FR2877447A1 - Procede et appareil d'isolation de defauts dans des systemes de donnees aerodynamiques bases sur l'intelligence artificielle. - Google Patents

Abstract

Un procédé pour obtenir l'isolation de défauts, dans un système de données aérodynamiques qui utilise l'intelligence artificielle pour générer un paramètre aérodynamique, comprend la génération du paramètre aérodynamique sous la forme d'une fonction d'une pluralité de valeurs mesurées telles que les pressions statiques. Ensuite, des estimations de chaque valeur mesurée de la pluralité des valeurs mesurées sont générées sous la forme d'une fonction du paramètre aérodynamique généré. Chaque valeur mesurée peut ensuite être comparée à son estimation correspondante pour déterminer si une différence entre la valeur mesurée et son estimation correspondante dépasse un seuil et donc indique la présence d'un défaut dans un dispositif qui fournit la valeur mesurée.

Description

PROCEDE ET APPAREIL D'ISOLATION DE DÉFAUTS DANS DES

SYSTÈMES DE DONNÉES AÉRODYNAMIQUES BASÉS SUR L'INTELLIGENCE ARTIFICIELLE Contexte de l'invention La présente invention concerne de manière générale des systèmes de détection de données aérodynamiques, par exemple, des systèmes de données aérodynamiques encastrés (FADS=flush air data systems) pour un véhicule aérien. En particulier, la présente invention concerne des procédés et des appareils pour fournir une isolation de défauts dans des systèmes de détection de données aérodynamiques basés sur l'intelligence artificielle, par exemple, des FADS basés sur des réseaux neuronaux.

Un FADS comprend habituellement plusieurs orifices de pression statique encastrés ou semi-encastrés sur l'extérieur d'un véhicule aérien (par exemple, un avion) pour mesurer les pressions statiques locales à des positions différentes. La pression ou les valeurs de pression mesurées par les orifices individuels sont combinées au moyen d'un ou plusieurs algorithmes d'intelligence artificielle, par exemple, des réseaux neuronaux (NN), pour fournir des paramètres aérodynamiques corrigés pour le véhicule aérien. Les paramètres aérodynamiques corrigés représentent des valeurs globales de ces paramètres pour le véhicule aérien. Dans ce contexte, le terme global fait référence aux données aérodynamiques mesurées loin du véhicule aérien, par exemple, à distance . Par contre, les paramètres locaux sont mesurés à la surface du véhicule aérien et ont tendance à présenter des effets de champs sur la géométrie du véhicule aérien. Les paramètres locaux sont caractérisés, ou corrigés, afin d'obtenir des données aérodynamiques globales. Des exemples de ces paramètres aérodynamiques globaux pour le véhicule aérien comprennent l'angle d'attaque (AOA), l'angle de dérapage (AOS), le nombre de Mach, etc. D'autres paramètres aérodynamiques globaux connus pour le véhicule aérien peuvent également être calculés. Un autre exemple d'algorithme d'intelligence artificielle qui peut être utilisé avec un FADS est la machine à vecteur support (SVM) et les algorithmes d'intelligence artificielle tels que présentés dans ce document comprennent ces algorithmes ou d'autres types d'algorithmes qui apprennent par l'exemple.

Les systèmes de données aérodynamiques encastrés présentent de nombreux avantages qui les rendent utiles pour certains véhicules aériens ou dans certains environnements. Par exemple, les orifices de pression statique encastrés ou semi-encastrés peuvent réduire la résistance sur le véhicule aérien par rapport à d'autres types de dispositifs de détection de pression.

De plus, les orifices de détection de pression statique encastrés ou semiencastrés présentent moins d'accumulation de glace que d'autres types de dispositifs de détection de pression. D'autres avantages d'un FADS peuvent comprendre, par exemple, une observabilité plus faible que certains systèmes de données aérodynamiques de type sonde.

