur sous aile de mieux identifier la cause réelle d’une défaillance d’un aéronef, par conséquent le ou les composants à déposer, de sorte notamment à améliorer l’indicateur de fiabilité NFF.
Exposé de l’invention
[0013] La présente invention répond notamment à ce besoin en proposant un 25 système numérique de détermination d’au moins un composant défaillant d’un aéronef, ce système comportant :
- un module d’information d’une panne de l’aéronef ;
- un premier module de détermination d’au moins un premier symptôme de l’aéronef à partir de données d’état collectées sous aile ;
30 - un deuxième module de détermination d’au moins un deuxième symptôme de l’aéronef à partir de données de dégradation représentatives d’une variation anormale de données de vols; - un module de détermination de probabilités de défaillance d’une pluralité de composants de l’aéronef à partir desdits au moins un premier et deuxième symptômes, ce module comportant un réseau bayésien entraîné à partir d’une base de connaissance comprenant des données produites par un module de traitement du langage naturel configuré pour traiter des rapports de maintenance d’aéronefs,
- un module configuré pour signaler au moins un composant défaillant parmi ladite pluralité de composants en fonction desdites probabilités.
[0014] Corrélativement, l’invention concerne un procédé de détermination d’au moins un composant défaillant d’un aéronef, ce procédé mis en oeuvre par ordinateur comportant les étapes suivantes :
- obtention d’une information d’une panne de l’aéronef ;
- détermination d’au moins un premier symptôme de l’aéronef à partir de données d’état collectées sous aile ;
- détermination d’au moins un deuxième symptôme de l’aéronef à partir de données de dégradation représentatives d’une variation anormale de données de vols;
- détermination de probabilités de défaillance d’une pluralité de composants de l’aéronef à partir desdits au moins un premier et deuxième symptômes, cette détermination utilisant un réseau bayésien entraîné à partir d’une base de connaissance comprenant des données produites par un module de traitement du langage naturel configuré pour traiter des rapports de maintenance d’aéronefs,
- signalement d’au moins un composant défaillant parmi ladite pluralité de composants en fonction desdites probabilités.
[0015] Ainsi, et de façon très avantageuse, le système numérique détermine les composants défaillants en utilisant à la fois des « données d’état » et « des données de dégradation ».
[0016] Les données d’état représentent un état de l’aéronef. Ces données peuvent être collectées par un opérateur (ou par un robot), par exemple avec des équipements de mesure, opérant à proximité de l’aéronef, c’est-à-dire « sous aile ». Elles sont par exemple remontées par une interface homme machine via des alarmes ou des messages de pannes. Elles peuvent parfois être directement déterminées ou observées par l’opérateur, lorsque celui-ci détecte un bruit ou une odeur caractéristique d’un dysfonctionnement. [0017] Au contraire, les données de dégradation, ou données comportementales, sont des données qui représentent une tendance, ou une variation anormale de données de vol. Elles peuvent être déterminées par exemple :
- lorsque des données de vol évoluent et dépassent un seuil ; - lorsque la une signature d’une série de données de vol est représentative d’une dégradation du fonctionnement de l’aéronef ;
- en traitant des données de vol de façon continue.
[0018] Contrairement aux données d’état, ces données de dégradation sont difficilement accessibles à l’opérateur. Elles sont cependant très riches en information et leur prise en compte permet de palier aux limites de la connaissance en matière de modélisation des phénomènes physiques à l’origine des défaillances.
[0019] De façon très avantageuse, les données d’état comme les données comportementales sont utilisées pour déterminer des symptômes (premier et deuxième symptôme au sens de l’invention) qui sont traités de la même façon par le module de détermination de probabilités de défaillance des composants.
[0020] Par ailleurs, et de façon très avantageuse, la détermination des probabilités de défaillance des composants de l’aéronef utilise un réseau bayésien entraîné à partir d’une base de connaissance comprenant des données produites par un module de traitement du langage naturel configuré pour traiter des rapports de maintenance d’aéronefs.
[0021 ] La prise en compte des données comportementales pour déterminer les symptômes de l’aéronef et du retour d’expérience dans le réseau bayésien permet d’améliorer la modélisation des phénomènes physiques et par conséquent la modélisation des phénomènes de dégradation. [0022] Le système et le procédé de détermination permettent ainsi d’améliorer le diagnostic menant à l’identification des composants qui sont les causes réelles de défaillance et par conséquent de diminuer les coûts directs et indirects associés à un mauvais diagnostic de recherche de panne lors de la maintenance au sol de l’aéronef. [0023] L’invention permet ainsi d’améliorer la détectabilité des pannes des systèmes et de leurs équipements, de remettre plus rapidement l’aéronef en service et donc de réduire le temps d’indisponibilité opérationnelle non planifiée. [0024] Dans un mode de réalisation, ledit au moins un deuxième symptôme est une signature déterminée à partir d’un ou plusieurs indicateurs positionnés lorsque le deuxième module de détermination détecte des données de comportement représentatives d’une tendance de dégradation du fonctionnement d’au moins un 5 composant de l’aéronef.
