FR2895537A1 - Detection de defauts dans des systemes de donnees aerodynamiques reposant sur l'intelligence artificielle. - Google Patents

Abstract

La présente invention divulgue un procédé et un appareil permettant de détecter un défaut dans un capteur pour un système de données aérodynamiques qui utilise l'intelligence artificielle afin de générer des paramètres de données aérodynamiques. Le procédé et l'appareil génèrent des paramètres de données aérodynamiques en fonction des valeurs mesurées telles que les pressions statiques. Le système génère également une valeur de détection de défauts sur la base de la valeur reçue. La valeur de détection de défauts est alors entrée dans un deuxième réseau ayant l'intelligence artificielle afin de déterminer si un capteur a connu un défaut.

Description

Détection de défauts dans des systèmes de c.onnees aérodynamiques reposant

sur l'intelligence artificielle Arrière-plan de l'invention La présente invention concerne généralement des systèmes de capteurs de données aérodynamiques, tels que des systèmes de données aérodynamiques noyés (FADS), destinés à être utilisés sur un véhicule aérien. Plus particulièrement, la présente invention concerne des procédés et un appareil permettant d'obtenir un isolement des défauts dans les systèmes de capteurs de données aérodynamiques reposant sur l'intelligence artificielle, tels que des FADS à base de réseau de neurone. Un FADS utilise typiquement plusieurs orifices de pression statique noyés ou semi-noyés à l'extérieur d'un véhicule aérien (tel qu'un aéronef) afin de mesurer les pressions statiques locales à diverses positions. Les pressions ou les valeurs de pression mesurées par les orifices individuels sont combinées en utilisant une certaine forme d'algorithme(s) d'intelligence artificielle, notamment les réseaux de neu2one (RN) par exemple afin d'obtenir des paramètres de données aérodynamiques corrigés pour le véhicule aérien. Les paramètres de données aérodynamiques corrigés représentent les valeurs globales de ces paramètres pour le véhicule aérien. Dans ce contexte, le terme global se réfère aux données aérodynamiques mesurées à une certaine distance du véhicule aérien, à savoir dans un champ lointain . En revanche, les paramètres locaux sont mesurés à la surface du véhicule aérien et sont sujets à des effets de champ d'écoulement autour de la géométrie de l'aéronef. Les paramètres locaux sont caractérisés ou corrigés afin d'obtenir des données aérodynamiques globales.

Des exemples de ces paramètres de données aérodynamiques globaux pour le véhicule aérien incluent l'angle d'attaque (AOA), l'angle de dérapage (AOS), le nombre Mach, etc. D'autres paramètres de données aérodynamiques globaux bien connus pour le véhicule aérien peuvent également être calculés. Un autre exemple d'algorithmes d'intelligence artificielle pouvant être utilisé avec un FADS sont des appareils à vecteur de support (support vector machines / SVM), et les algorithmes d'intelligence artificielle tels que mentionnés dans les présentes incluent ces types ou d'autres types d'algorithmes dont l'apprentissage est réalisé à partir d'exemples. Les systèmes de données aérodynamiques noyés offrent de nombreux avantages qui rendent leur utilisation souhaitable pour certains véhicules aériens ou dans certains environnements. Par exemple, les orifices de pression statique noyés ou semi-noyés peuvent entraîner une traînée moins importante sur le véhicule aérien que dans d'autres types de capteurs de pression. En outre, les orifices de capteur de pression statique noyés ou semi-noyés font l'objet d'une accumulation de givre inférieure à d'autres types de dispositifs capteurs de pression. D'autres avantages d'un FADS peuvent inclure par exemple une observabilité inférieure à celle des autres systèmes de données aérodynamiques du style sonde. Supposons qu'un FADS utilise N orifices de pression statique noyés destinés à être utilisés sur un aéronef. Les orifices individuels mesurent chacun une valeur de pression locale unique associée à leurs emplacements respectifs sur l'aéronef. En utilisant des réseaux de neurone ou d'autres algorithmes d'intelligence artificielle, ces N valeurs de pression peuvent être utilisées comme entrées afin d'obtenir les paramètres de données aérodynamiques globaux/individuels nécessaires pour le système de données aérodynamiques. Afin de garantir dei, performances précises et d'accroître la fiabilité, un aspect important du système de données aérodynamiques gLobal est la capacité à isoler er: à détecter les défauts afin de préserver les niveaux de précision et de sécurité. Des orifices obstrués ou des capteurs connaissant des déviations sDnt des exemples de défauts de matériel. Les capteurs faisant: l'objet de déviations sont des capteurs ayant une sortie qui varie au fil du temps, en raison du calibrage ou d'autres problèmes, par rapport à une sortie souhaitée ou de référence pour un ensemble particulier de conditions. Des défauts non détectés réduisent la sécurité dans l'ensemble du système, et étant donné que les paramètres globaux de l'aéronef sont déduits en utilisant l'intelligence artificielle avec un grand nombre d'orifices de capteur de pression en tant qu'entrées, une défaillance d'au moins un orifice peut être difficile à identifier et à isoler. En conséquence, on a besoin de procédés d'isolement de défauts dans des FADS ou autres systèmes de données aérodynamiques reposant sur l'intelligence artificielle. Résumé de l'invention Un procédé et un appareil permettant de détecter un défaut dans un capteur d'un système de données aérodynamiques qui utilise l'intelligence artificielle pour générer des paramètres de données aérodynamiques sont divulgués. Le procédé et l'appareil génèrent des paramètres de données aérodynamiques en fonction des valeurs mesurées telles que les pressions statiques. Le système génère également une valeur de détection de défauts sur la base d'une valeur reçue. La valeur de détection de défauts est alors entrée dans un deuxième réseau ayant une intelligence artificielle afin de déterminer si le capteur a connu un défaut.