Considérons un FADS qui comprend N orifices de pression statique encastrés utilisé sur un avion. Les orifices individuels mesurent chacun une seule valeur de pression locale correspondant à leur position respective sur l'avion. Au moyen de réseaux neuronaux ou d'autres algorithmes d'intelligence artificielle, ces N valeurs de pression peuvent être utilisées comme entrées pour fournir les paramètres aérodynamiques globaux individuels nécessaires pour le système de données aérodynamiques. Pour obtenir une bonne précision et accroître la fiabilité, une partie importante du système de données aérodynamiques global est la capacité à isoler et à détecter les défauts pour maintenir des niveaux de précision et de sécurité. Des orifices bouchés ou des capteurs d'orientation incontrôlable sont des exemples de défauts des équipements. Les capteurs d'orientation incontrôlable sont des capteurs avec une sortie qui change avec le temps, du fait du calibrage ou d'autres problèmes, par rapport à une sortie souhaitée ou de base pour un ensemble particulier de conditions. Les défauts n'ayant pas été détectés réduisent la sécurité du système global et puisque les paramètres globaux de l'avion sont dérivés en utilisant l'intelligence artificielle avec un nombre important d'orifices de détection de pression utilisés comme entrées, une défaillance d'un ou plusieurs de ces orifices peut être difficile à identifier et isoler. Ainsi, il est nécessaire d'établir des procédés d'isolation de défauts dans des FADS basés sur l'intelligence artificielle ou dans d'autres systèmes de données aérodynamiques.

Résumé de l'invention Un procédé pour réaliser l'isolation de défauts, dans un système de données aérodynamiques qui utilise l'intelligence artificielle pour générer un paramètre aérodynamique global, comprenant la génération du paramètre aérodynamique sous la forme d'une fonction d'une pluralité de valeurs mesurées. Les valeurs mesurées peuvent être, par exemple, des pressions statiques locales ou d'autres valeurs mesurées. Ensuite, des estimations de chaque valeur mesurée de la pluralité des valeurs mesurées sont générées sous la forme d'une fonction du paramètre aérodynamique généré. Chaque valeur mesurée peut ensuite être comparée à son estimation correspondante pour déterminer si une différence entre la valeur mesurée et son estimation correspondante dépasse un seuil et indique ainsi la présence d'un défaut dans un dispositif (par exemple, un capteur de pression) qui fournit la valeur mesurée.

Brève description des dessins

La figure 1 est une représentation graphique 30 d'orifices de détection de pressions aérodynamiques encastrés sur un véhicule aérien vue du dessus et du dessous, respectivement, selon un mode de réalisation.

La figure 2 est une représentation graphique d'un système de données aérodynamiques encastré (FADS) qui est configuré pour mettre en oeuvre des procédés d'isolation de défauts de la présente invention.

La figure 3-1 est une représentation graphique d'un réseau neuronal d'un type qui peut être utilisé dans le FADS présenté sur la figure 2, qui utilise des lectures de pression d'orifices statiques encastrés et qui génère comme sortie un ou plusieurs paramètres aérodynamiques souhaités.

Les figures 3-2 à 3-6 sont des représentations graphiques de réseaux neuronaux d'un type qui peut être utilisé pour isoler des défauts dans le FADS présenté sur la figure 2, qui utilise un paramètre aérodynamique de sortie du réseau neuronal présenté sur la figure 3-2 et certaines lectures de pression des orifices statiques encastrés comme entrées pour produire une estimation d'une des lectures de pression.

La figure 4 est une représentation graphique de réseaux neuronaux et des réseaux neuronaux inverses configurés selon un autre mode de réalisation de la présente invention.

La figure 5 est un organigramme présentant un procédé selon la présente invention.

Description détaillée des modes de réalisation préférés La figure 1 est une représentation graphique, en vue du dessus et du dessous, d'un avion ou d'un véhicule aérien 100 qui utilise un système de données aérodynamiques encastré (FADS) selon les modes de réalisation de la présente invention. Les systèmes de données aérodynamiques encastrés sont de manière générale connus dans l'art. Par exemple, les aspects de tels FADS sont décrits dans le brevet US No. 6 253 166 délivré à Whitmore et al. le 26 juin 2001, et intitulé STABLE ALGORITHM FOR ESTIMATING AIRDATA FROM FLUSH SURFACE PRESSURE MEASUREMENTS. D'autres exemples de FADS ou aspects de FADS sont décrits dans (1) Air Data Sensing from Surface Pressure Measurements Using a Neural Network, Method AIAA Journal, vol. 36, no. 11, p. 2094-2101(8) (1 novembre 1998) de Rohloff T.J., Angeles L., Whitmore S.A., et Catton I. ; (2) Fault-Tolerant Neural Network Algorithm for Flush Air Data Sensing, Journal of Aircraft, vol. 36, iss. 3, p. 541-549(9) (1 mai 1999) de Rohloff T.J., Whitmore S.A. et Catton I. ; (3) Fault Tolerance and Extrapolation Stability of a Neural Network Air- Data Estimator, Journal of Aircrat, vol. 36, iss. 3, p. 571-576(6) (1 mai 1999) de Rohloff T.J. et Catton I.; et (4) Failure Management Scheme for Use in a Flush Air Data System, Aircraft Design 4, p. 151-162 (2001) de C. V. Srinatha Sastry, K.S. Raman et B. Lakshman Babu.