[0025] Par exemple, une signature peut être déterminée à partir d’un indicateur représentatif d’une dégradation d’un premier composant et d’un indicateur représentatif d’une dégradation d’un deuxième composant, ces composants étant éventuellement compris dans des sous-systèmes différents de l’aéronef. io[OO26] Ce mode de réalisation permet avantageusement de modéliser des symptômes qui résultent d’interactions entre sous-systèmes de l’aéronef, même lorsque ces interactions sont difficiles à appréhender ou modéliser. Par exemple, les vibrations mécaniques d’un ensemble tournant peuvent générer des vibrations et dégrader un équipement d’un autre système qui n’est pas en relation directe avec le 15 système tournant.
[0027] L’invention vise également un procédé et un dispositif d’entraînement d’un réseau bayésien pouvant être utilisé dans un système conforme à l’invention.
[0028] Ainsi, et selon un deuxième aspect, l’invention vise aussi un procédé d’entraînement d’un réseau bayésien destiné à être mis en oeuvre par un module 20 configuré pour déterminer des probabilités de défaillance d’une pluralité de composants d’un aéronef à partir d’au moins un premier et au moins un deuxième symptômes de l’aéronef, ledit réseau bayésien étant entraîné à partir d’une base de connaissance comprenant des données produites par un module de traitement du langage naturel configuré pour traiter des rapports de maintenance d’aéronef, dans 25 lequel :
- ledit au moins un premier symptôme de l’aéronef est déterminé à partir de données d’état collectées sous aile ; et
- ledit moins un deuxième symptôme de l’aéronef est déterminé à partir de données de dégradation représentatives d’une variation anormale de données de vols.
30[0029] Corrélativement, l’invention concerne aussi un dispositif d’entraînement d’un réseau bayésien destiné à être mis en oeuvre par un module configuré pour déterminer des probabilités de défaillance d’une pluralité de composants d’un aéronef à partir d’au moins un premier et deuxième symptômes de l’aéronef, ledit réseau bayésien étant entraîné à partir d’une base de connaissance comprenant des données produites par un module de traitement du langage naturel configuré pour traiter des rapports de maintenance d’aéronef, dans lequel : - ledit au moins un premier symptôme de l’aéronef est déterminé à partir de données d’état collectées sous aile ; et
- ledit moins un deuxième symptôme de l’aéronef est déterminé à partir de données de dégradation représentatives d’une variation anormale de données de vols.
[0030] Dans un mode particulier de réalisation, le module de traitement du langage naturel utilisé dans l’invention est un module du dispositif d’entrainement.
[0031] Dans un mode de réalisation, ce module de traitement du langage naturel prend en entrée des textes extraits des rapports de maintenance d’aéronef et produit en sortie des labels qui constituent une information structurée utilisée par un module d’enrichissement pour enrichir la base de connaissance. [OO32] Dans un mode de réalisation de l’invention, la base de connaissance comporte des enregistrements qui associent des symptômes à des défaillances. Le module de traitement du langage naturel produit :
(i) au moins un premier label représentant au moins une information parmi des données de vol, des données d’état, des données de comportement et/ou des symptômes; et
(ii) au moins un deuxième label représentant une défaillance.
[0033] Dans un mode de réalisation, le module d’enrichissement de la base de connaissance est configuré pour enrichir la base de connaissance avec au moins un enregistrement comportant : (i) au moins un symptôme identifié à partir d’un premier label, associé à
(ii) une défaillance identifiée à partir d’un deuxième label.
[0034] Dans un mode particulier de réalisation, les différentes étapes du procédé de détermination de composants défaillants et les principales étapes du procédé d’entrainement du réseau bayésien sont déterminées par des instructions de programmes d’ordinateurs.
[0035] En conséquence, l’invention vise aussi un programme d’ordinateur sur un support d’informations, ce programme étant susceptible d’être mis en oeuvre dans un ordinateur, ce programme comportant des instructions adaptées à la mise en oeuvre des étapes d'un procédé tel que décrit ci-dessus.
[0036] Ce 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
5 source et code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.
[0037] L’invention vise aussi un support d'informations lisible par un ordinateur, et comportant des instructions d'un programme d'ordinateur tel que mentionné ci- dessus. io[OO38] 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 ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple un disque dur.
15[OO39] D'autre part, le support d'informations 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 d'autres moyens. Le programme selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.
[0040] Alternativement, le support d'informations peut être un circuit intégré dans
20 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
[0041] D’autres caractéristiques et avantages de la présente invention ressortiront de 25 la description faite ci-dessous, en référence aux dessins annexés qui en illustrent un exemple de réalisation dépourvu de tout caractère limitatif. Sur les figures :