Les modes de réalisation du procédé et de l'appareil génèrent la valeur de détection de défauts sur la base d'un paramètre de données aérodynamiques reçu. Dans un mode de réalisation, le paramètre de données aérodynamiques reçu est traité par l'intermédiaire du réseau afin de générer des paramètres de données aérodynamiques supplémentaires. Ces paramètres de données aérodynamiques supplémentaires parviennent alors dans une table de recherche inversée afin d'identifier un paramètre de données aérodynamiques prévu qui est associé aux paramètres de données aérodynamiques supplémentaires. Ensuite, une différence entre les paramètres de données aérodynamiques mesurés et prévus est entrée dans un second réseau ayant l'intelligence artificielle. Dans un deuxième mode de réalisation, une valeur non dimjensionnelle pour le paramètre de données aérodynamiques mesuré est calculée. Celle-ci est calculée en divisant le paramètre de données aérodynamiques mesuré par la moyenne du même paramètre de données aérodynamiques mesuré par les capteurs dans le système. Cette valeur est entrée dans le deuxième réseau. Brève description des dessins La figure 1 est une illustration schématique d'orifices de capteur de pression de données aérodynamiques noyés sur un véhicule aérien tel que représenté sur des vues de dessus et de dessous, respectivement, dans un exemple de mode de réalisation. La figure 2 est une illustration schématique d'un système de données aérodynamiques noyé (FADS) qui est configuré afin de mettre en oeuvre les procédés d'isolement de défauts de la présente invention. La figure 3 est une illustration schématique d'un réseau de neurone du type qui peut être utilisé dans le FADS représenté sur la figure 2, qui utilise des relevés de pression provenant d'orifices statiques noyés comme entrées, et qui génère comme sortie, un ou plusieurs paramètres de données aérodynamiques souhaités.

La figure 4 est un schéma fonctionnel illustrant les composants d'un FADS selon un mode de réalisation de la présente invention. La figure 5 est un schéma fonctionnel illustrant les étapes de la détection de défauts selon le FADS de la figure 4.

La figure 6 est un schéma fonctionnel illustrant les composants d'un FADS, selon un mode de réalisation de la présente invention. La figure 7 est un schéma fonctionnel illustrant les étapes d'une détection de défauts selon le FADS de la figure 6.

La figure 8 est un graphique illustrant une fonction tangente sigmoïdale pouvant être utilisée par un réseau de neurone détecteur de défauts. Description détaillée des modes de réalisation préférés La figure 1 est une illustration schématique, sur des vues de dessus et de dessous, d'un aéronef ou véhicule aérien 100 qui utilise un système de données aérodynamiques noyé (FADS) selon les modes de réalisation de la présente invention. Les systèmes de données aérodynamiques noyés sont généralement connus dans la technique. Par exemple, les aspects de ce FADS sont décrits dans le brevet américain N 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 Usinq a Neural Network, Method AIAA Journal, volume 36, numéro 11, pages 2094 à 2101(8) (ter novembre 1998) par 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 (journal des aéronefs), volume 36, édition 3, pages 541 à 549(9) (1" mai 1999) par Rohloff T.J., Whitmore S.A., et Catton I. ; (3) Fault Tolerance and Extrapolation Stability of a Neural Network Air-Data Estimator, Journal of Aircraft, volume 36, édition 3, pages 571 à 576(6) (ter mai 1999) par Rohloff T.J. et Catton I. ; et (4) Failure Management Scheme for Use in a Flush Air Data System, Aircraft Design 4, pages 151 à 162 (2001) par C.V. Srinatha Sastry, K.S. Raman et B. Lakshman Babu. Le FADS utilisé par le véhicule aérien 100 inclut, dans un exemple illustré, onze orifices de capteur de pression statique 110 noyés (ou semi-noyés) positionnés à différents emplacements à l'extérieur du véhicule. Tandis que la figure 1 illustre onze orifices de capteur de pression statique dans des emplacements particuliers, le nombre particulier et les emplacements particuliers des orifices 110 peuvent varier comme on le souhaite pour le véhicule aérien particulier et une application particulière. D'autres exemples de FADS tels que décrits dans les présentes utilisent N orifices de capteur de pression statique.