Le FADS utilisé par le véhicule aérien 100 comprend, ainsi qu'indiqué dans l'exemple présenté, onze orifices de détection de pression statique encastrés (ou semi-encastrés) 110 situés à différentes positions sur l'extérieur du véhicule. Bien que la figure 1 présente onze orifices de détection de pression statique à des positions particulières, le nombre et les positions particulières des orifices 110 peuvent varier au besoin pour le véhicule aérien particulier et l'application particulière. D'autres exemples de FADS décrits dans le présent document utilisent N orifices de détection de pression statique.

Ainsi qu'indiqué précédemment, dans un FADS, la pression ou les valeurs de pression mesurées par les orifices individuels 110 sont combinées, au moyen d'un ou plusieurs algorithmes d'intelligence artificielle (réseaux neuronaux, machines à vecteur support, etc.) pour générer des paramètres aérodynamiques globaux. Lorsqu'un ou plusieurs orifices 110 présentent un blocage ou un autre défaut, il est avantageux de pouvoir isoler l'orifice défaillant ou en défaut pour assurer que le système fonctionne jusqu'à un niveau souhaité ou nécessaire. La figure 2 est une représentation graphique d'un FADS 200, selon les modes de réalisation de la présente invention, qui fournit une telle isolation de défauts. Le système 200 est un exemple de mode de réalisation du FADS utilisé sur le véhicule aérien 100. Bien que la figure 2 présente des orifices de détection de pression statique encastrés, elle représente des systèmes de données aérodynamiques plus généralement, comprenant ceux qui utilisent d'autres types de dispositifs de détection de pression.

Par exemple, le système de données aérodynamiques représenté peut être un système de données aérodynamiques qui utilise des capteurs de pression plus conventionnels de type sonde ou montés en fuseau.

Ainsi qu'indiqué sur la figure 2, le FADS 200 comprend N orifices statiques encastrés 210 (numérotés 110-1 à 110-N, respectivement). Les orifices 2877447 8 individuels mesurent chacun une seule valeur de pression correspondant à leur position respective sur le véhicule aérien 100. Au moyen d'un ou plusieurs réseaux neuronaux ou d'autres algorithmes basés sur l'intelligence artificielle mis en oeuvre dans un circuit informatique de données aérodynamiques 210, ces N valeurs de pression peuvent être combinées ou utilisées pour générer un ou plusieurs paramètres aérodynamiques 220 au besoin. Des exemples de paramètres aérodynamiques comprenant, notamment, l'angle d'attaque (AOA), l'angle de dérapage (AOS) et le nombre de Mach. Ainsi qu'indiqué ci-dessous en détail, les algorithmes d'intelligence artificielle mis en oeuvre au moyen d'une centrale aérodynamique 210 fournissent également des informations sur l'isolation de défauts 230 qui indiquent la présence d'orifices de détection de pression statique bloqués ou en défaut.

Selon un mode de réalisation présenté de la présente invention, la centrale aérodynamique 210 est configurée pour mettre en oeuvre plusieurs réseaux neuronaux tels que ceux présentés sur les figures 3-1 à 3-6. Dans cet exemple, on suppose que seuls cinq orifices statiques encastrés (c'est-à-dire N=5) correspondant aux orifices 110 présentés sur les figures 1 et 2 sont présents. Ainsi qu'indiqué sur la figure 3-1, ces cinq orifices génèrent chacun une mesure de pression correspondante pi (pour i entre 1 et 5) qui est fournie à une entrée d'un réseau neuronal 300-1. Les cinq entrées correspondant aux cinq mesures de pression sont représentées par les chiffres de référence 301 à 305, respectivement. Les mesures de pression aux entrées 301 à 305 sont ensuite fournies aux noeuds internes (par exemple, les noeuds hl à h6 représentés par 311 à 316) du réseau neuronal qui appliquent des poids et des fonctions de transfert prédéterminés aux mesures de pression pour générer des sorties intermédiaires. Dans cet exemple présenté, les sorties intermédiaires fournies par les noeuds internes 311 à 316 constituent des entrées au noeud de sortie 320. Le noeud de sortie 320 applique des poids prédéterminés et/ou une fonction de transfert aux sorties intermédiaires pour générer un paramètre aérodynamique particulier (désigné O. ) qui constitue une sortie. Le paramètre aérodynamique 01 généré au noeud de sortie 320 est un des paramètres aérodynamiques 220 qui constitue une sortie de la centrale aérodynamique 210 présentée sur la figure 2.