[Fig. 1] la figure 1 représente un système de détermination de composants défaillants conforme à l’invention;
[Fig. 2] la figure 2 représente l’architecture matérielle d’un terminal conforme à un 30 mode particulier de réalisation de l’invention ; [Fig. 3] la figure 3 représente l’architecture matérielle d’un dispositif d’entrainement conforme à un mode particulier de réalisation de l’invention;
[Fig. 4] la figure 4 représente, sous forme d’organigramme, les principales étapes d’un procédé d’entraînement conforme à l’invention ; et [Fig. 5] la figure 5 représente, sous forme d’organigramme, les principales étapes d’un procédé de de détermination de composants défaillants conforme à l’invention.
Description détaillée de modes de réalisation
[0042] La figure 1 représente un système numérique SYS de détermination de composants défaillants conforme à un mode de réalisation de l’invention.
[0043] Ce système comporte un premier module MDSi de détermination de premiers symptômes.
[0044] Lorsqu’un problème ou une défaillance de l’aéronef est suspectée, un opérateur se déplace à proximité de l’avion (ou « sous aile ») et effectue un certain nombre de tests, pour obtenir des données d’état DEk de l’aéronef, et en déduire des premiers symptômes S1i en utilisant ce premier module MDSi de détermination de symptômes.
[0045] En pratique, le premier module MDSi de détermination de symptômes peut être un module intégré à un terminal TRM de l’opérateur OP. Dans le mode de réalisation de la figure 1 , le terminal TRM étant configuré pour s’interfacer avec une base BDT de scénarios de tests, qui comporte des tests T1 , T2, T3 à effectuer pour un scénario SDP de détection de pannes prédéterminé.
[0046] Dans le mode de réalisation décrit ici, chaque test T1 , T2, T3 permet la détermination (par exemple par calcul ou par mesure) d’une ou plusieurs données d’état DEk.
[0047] Les premiers symptômes S1i peuvent être obtenus à partir d’une base de données BDS qui associe au moins un premier symptôme S1i à une combinaison d’au moins une donnée d’état DEk. Dans l’exemple de la figure 1 :
- des données d’état DE1 ; DE2 sont représentatives d’un premier symptôme S1i ; - des données d’état DE1 ; DE3 sont représentatives d’un premier symptôme S1 2 ; et
- des données d’état DE2 sont représentatives d’un premier symptôme S1 3. [0048] Les données d’états DEk sont par exemple le résultat d’observations de l’opérateur (odeur, inspection de pièce, ...), des résultats de mesures effectuées par l’opérateur sous aile, ou des données obtenues par l’opérateur, par exemple des données fournies d’un calculateur CALC de l’aéronef au terminal TRM via une
5 interface I/O d’entrées/sorties..
[0049] Dans le mode de réalisation décrit, le système SYS comporte un deuxième module MDS2 de détermination de symptômes S2i, à partir de données de comportement DCk représentatives d’une tendance de dégradation du fonctionnement d’au moins un composant de l’aéronef. io[OO5O] Dans le mode de réalisation décrit ici, ce deuxième module MDS2 est un module du calculateur CALC de l’aéronef.
[0051] Dans le mode de réalisation décrit ici, au moins un symptôme S2 déterminé par le deuxième module MDS2 de détermination de symptôme est constitué par une signature de panne SIG calculée à partir des données de comportement DCk.
15[OO52] Plus précisément, dans le mode de réalisation décrit ici, le deuxième module MDS2 de détermination de symptôme comporte au moins un module MTi de traitement configuré pour traiter des données de vol DV mises à disposition par des capteurs ou par des systèmes électroniques des moteurs ou de l’avion et pour positionner des indicateurs INDi lorsqu’ils détectent des données DCk de
20 comportement représentatives d’une tendance de dégradation du fonctionnement d’au moins un composant.
[0053] Un tel module MTi de traitement est par exemple configuré pour suivre une tendance de données de vol sur une période donnée ou pour détecter une forme dans une représentation de ces données de vol.
25[0054] Par exemple, un module de traitement MTi positionne un premier indicateur INDi lorsqu’il détecte une donnée DCk représentative d’une augmentation de pression ou de température dans un composant de l’aéronef, ou plus généralement le dépassement d’un seuil de normalité par une variable de fonctionnement d’un composant de l’aéronef. [0055] Par exemple, un module de traitement MT, positionne un deuxième indicateur INDj lorsqu’il détecte une donnée DCk représentative d’un phénomène vibratoire particulier.
[0056] Dans le mode de réalisation décrit ici, le deuxième module MDS2 de détermination de symptôme génère une signature SIG à partir de ces indicateurs I N Di et cette signature SIG est traitée comme un symptôme S2i au même titre que les symptômes S1i déterminés par le premier module MDSi de détermination de symptômes à partir des données d’état DEk.
[0057] Par exemple, le deuxième module MDS2 de détermination de symptôme comporte une logique LOG configurée pour générer :
- une première signature SIG2I lorsque le premier indicateur INDi est positionné mais pas le deuxième indicateur INDj ;
- une deuxième signature SIG2 2 lorsque le deuxième indicateur INDj est positionné mais pas le premier indicateur INDi ; - une troisième signature SIG2 3 lorsque les deux indicateurs INDi et INDj sont positionnés.
[0058] Le système SYS comporte un module MDPD de détermination de probabilité de défaillance à partir :