Bien que non représentées sur la figure 3-1, les sorties intermédiaires des noeuds 311 à 316 peuvent être fournies à n'importe quel nombre de couches souhaitées de noeuds à l'intérieur du réseau neuronal 300-1. En outre, n'importe quel type de réseau neuronal ou d'algorithme d'intelligence artificielle peut être utilisé. En outre, dans l'art, les fonctions de pondération et de transfert appliquées au moyen de différents noeuds du réseau neuronal sont prédéterminées par l'entraînement du réseau neuronal avec un grand nombre d'ensembles de données d'entrées connues et des sorties souhaitées correspondantes. Dans le cas d'un système de données aérodynamiques, les ensembles d'entrées connues et les sorties correspondantes peuvent être obtenus à partir de données d'essai en vol, de données en tunnel aérodynamique ou d'autres sources. De plus, bien qu'un seul paramètre aérodynamique ( 01 ) est une sortie du réseau neuronal 300-1, d'autres paramètres aérodynamiques peuvent être obtenus en ajoutant des noeuds supplémentaires et en entraînant le réseau neuronal en conséquence. En variante, d'autres réseaux neuronaux différents peuvent être utilisés pour générer les paramètres aérodynamiques supplémentaires.

Les informations sur les défauts 230 obtenues de la centrale aérodynamique 210 constituent un exemple généré utilisant les réseaux neuronaux ou des algorithmes d'intelligence artificielle présentés sur les figures 3-2 à 3-6. La présente invention produit une isolation de défauts individuellement pour chacun des orifices de détection de pression. Pour chaque orifice particulier des N orifices, l'isolation de défauts est réalisée en utilisant des pressions mesurées de tous les autres N-1 orifices, ainsi que le paramètre aérodynamique souhaité 01 généré en utilisant le réseau neuronal 300-1 présenté sur la figure 3-1, comme entrées au réseau neuronal avec une sortie qui représente l'orifice particulier. Ainsi, N réseaux neuronaux supplémentaires sont utilisés avec la sortie de chacun des N réseaux neuronaux représentant l'orifice non compris. Toutes les mesures de pression, pi, sont utilisées tout d'abord pour dériver le paramètre aérodynamique, 01r ainsi qu'indiqué sur la figure 3-1. Une fois que 01 est connu, il est ensuite utilisé avec N-1 des mesures de pression pour estimer la pression restante, PestÉ La différence entre la valeur de pression estimée correspondante et la valeur de pression mesurée doit présenter une erreur, Ei, pour l'orifice particulier qui est dérivée lors du procédé d'entraînement d'une manière très proche de celle utilisée pour dériver la précision pour 01. Ainsi, la précision réelle de la mesure de pression pi n'est pas identique à Ei. Cette dernière prend en compte l'interaction de pi avec le FADS.

Par exemple, considérons le réseau neuronal 300-2 présenté sur la figure 3-2. Dans ce cas, pour déterminer si l'orifice 110-1 (qui mesure la pression pl) fonctionne convenablement, la sortie aérodynamique 01 et les pressions mesurées restantes P2 à p5 constituent des entrées au réseau neuronal 300-2.

D'autres informations, par exemple, d'autres paramètres aérodynamiques dérivés, peuvent également être utilisées comme entrées au réseau neuronal 300-2 au besoin. En utilisant les noeuds internes 321 à 326 et le noeud de sortie 330, ainsi que les fonctions de pondération et de transfert dérivées lors de l'entraînement du réseau neuronal 300-2, le réseau neuronal génère une estimation 'D'est de la pression pl comme sortie. La centrale aérodynamique 210 peut ensuite comparer l'estimation 'D'est à la pression mesurée pl pour calculer la différence entre les deux, et vérifier que la différence présente une erreur correspondante acceptable E1. Si la différence entre l'estimation plest et la pression mesurée pl n'est pas située dans la valeur d'erreur correspondante acceptable Eu la centrale aérodynamique peut fournir ces informations sous la forme d'informations 2877447 12 d'isolation de défauts 230. Selon d'autres modes de réalisation, les informations d'isolation de défauts 230 comprennent uniquement l'estimation de la pression ou la différence entre l'estimation de pression et la pression mesurée, et un autre circuit informatique est utilisé pour identifier le défaut.

De même que le réseau neuronal 300-2 présenté sur la figure 2, les réseaux neuronaux 300-3 à 300-6 présentés sur les figures 3-3 à 3-6 sont utilisés pour générer les estimations de pression p2est à p5est, qui peuvent être comparées respectivement aux pressions mesurées p2 à p5 des orifices 110-2 à 110-5 pour vérifier que les différences présentent des erreurs respectives E2 à E5. En particulier, avec la sortie aérodynamique O1 et les pressions mesurées pi et de p3 à p5 qui constituent des entrées, le réseau neuronal 300-3 utilise des noeuds internes et de sortie (par exemple, les noeuds internes 331 à 336 et le noeud de sortie 340) pour mettre en oeuvre les fonctions de pondération et de transfert dérivées lors de l'entraînement pour générer l'estimation P2est de la pression p2. Avec la sortie aérodynamique 01 et les pressions mesurées pi, p2, p4 et p5 constituant des entrées, le réseau neuronal 300-4 utilise des noeuds internes et de sortie (par exemple, les noeuds internes 341 à 346 et le noeud de sortie 350) pour mettre en oeuvre les fonctions de pondération et de transfert dérivées lors de l'entraînement pour générer l'estimation P3est de la pression p3 ainsi qu'indiqué sur la figure 3-4. Avec la sortie aérodynamique O1 et les pressions mesurées pi à p3 et p5 constituant des entrées, le réseau neuronal 300-5 utilise des noeuds 2877447 13 internes et de sortie (par exemple, les noeuds internes 351 à 356 et le noeud de sortie 360) pour mettre en oeuvre les fonctions de pondération et de transfert dérivées lors de l'entraînement pour générer l'estimation P4est de la pression p4 ainsi qu'indiqué sur la figure 3-5. Enfin, avec la sortie aérodynamique O. et les pressions mesurées pl à p4 constituant des entrées, le réseau neuronal 300-6 utilise des noeuds internes et de sortie (par exemple, les noeuds internes 361 à 366 et le noeud de sortie 370) pour mettre en oeuvre les fonctions de pondération et de transfert lors de l'entraînement pour générer l'estimation P5est de la pression p5 ainsi qu'indiqué sur la figure 3-6.

Il est à noter qu'un système de données aérodynamiques tel que présenté sur les figures décrites précédemment n'est pas limité aux FADS. Ces procédés peuvent également être appliqués pour isoler les défauts de n'importe quel système qui présente une dépendance entre un ensemble de variables, par exemple, des systèmes de données aérodynamiques qui utilisent d'autres types de sondes ou dispositifs de détection de pression. Ces procédés peuvent également être appliqués pour isoler les défauts de systèmes de données aérodynamiques qui produisent des paramètres aérodynamiques globaux sous la forme d'une fonction d'entrées autres que les pressions statiques. Par exemple, d'autres entrées à un réseau neuronal ou d'un autre algorithme d'intelligence artificielle comprennent les valeurs mesurées indiquant les positions de gouverne, les charges sur les gouvernes, les pressions hydrauliques et d'autres forces, la masse du véhicule au décollage, l'équilibrage statique du véhicule, la masse du carburant restant, la poussée du réacteur ou les réglages de poussée, le système de positionnement mondial (GPS)/informations satellite (altitude, vitesse, position), l'altitude ou l'altitude-pression d'une source de bord ou à distance, la température de l'air d'une source de bord ou à distance, l'accélération du véhicule du système inertiel ou des accéléromètres indépendants, l'attitude du véhicule du système inertiel ou des accéléromètres indépendants, la position du train d'atterrissage (déployé ou non), etc. En conséquence, bien que dans les modes de réalisation présentés, les entrées du réseau neuronal présenté sur les figure 2 et 3-1 à 3-6 sont des pressions statiques locales, selon d'autres modes de réalisation, les entrées présentées sur ces figures représentent d'autres valeurs mesurées telles que celles indiquées ci- dessus.