- des premiers symptômes S1i déterminés à partir des données d’état DEk ; et - des deuxièmes symptômes S2 déterminés à partir des données comportementales
DCk.
[0059] Dans le mode de réalisation décrit ici, le module MDPD de détermination de probabilité de défaillance utilise un réseau bayésien RB.
[0060] Selon la présence ou non de premiers et/ou deuxièmes symptômes, le modèle du réseau bayésien RB met à jour dynamiquement les probabilités associées à chaque branche d’un arbre de décision, et oriente ainsi le diagnostic vers l’identification de la cause racine de la panne.
[0061] Ainsi, les symptômes et les défaillances compris dans la base de connaissance constituent les données d’entraînement du réseau Bayésien. Le réseau est entraîné pour prédire, au cours d'une inférence du réseau, des défaillances à partir de symptômes fournis en entrée du réseau, par exemple déterminés sous aile.
[0062] Au cours de l'utilisation du système, les probabilités du réseau bayésien sont mises à jour pour représenter la probabilité des symptômes à l'origine d'une défaillance donnée, et ce pour chacune des défaillances, en utilisant les associations entre les symptômes et les défaillances de la base de connaissance.
[0063] Autrement dit, le réseau Bayésien apprend au fur et à mesure de son utilisation et de l'augmentation des connaissances acquises lors des actions de maintenance en recherche de pannes. [0064]
[0065] Dans le mode de réalisation décrit ici, le module MDPD de détermination de probabilité de défaillance est intégré au terminal TRM de l’opérateur.
[0066] Ce réseau bayésien RB est configuré pour déterminer, à partir des premiers et deuxièmes symptômes, la probabilité d’une défaillance Dj. [OO67] Par exemple une défaillance Dj peut être :
- le dysfonctionnement d’un capteur ; ou
- un harnais arraché ; ou
- un problème logiciel.
[0068] Dans le mode de réalisation décrit ici, ce réseau bayésien RB est entraîné à partir d’une base de connaissance BC qui comporte des enregistrements, chacun associant, à au moins un symptôme S, une défaillance D. Cette base de connaissance BC est par exemple initialisée à partir de données théoriques issues des AMDEC (Analyse des Modes de Défaillance de leurs Effets et de leurs Criticité) des différents composants. [0069] Cette base de connaissance BC peut aussi être enrichie par retour d’expérience de l’utilisation du système numérique SYS. Par exemple, s’il est détecté que des combinaisons de premiers symptômes S1i et de deuxièmes symptômes S2i particuliers déterminés par le calculateur CAL à partir de données comportementales DCk sont représentatifs d’une défaillance Dk, la base de connaissance BC peut être mise à jour avec ce nouvel enseignement pour réentraîner le réseau bayésien RB. [0070] Dans le mode de réalisation décrit ici, cette base de connaissance BC comporte des enregistrements issus de retour d’expérience déterminés par une analyse en langage naturel de documents traitant de causes réelles de défaillance.
[0071] Dans le mode de réalisation décrit ici, les différents documents disponibles
5 qui traitent des causes réelles de défaillance de l’aéronef sont analysés par un module MNLP de traitement de langage naturel (en anglais NLP : Natural Language Processing). Dans le mode de réalisation décrit ici, le système SYS comporte un module d’entraînement DENT qui comporte le module MNLP de traitement de langage naturel. io[OO72] Ces documents comportent par exemple des rapports de maintenance ou de dépannage (en anglais « troubleshooting >>) fournis par les compagnies aériennes. En pratique, pour une compagnie aérienne donnée, le nombre de ces rapports peut être très élevé, par exemple plusieurs milliers par mois. Ils sont le plus souvent rédigés en langage humain : l’opérateur décrit une situation et détaille les actions
15 correctives apportées.
[0073] L’invention permet avantageusement de traiter automatiquement ces rapports pour enrichir la base de connaissance BC du réseau bayésien RB.
[0074] Dans le mode de réalisation décrit ici, le module MNLP de traitement de langage naturel est configuré pour recevoir en entrée des documents non structurés 20 DNS et pour fournir en sortie de l’information pertinente structurée sous forme de labels LAB, utilisés pour alimenter les données de retour d’expérience REX de la base de connaissance BC servant à l’entraînement du réseau bayésien RB.
[0075] Dans le mode de réalisation décrit ici, le module MNLP de traitement de langage naturel utilise un modèle d’apprentissage NLP. De façon connue, le
25 développement d’un modèle NLP consiste essentiellement à :
- construire une base d’apprentissage commençant par le nettoyage des données d’entrée et aboutissant à une labélisation des données d’entrée ;
- implémenter le modèle NLP ; et
- valider le modèle NLP d’un point de vue statistique et métier.
30[0076] Dans le contexte de l’invention, les données d’entrée du module MNLP sont des textes de rapport de maintenance et les labels LAB, sont, pour chaque rapport :
- au moins un premier label représentant au moins une information parmi des données de vol, des données d’état, des données de comportement et/ou des symptômes ; et
- au moins un deuxième label représentant une défaillance.
[0077] Dans le mode de réalisation décrit ici, le dispositif d’entraînement DENT du système SYS comporte un module MEBC d’enrichissement de la base de connaissance avec au moins un enregistrement comportant :