En référence à la figure 4, un schéma de principe d'un mode de réalisation selon la présente invention est présenté. Selon ce mode de réalisation, un réseau neuronal inverse ou un autre algorithme d'intelligence artificielle est utilisé pour générer les estimations des pressions statiques mesurées (ou d'autres valeurs mesurées). Ainsi qu'indiqué sur le circuit de mise en uvre d'un algorithme d'intelligence artificielle 410, qui peut être mis en uvre dans le circuit de la centrale aérodynamique 210 représenté sur la figure 2, un ou plusieurs algorithmes d'intelligence artificielle sont utilisés pour générer M paramètres aérodynamiques (de O1 à OM ) utilisant comme entrées les N valeurs mesurées (par exemple, les pressions ou les mesures de pression) de pl à pN. Ainsi qu'indiqué précédemment, les paramètres aérodynamiques peuvent comprendre, par exemple, un angle d'attaque global (AOA), un angle de dérapage global (AOS), un nombre de Mach global, une pression statique globale (Ps) et/ou une pression totale globale (Pt) pour le véhicule aérien.

Ensuite, au lieu de générer la valeur mesurée (la pression statique dans cet exemple), des estimations utilisant une combinaison d'un des paramètres aérodynamiques générés avec un sous-ensemble des valeurs mesurées tel que décrit ci-dessus, les estimations des valeurs mesurées sont générées sous la forme d'une fonction des M paramètres aérodynamiques générés. Ceci est représenté par le circuit de mise en oeuvre d'un algorithme d'intelligence artificielle inverse 420, dans lequel les entrées pour le modèle inverse sont les paramètres aérodynamiques globaux.

Considérons un exemple dans lequel les M paramètres aérodynamiques générés comprennent Pt, Ps, AOA et AOS et dans lequel les N valeurs mesurées sont les pressions statiques locales. Une fois que les valeurs de Pt, Ps, AOA et AOS sont prédites à partir des valeurs de pression, le modèle inverse mis en oeuvre dans le circuit 420 présente ces quatre valeurs comme entrées avec la mesure de pression concernée comme sortie. D'une part, si une mesure de pression statique particulière pl est mauvaise , elle influence légèrement toutes les variables de sortie Oi (c'est-à-dire Pt, Ps, AOA et AOS). D'autre part, si elle est la seule entrée en défaut, elle n'a qu'une influence faible correspondant à la différence qui est obtenue dans le procédé inverse. Autrement dit, pour détecter un capteur à orientation incontrôlable, la dérive étant difficile à détecter puisque les variables de sortie Oi peuvent présenter des tolérances attendues, le procédé inverse pour la détection de défauts présente une sensibilité beaucoup plus élevée et l'entrée en défaut est à l'extérieur des tolérances attendues ou hors limite .

En référence à la figure 5, un organigramme présentant un procédé selon la présente invention selon les modes de réalisation indiqués ci-dessus est présenté. Le procédé fournit une isolation de défauts dans un système de données aérodynamiques qui utilise l'intelligence artificielle pour générer un paramètre aérodynamique. Ainsi qu'indiqué au bloc 510, le procédé comprend l'étape consistant à générer le paramètre aérodynamique sous la forme d'une fonction d'une pluralité de valeurs mesurées, par exemple, des pressions statiques mesurées. Ensuite, ainsi qu'indiqué au bloc 520, le procédé comprend l'étape consistant à générer des estimations de chaque valeur mesurée de la pluralité des valeurs mesurées sous la forme d'une fonction du paramètre aérodynamique. Enfin, ainsi qu'indiqué au bloc 530, le procédé comprend l'étape consistant à comparer chaque valeur mesurée à son estimation correspondante pour déterminer si une différence entre la valeur mesurée et son estimation correspondante dépasse un seuil et ainsi indique la présence d'un défaut dans un dispositif qui fournit la valeur mesurée.

Ainsi qu'indiqué ci-dessus, selon certains modes de réalisation, l'étape 520 consistant à générer les estimations de chaque valeur mesurée de la pluralité de valeurs mesurées comme sous la forme d'une fonction du paramètre aérodynamique généré comprend en outre la génération de l'estimation de chaque valeur mesurée particulière sous la forme d'une fonction du paramètre aérodynamique généré et sous la forme d'une fonction d'au moins certaines des autres valeurs mesurées de la pluralité des valeurs mesurées telles que décrites en référence au figures 3-2 à 3- 6.

Selon d'autres modes de réalisation, l'étape 510 comprend la génération d'une pluralité de paramètres aérodynamiques sous la forme d'une fonction de la pluralité des valeurs mesurées. L'étape 520 comprend ensuite la génération des estimations de chaque valeur mesurée de la pluralité des valeurs mesurées sous la forme d'une fonction de la pluralité des paramètres aérodynamiques générés ainsi que décrits ci-dessus en référence à la figure 4.

Bien que la présente invention ait été décrite en référence aux modes de réalisation préférés, l'homme du métier comprendra que des modifications peuvent être apportées sur la forme et sur les détails sans s'éloigner de l'esprit et de la portée de la présente invention.

Claims (22)

REVENDICATIONS

1. Procédé pour fournir une isolation de défauts dans un système de données aérodynamiques qui utilise l'intelligence artificielle pour générer un paramètre aérodynamique, le procédé comprenant: la génération du paramètre aérodynamique sous la forme d'une fonction d'une pluralité de valeurs mesurées; et la génération des estimations de chaque valeur mesurée de la pluralité des valeurs mesurées sous la forme d'une fonction du paramètre aérodynamique.

2. Procédé selon la revendication 1, dans lequel la génération du paramètre aérodynamique comprend la génération d'un paramètre aérodynamique global pour un véhicule aérien.

3. Procédé selon la revendication 2, dans lequel la génération du paramètre aérodynamique global comme fonction de la pluralité des valeurs mesurées comprend en outre la génération du paramètre aérodynamique global sous la forme d'une fonction d'une pluralité de pressions statiques locales.

4. Procédé selon la revendication 2, dans lequel la génération du paramètre aérodynamique global sous la forme d'une fonction de la pluralité des valeurs mesurées comprend en outre la génération du paramètre aérodynamique global sous la forme d'une fonction d'une valeur mesurée représentant un élément parmi une position de gouverne, une charge sur les gouvernes, une force, une masse du véhicule au décollage, un équilibrage statique du véhicule, une masse du carburant restant, une poussée du réacteur, des informations satellite, une altitude, une température de l'air, une accélération du véhicule, une attitude du véhicule, une position du train d'atterrissage.

5. Procédé selon la revendication 1, et comprenant en outre la comparaison de chaque valeur mesurée à son estimation correspondante pour déterminer si une différence entre la valeur mesurée et son estimation correspondante dépasse un seuil et indique ainsi la présence d'un défaut dans un dispositif qui fournit la valeur mesurée.

6. Procédé selon la revendication 5, dans lequel l'étape consistant à générer les estimations de chacune de la pluralité des valeurs mesurées sous la forme d'une fonction du paramètre aérodynamique généré comprend en outre la génération de l'estimation de chaque valeur mesurée particulière sous la forme d'une fonction du paramètre aérodynamique généré et sous la forme d'une fonction d'au moins certaines des autres valeurs de la pluralité des valeurs mesurées.

7. Procédé selon la revendication 6, dans lequel la génération du paramètre aérodynamique sous la forme d'une fonction de la pluralité des valeurs mesurées comprend en outre la génération du paramètre aérodynamique au moyen d'un premier algorithme d'intelligence artificielle ayant la pluralité de valeurs mesurées comme entrées.

8. Procédé selon la revendication 7, dans lequel la génération des estimations de chacune de la pluralité des valeurs mesurées comprend notamment la génération de chaque estimation au moyen d'en outre un autre algorithme d'intelligence artificielle ayant le paramètre aérodynamique généré et au moins certaines des autres valeurs mesurées de la pluralité des valeurs mesurées comme entrées.

9. Procédé selon la revendication 8, dans lequel la pluralité des valeurs mesurées comprend N pressions statiques locales fournies par N dispositifs de détection de pression statique, dans lequel la génération du paramètre aérodynamique comprend en outre la génération d'un paramètre aérodynamique global au moyen du premier algorithme d'intelligence artificielle ayant les N pressions statiques mesurées comme entrées et dans lequel la génération des estimations de chacune des N pressions statiques comprend en outre la génération de chaque estimation au moyen de l'autre algorithme d'intelligence artificielle ayant le paramètre aérodynamique global généré et les autres N-1 des N pressions statiques comme entrées.

10. Procédé selon la revendication 9, dans lequel l'étape consistant à générer le paramètre aérodynamique global au moyen du premier algorithme d'intelligence artificielle comprend en outre la génération du paramètre aérodynamique global au moyen d'un premier réseau neuronal, et dans lequel l'étape consistant à générer chaque estimation au moyen de l'autre algorithme d'intelligence artificielle comprend en outre la génération de chaque estimation au moyen d'un autre réseau neuronal.