(i) au moins un symptôme identifié à partir d’un premier label, associé à :
(ii) une défaillance identifiée à partir d’un deuxième label.
[0078] Dans le mode de réalisation décrit ici, le module MEBC d’enrichissement de la base de connaissance utilse:
- la base de données de symptômes BDS pour identifier des premiers symptômes à partir de premiers labels LAB, représentatifs de données d’état ;
- le deuxième module MDS2 de détermination de deuxième symptôme pour identifier des deuxièmes symptômes à partir de premiers labels LABj représentant des données de vols ou de comportements.
[0079] Par exemple, en référence, à la figure 1 , si le module MNLP de traitement de langage naturel produit un premier label « DE2 » (représentatif d’une donnée d’état) et un deuxième label « D5 » (représentatif d’une défaillance) à partir de l’information non structurée comprise dans les rapports de maintenance, le module MEBC d’enrichissement de la base de connaissance :
- détermine à partir du troisième enregistre de la base de données BDS que la donnée d’état DE2 est représentatif d’un symptôme S3 ;et
- enrichit la base de connaissance BC avec un enregistrement qui associe le symptôme S3 et la défaillance D5. [0080] Le développement d’un modèle NLP comporte par exemple :
- la construction d’une base d’apprentissage qui comporte le nettoyage des données d’entrée (gestion de la ponctuation, des accents, des synonymes et antonymes, suppression des espaces multiples, la transformation des majuscules en minuscules, ...) ; - l’extraction d’informations (motifs ou patterns) correspondant à des expressions régulières ;
- lemmatisation des informations extraites ; - découpage (ou en anglais tokenisation) ;
- correction d’orthographe ;
- suppression des mots non discriminants (en anglais stop words).
[0081] Le système SYS comporte un module MSAC configuré pour signaler au moins un composant défaillant parmi la pluralité de composants de l’aéronef en fonction des probabilités de défaillance calculées par le module MDPD, et pour proposer une action corrective adéquate.
[0082] L’opérateur peut conduire une action corrective Cj proposée par le système numérique à effectuer sous aile, par exemple la dépose d’un composant à envoyer en atelier pour analyse et réparation
[0083] Dans le mode de réalisation décrit ici, le module MSAC de signalement de composant défaillant est intégré au terminal TRM de l’opérateur.
[0084] Par exemple, s’il est déterminé par le module MDPD de détermination de probabilité de défaillance que la défaillance la plus probable est l’usure d’un capteur, le module MSAC peut signaler à l’opérateur que le capteur est défaillant et lui proposer une action corrective Ci consistant à remplacer le capteur.
[0085] Dans un mode de réalisation, le système de détermination d’au moins un composant défaillant d’aéronef est mis en oeuvre dans un terminal TRM.
[0086] Dans le mode de réalisation décrit ici, et comme représenté à la figure 2, ce terminal TRM a l’architecture matérielle d’un ordinateur. Il comporte un processeur 10A, une mémoire vive 10B, une mémoire morte 10C, une mémoire flash non volatile 10D, des moyens d'entrée/sortie 10E ainsi que des moyens de communication 10F.
[0087] Ces moyens de communication 10F permettent en particulier au terminal TRM 10 d'obtenir des données d’état DEk du calculateur CALC de l’aéronef, ou d’appareils de mesures configurés externes pour effectuer des tests sous aile.
[0088] Dans un mode de réalisation ces tests sous aile peuvent être effectués par des modules dédiés intégrés au terminal TRM.
[0089] Dans un mode de réalisation, le deuxième module MDS2 de détermination d’au moins un deuxième symptôme S2i est intégré au terminal TRM. Ce module est configuré pour obtenir des données de vol DV de l’aéronef, et pour déterminer au moins une signature de panne SIG à partir de données de dégradation DCk représentatives d’une variation anormale de ces données de vols.
[0090] La mémoire morte 10C constitue un support d’enregistrement conforme à l’invention, lisible par le processeur 10A et sur lequel est enregistré un programme d’ordinateur PROGT conforme à l’invention, comportant des instructions pour l’exécution des étapes d’un procédé de détermination d’au moins un composant défaillant d’aéronef selon l’invention et qui sera décrit en référence à la figure 5.
[0091] Ce programme d’ordinateur PROGT définit des modules fonctionnels et logiciels ici configurés pour mettre en oeuvre les étapes du procédé de détermination selon l’invention. Ces modules fonctionnels s’appuient ou commandent les éléments matériels 10A à 10D du terminal TRM. Ils comprennent notamment :
- un premier module MDSi de détermination d’au moins un premier symptôme S1i de l’aéronef à partir de données d’état DEk collectées sous aile ;
- le deuxième module MDS2 de détermination d’au moins un deuxième symptôme S2i de l’aéronef;
- un module MDPD de détermination de probabilités de défaillance d’une pluralité de composants de l’aéronef à partir d’au moins un premier et deuxième symptômes, ce module comportant un réseau bayésien RB entraîné à partir d’une base de connaissance BC comprenant des données produites par un module de traitement du langage naturel configuré pour traiter des rapports de maintenance d’aéronefs, et
- un module MSAC configuré pour signaler au moins un composant défaillant parmi ladite pluralité de composants en fonction desdites probabilités.
[0092] La figure 3 représente l’architecture matérielle d’un dispositif d’entraînement DENT conforme à l’invention. Ce dispositif a l’architecture matérielle d’un ordinateur et comporte un processeur 20A, une mémoire vive 20B, une mémoire morte 20C, une mémoire flash non volatile 20D, des moyens d'entrée/sortie 20E ainsi que des moyens de communication 20F.
[0093] La mémoire morte 20C du dispositif d’entraînement constitue un support d'enregistrement conforme à l'invention, lisible par le processeur 20A et sur lequel est enregistré un programme d'ordinateur PROGE conforme à l'invention, comportant des instructions pour l'exécution des étapes d'un procédé d’entraînement conforme à l'invention et qui sera décrit en référence à la figure 4. [0094] Ce dispositif DENT est configuré pour enrichir la base de connaissance BC servant à l’entraînement du réseau bayésien RB utilisé par le module MDPD pour déterminer les probabilités de défaillance d’une pluralité de composants de l’aéronef.
[0095] Le programme d’ordinateur PROGE définit des modules fonctionnels et logiciels ici configurés pour mettre en oeuvre les étapes du procédé d’entraînement selon l’invention. Ces modules fonctionnels s’appuient ou commandent les éléments matériels 20A à 20E du dispositif d’entraînement DENT.
[0096] Ils comprennent notamment un module de traitement du langage naturel MNLP configuré pour traiter des rapports de maintenance d’aéronef DNS et produire de l’information pertinente structurée IS qui alimente les données de retour d’expérience REX de la base de connaissance BC servant à l’entraînement du réseau bayésien RB.
[0097] Dans un mode de réalisation de l’invention, cette information structurée est constituée de: (i) premiers labels représentant des informations parmi des données de vol, des données d’état, des données de comportement et/ou des symptômes; et (ii) des deuxièmes labels représentant des défaillances.
[0098] Dans le mode de réalisation décrit ici, les modules fonctionnels du dispositif DENT comportent un module MEBC d’enrichissement configuré pour enrichir la base de connaissance BC avec au moins un enregistrement comportant :
(i) au moins un symptôme identifié à partir d’un premier label ; associé à
(ii) une défaillance identifiée à partir d’un deuxième label.
[0099] Dans le mode de réalisation décrit ici, le module MEBC détermine au moins certains de ces symptômes en utilisant la base de données de symptômes BDS pour identifier des premiers symptômes à partir de premiers labels LAB, représentatifs de données d’état et/ou le deuxième module MDS2 de détermination de deuxième symptôme pour identifier des deuxièmes symptômes à partir de premiers labels LAB, représentant des données de vols ou de comportements.
[0100] La figure 4 représente les principales étapes d’un procédé d’entraînement conforme à l’invention. [0101 ] Il comporte une étape E10 d’analyse de rapports de maintenance d’aéronef par une méthode de traitement du langage naturel pour produire des données structurées sous forme de labels LABj.
[0102] Dans le mode de réalisation décrit ici, ces labels LAB, représentent : - des informations parmi des données de vol, des données d’état, des données de comportement et/ou des symptômes ; et
- des défaillances.
[0103] Dans le mode de réalisation décrit ici, le procédé d’entraînement comporte une étape E20 pour enrichir la base de connaissance BC du réseau bayésien RB à partir :
- de premiers symptômes déterminés à partir de labels LAB, représentant des données d’état et de la base de données de symptômes BDS;
- de deuxièmes symptômes déterminés à partir de labels LAB, représentant des données de vols ou de comportements et du deuxième module MDS2 de détermination de deuxième symptôme ;
- des labels LAB, représentatifs de défaillances.
[0104] Dans le mode de réalisation décrit ici, le procédé d’entraînement comporte une étape E30 d’entraînement du réseau bayésien RB à partir de cette base de connaissance de sorte à mettre à jour les probabilités de ce réseau pour améliorer le diagnostic d’identification de cause racine de panne grâce à cette information structurée obtenue par traitement NLP de l’information non structurée contenue dans les rapports de maintenance et de dépannage.
[0105] La figure 5 représente les principales étapes d’un procédé de détermination de composants défaillants conforme à l’invention. [0106] Il comporte :
- une étape F10 de détermination d’au moins un premier symptôme S1i de l’aéronef à partir de données d’état DEk collectées sous aile ;
- une étape F20 de détermination d’au moins un deuxième symptôme S2i de l’aéronef à partir de données de dégradation DCk représentatives d’une variation anormale de données de vols;
- une étape F30 de détermination de probabilités de défaillance d’une pluralité de composants de l’aéronef à partir d’au moins un premier et deuxième symptômes, cette étape de détermination utilisant un réseau bayésien RB entraîné à partir d’une base de connaissance BC comprenant des données produites par un module de traitement du langage naturel configuré pour traiter des rapports de maintenance d’aéronefs, - une étape F40 de signalement d’au moins un composant défaillant parmi ladite pluralité de composants en fonction desdites probabilités.
[0107] Ce signalement permet à l’opérateur de prendre une action corrective avec une probabilité importante que celle-ci soit effectivement appropriée à la cause réelle de la panne de l’aéronef.