11. Procédé selon la revendication 6, dans lequel la génération du paramètre aérodynamique comprend en outre la génération d'au moins un élément parmi un angle d'attaque pour un véhicule aérien, un angle de dérapage pour le véhicule aérien et un nombre de Mach pour le véhicule aérien.

12. Procédé selon la revendication 6, et avant l'étape consistant à générer le paramètre aérodynamique, comprenant en outre l'obtention de la pluralité des valeurs mesurées sous la forme d'une pluralité de pressions statiques d'une pluralité d'orifices de détection de pression statique encastrés ou semi-encastrés.

13. Procédé selon la revendication 5, dans lequel l'étape consistant à générer le paramètre aérodynamique sous la forme d'une fonction de la pluralité des valeurs mesurées comprend en outre la génération d'une pluralité de paramètres aérodynamiques sous la forme d'une fonction de la pluralité des valeurs mesurées, et dans lequel la génération des estimations de chaque valeur mesurée de la pluralité des valeurs mesurées sous la forme d'une fonction du paramètre aérodynamique généré comprend en outre la génération des estimations de chaque valeur mesurée de la pluralité des valeurs mesurées sous la forme d'une fonction de la pluralité des paramètres aérodynamiques générés.

14. Système de données aérodynamiques comprenant: une pluralité d'orifices de détection de pression statique chacun fournissant une pression statique mesurée d'une pluralité de pressions statiques mesurées; et un circuit informatique aérodynamique configuré de manière à utiliser l'intelligence artificielle pour générer un paramètre aérodynamique sous la forme d'une fonction de la pluralité des pressions statiques mesurées, et configuré de manière à utiliser l'intelligence artificielle pour générer des estimations de chaque pression statique mesurée de la pluralité des pressions statiques mesurées sous la forme d'une fonction du paramètre aérodynamique généré.

15. Système de données aérodynamiques selon la revendication 14, dans lequel le circuit d'information aérodynamique est en outre configuré de manière à comparer chaque pression statique mesurée à son estimation correspondante pour déterminer si une différence entre la pression statique mesurée et son estimation correspondante dépasse un seuil et indique la présence d'un défaut dans l'orifice de détection de pression statique correspondant.

16. Système de données aérodynamiques selon la revendication 15, dans lequel le circuit informatique aérodynamique est configuré de manière à générer les estimations de chaque pression statique mesurée de la pluralité des pressions statiques mesurées sous la forme d'une fonction du paramètre aérodynamique généré et sous la forme d'une fonction d'au moins une des autres pressions statiques mesurées de la pluralité des pressions statiques mesurées.

17. Système de données aérodynamiques selon la revendication 16, dans lequel la pluralité des orifices de détection de pression statique comprend N orifices de détection de pression statique chacun fournissant une des N pressions statiques mesurées et dans lequel le circuit d'information aérodynamique est configuré de manière à générer les estimations de chacune des N pressions statiques mesurées sous la forme d'une fonction du paramètre aérodynamique généré et sous la forme d'une fonction des N-1 autres pressions statiques des N pressions statiques.

18. Système de données aérodynamiques selon la revendication 15, dans lequel le circuit informatique aérodynamique est configuré de manière à générer une pluralité de paramètres aérodynamiques sous la forme d'une fonction de la pluralité des pressions statiques mesurées et est configuré de manière à générer les estimations de chaque pression statique mesurée de la pluralité des pressions statiques mesurées sous la forme d'une fonction de la pluralité des paramètres aérodynamiques générés.

19. Système de données aérodynamiques selon la revendication 15, dans lequel le circuit informatique aérodynamique est configuré de manière à mettre en uvre l'intelligence artificielle au moyen des réseaux neuronaux.

20. Système de données aérodynamiques selon la revendication 15, dans lequel le circuit informatique aérodynamique est configuré de manière à mettre en uvre l'intelligence artificielle au moyen des machines à vecteur support.

21. Système de données aérodynamiques selon la revendication 15, dans lequel le paramètre aérodynamique comprend au moins un élément parmi un angle d'attaque pour un véhicule aérien, un angle de dérapage pour le véhicule aérien, un nombre de Mach pour le véhicule aérien, une pression statique pour le véhicule aérien et une pression totale pour le véhicule aérien.

22. Système de données aérodynamiques selon la revendication 15, dans lequel la pluralité d'orifices de détection de pression statique comprend une pluralité d'orifices de détection de pression statique 5 encastrés ou semi-encastrés.