Claims

Revendications
[Revendication 1] Système numérique de détermination d'au moins un composant défaillant d'un aéronef, ce système comportant :
5 - un premier module (MDSi) de détermination d'au moins un premier symptôme (S1!) de l'aéronef à partir de données d'état (DEk) collectées sous aile ;
- un deuxième module (MDS2) de détermination d'au moins un deuxième symptôme (S2) de l'aéronef à partir de données de dégradation (DCk) représentatives d'une variation anormale de données de vols; 0 - un module (MDPD) de détermination de probabilités de défaillance d'une pluralité de composants de l'aéronef, ce module comportant un réseau bayésien (RB) configuré pour effectuer ladite détermination de probabilités à partir desdits au moins un premier et deuxième symptômes, ledit réseau bayésien (RB) étant entraîné à partir d'une base de connaissance (BC) comprenant des données 5 produites par un module (MNLP) de traitement du langage naturel configuré pour traiter des rapports de maintenance d'aéronefs,
- un module (MSAC) configuré pour signaler au moins un composant défaillant parmi ladite pluralité de composants en fonction desdites probabilités. o
[Revendication 2] Système de détermination selon la revendication 1, caractérisé en ce que ledit module (MNLP) de traitement du langage naturel prend en entrée des textes extraits desdits rapports de maintenance d'aéronef et produit en sortie des labels (LABj) représentant:
- des informations parmi des données de vol, des données d'état, des données de5 comportement et/ou des symptômes ; et
- des défaillances.
[Revendication 3] Système de détermination selon la revendication 1 ou 2, caractérisé en ce que ledit au moins un deuxième symptôme (S2) est une signature0 déterminée à partir d'au moins un indicateur (INDj) positionné lorsque le deuxième module (MDS2) de détermination détecte des données (DCk) de comportement représentatives d'une tendance de dégradation du fonctionnement d'au moins un composant de l'aéronef.
[Revendication 4] Procédé de détermination d'au moins un composant défaillant d'un aéronef, ce procédé mis en oeuvre par ordinateur comportant les étapes suivantes :
- détermination (F10) d'au moins un premier symptôme (S1!) de l'aéronef à partir de données d'état (DEk) collectées sous aile ;
- détermination (F20) d'au moins un deuxième symptôme (S2) de l'aéronef à partir de données de dégradation (DCk) représentatives d'une variation anormale de données de vols;
- détermination (F30) de probabilités de défaillance d'une pluralité de composants de l'aéronef à partir desdits au moins un premier et deuxième symptômes, cette détermination utilisant un réseau bayésien (RB) entraîné à partir d'une base de connaissance (BC) comprenant des données produites par un module (MNLP) de traitement du langage naturel configuré pour traiter des rapports de maintenance d'aéronefs,
- signalement (F40) d'au moins un composant défaillant parmi ladite pluralité de composants en fonction desdites probabilités.
[Revendication 5] Procédé d'entraînement d'un réseau bayésien (RB) destiné à être mis en oeuvre par un module (MDPD) configuré pour déterminer des probabilités de défaillance d'une pluralité de composants d'un aéronef, ladite détermination étant effectuée par ledit réseau bayésien (RB) à partir d'au moins un premier et au moins un deuxième symptômes de l'aéronef, ledit réseau bayésien
(RB) étant entraîné (E30) à partir d'une base de connaissance (BC) comprenant des données produites par un module (MNLP) de traitement du langage naturel configuré pour traiter (E10, E20) des rapports de maintenance d'aéronef, dans lequel : - ledit au moins un premier symptôme (S1!) de l'aéronef est déterminé à partir de données d'état (DEk) collectées sous aile ; et
- ledit moins un deuxième symptôme (S2) de l'aéronef est déterminé à partir de données de dégradation (DCk) représentatives d'une variation anormale de données de vols.
[Revendication 6] Dispositif (DENT) d'entraînement d'un réseau bayésien (RB) destiné à être mis en oeuvre par un module (MDPD) configuré pour déterminer des probabilités de défaillance d'une pluralité de composants d'un aéronef à partir d'au moins un premier et au moins un deuxième symptômes de l'aéronef, ladite détermination étant effectuée par ledit réseau bayésien (RB) à partir d'au moins un premier et au moins un deuxième symptômes de l'aéronef, ledit réseau bayésien (RB) étant entraîné à partir d'une base de connaissance (BC) comprenant des données produites par un module (MNLP) de traitement du langage naturel configuré pour traiter des rapports de maintenance d'aéronef, dans lequel : - ledit au moins un premier symptôme (S*) de l'aéronef est déterminé à partir de données d'état (DEk) collectées sous aile ; et - ledit moins un deuxième symptôme (S2i) de l'aéronef est déterminé à partir de données de dégradation (DCk) représentatives d'une variation anormale de données de vols.
[Revendication 7] Dispositif d'entraînement (DENT) selon la revendication 6 caractérisé en ce que ledit module (MNLP) de traitement du langage naturel prend en entrée des textes extraits desdits rapports de maintenance d'aéronef et produit en sortie :
(i) au moins un premier label (LABj) représentant une information parmi des données de vol, des données d'état, des données de comportement et/ou des symptômes ; et
(ii) au moins un deuxième label (LABj) représentant une défaillance, le dispositif d'entraînement (DENT) comportant un module (MEBC) d'enrichissement de la base de connaissance (BC) avec :
(i) au moins un symtôme (S1!, S2) identifié à partir d'un dit premier label, associé à : (ii) une défaillance identifiée à partir d'un dit deuxième label.
[Revendication 8] Programme d'ordinateur (PROGT) comportant des instructions pour l'exécution des étapes du procédé de détermination d'au moins un composant défaillant d'un aéronef selon la revendication 4 lorsque ledit programme est exécuté par un ordinateur.
[Revendication 9] Programme d'ordinateur (PROGE) comportant des instructions pour l'exécution des étapes du procédé d'entraînement selon la revendication 5 lorsque ledit programme est exécuté par un ordinateur.
[Revendication 10] Support (10C, 20C) comportant un programme d'ordinateur selon la revendication 8 ou selon la revendication 9.
EP24721721.9A 2023-03-29 2024-03-29 Procede et systeme de determination d'un composant defaillant d'un aeronef Pending EP4689823A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2303032A FR3147261B1 (fr) 2023-03-29 2023-03-29 Procédé et système de détermination d’un composant défaillant d’un aéronef
PCT/FR2024/050417 WO2024200982A1 (fr) 2023-03-29 2024-03-29 Procede et systeme de determination d'un composant defaillant d'un aeronef

Publications (1)

Publication Number Publication Date
EP4689823A1 true EP4689823A1 (fr) 2026-02-11

Family

ID=87036748

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24721721.9A Pending EP4689823A1 (fr) 2023-03-29 2024-03-29 Procede et systeme de determination d'un composant defaillant d'un aeronef

Country Status (4)

Country Link
EP (1) EP4689823A1 (fr)
CN (1) CN121195214A (fr)
FR (1) FR3147261B1 (fr)
WO (1) WO2024200982A1 (fr)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6574537B2 (en) * 2001-02-05 2003-06-03 The Boeing Company Diagnostic system and method
US6751536B1 (en) * 2002-12-04 2004-06-15 The Boeing Company Diagnostic system and method for enabling multistage decision optimization for aircraft preflight dispatch

Also Published As

Publication number Publication date
CN121195214A (zh) 2025-12-23
FR3147261A1 (fr) 2024-10-04
WO2024200982A1 (fr) 2024-10-03
FR3147261B1 (fr) 2025-12-05

Similar Documents

Publication Publication Date Title
US12321257B2 (en) Method, apparatus, and system for blaming a test case/class for a survived mutation
US20150347212A1 (en) Error classification in a computing system
US8230259B2 (en) Automatic analysis of log entries through use of clustering
US11429574B2 (en) Computer system diagnostic log chain
US20200293313A1 (en) Methods and Apparatus for Finding Long Methods in Code
US20100058313A1 (en) Updating a computer system
EP3616066B1 (fr) Production de résumé de trace de pile indépendant du langage lisible par l'utilisateur
US20120233104A1 (en) System and method for providing adaptive manufacturing diagnoses in a circuit board environment
CN111859047A (zh) 一种故障解决方法及装置
EP2160682B1 (fr) Carte électronique apte á exécuter une commande provenant d'un système de simulation et une commande provenant d'un module de diagnostic et procédé de simulation associé
CN114104329B (zh) 基于传感器数据的修复的自动预测
WO2017046530A1 (fr) Système et procédé d'aide à la decision pour la maintenance d'une machine avec apprentissage d'un modèle de décision supervisé par avis d'experts
FR3012636A1 (fr) Procede de non-regression d'un outil de conception d'un systeme de surveillance de moteur d'aeronef
US10152407B1 (en) Optimization of analysis of automated test results
EP1593982B1 (fr) Contrôle de la robustesse d'une modélisation d'un système physique
US20160063375A1 (en) Determination of substances in an assembly
WO2024200982A1 (fr) Procede et systeme de determination d'un composant defaillant d'un aeronef
FR3026882A1 (fr) Procede de determination d'au moins un equipement defaillant d'un aeronef et systeme correspondant
Addouche et al. UML models for dependability analysis of real-time systems
US11799891B2 (en) Computer-implemented method of detecting abnormal events in a telecommunication system and telecommunication system
CN121004945A (zh) 车辆软件系统的情境根本原因分析
Murtaza et al. Identifying recurring faulty functions in field traces of a large industrial software system
Reidy et al. Application of machine learning for quality risk factor analysis of electronic assemblies
Ekström et al. From Logs to Lessons: An Exploration of LLM-based Log Summarization for Debugging Automotive Software
US20240331120A1 (en) Methods and non-transitory computer readable storage medium for image annotation quality assurance

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: 20250930

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