Tel que décrit précédemment, dans un FADS, la pression ou les valeurs de pression mesurées par les orifices individuels 110 sont combinées, en utilisant une certaine forme d'algorithmes d'intelligence artificielle (réseaux de neurone, appareils de vecteur de support, etc.) afin de générer des paramètres de données aérodynamiques globaux. Quand un ou plusieurs des orifices 110 font l'objet d'une défaillance ou autre défaut, il est avantageux d'être en mesure d'isoler l'orifice faisant l'objet de l'obstruction ou du défaut afin de garantir que le système satisfait à une norme souhaitée ou nécessaire. La figure 2 est une illustration schématique d'un FADS 200, selon les modes de réalisation de la présente invention, qui permet l'isolement des défauts. Le système 200 est un exemple de mode de réalisation du FADS utilisé sur un véhicule aérien 100. Tandis que la figure 2 illustre les orifices de capteur de pression statique noyés, on souhaite représenter les systèmes de données aérodynamiques d'une manière plus générale, y compris ceux utilisant d'autres types de dispositifs de capteur de pression. Par exemple, le système de données aérodynamiques illustré peut être un. système de données aérodynamiques qui utilise des capteurs de pression de type sonde ou entretoise traditionnels.

Tel qu'illustré sur la figure 2, le FADS 200 inclut N orifices statiques noyés 100 (numérotés de 110-1 à 110-N respectivement). Les orifices individuels mesurent chacun une seule valeur de pression associée à leurs emplacements respectifs sur le véhicule aérien 100. En utilisant un ou plusieurs réseaux de neurone ou d'autres algorithmes reposant sur l'intelligence artificielle mis en. oeuvre dans le circuit calculateur de données aérodynamiques 210, ces N valeurs de pression peuvent être combinées ou utilisées afin de générer un ou plusieurs paramètres de données aérodynamiques 220 selon les besoins. Des exemples de ces paramètres de données aérodynamiques incluent, sans s'y limiter, l'angle d'attaque (AOA), l'angle de dérapage (AOS) et le nombre Mach. Tel que cela sera décrit ci-dessous plus en détail, les algorithmes d'intelligence artificielle mis en oeuvre par le calculateur de données aérodynamiques 210 fournissent également des informations d'isolement des défauts 230 qui indiquent des orifices de capteur de pression statique obstrués ou présentant un autre défaut.

Selon un exemple de mode de réalisation de la présente invention, le calculateur de données aérodynamiques 210 est configuré afin d'appliquer des réseaux de neurone tels que celui illustré sur la figure 3. Dans cet exemple, supposons qu'il existe uniquement cinq orifices statiques noyés (à savoir N = 5) correspondant aux orifices 110 représentés sur les figures 1 et 2. Tel qu'illustré sur la figure 3, ces cinq orifices génèrent chacun un relevé de pression pi correspondant (pour i compris entre 1 et 5) qui est délivré comme entrée d'un réseau de neurone 300. Les cinq entrées correspondant à ces cinq relevés de pression sont représentées par les numéros de référence 301 à 305, respectivement. Les relevés de pression au niveau des entrées 301 à 305 sont alors délivrés aux noeuds internes (par exemple les noeuds hl à h6 représentés en 311 à 316) du réseau de neurone qui appliquent des pondérations, poussées et fonctions de transfert prédéterminés aux relevés de pression afin de générer des sorties intermédiaires. Dans cet exemple illustré, les sorties intermédiaires fournies par les noeuds internes 311 à 316 sont délivrées en tant qu'entrées au noeud de sortie 320. Le noeud de sortie 320 applique des pondérations prédéterminées et/ou une fonction de transfert aux sorties intermédiaires afin de générer un paramètre de données aérodynamiques particulier (appelé 01 ) comme sortie. Le paramètre de données aérodynamiques 01 généré au niveau du noeud de sortie 320 est l'un des paramètres de données aérodynamiques 220 délivré comme sortie à partir du calculateur de données aérodynamiques 210 représenté sur la figure 2.

Bien que cela ne soit pas illustré sur la figure 3, les sorties intermédiaires des noeuds 311 à 316 peuvent être délivrées à un nombre quelconque de couches souhaitées de noeuds à l'intérieur du réseau de neurone 300. En outre, l'un quelconque d'une variété de différents types de réseaux de neurone ou d'autres algorithmes d'intelligence artificielle peut être utilisé. En outre encore, comme cela est connu dans la technique, les fonctions de pondération et de transfert appliquées par les différents noeuds du réseau de neurone sont prédéterminées en entraînant le réseau de neurone 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 leurs sorties correspondantes peuvent être obtenus à partir des données d'essai en vol, données de soufflerie aérodynamiques ou autres sources. Par ailleurs, tandis que seul un paramètre de données aérodynamiques ( 01 ) est délivré par le réseau de neurone 300, d'autres paramètres de données aérodynamiques peuvent être fournis en ajoutant des noeuds supplémentaires et en entraînant le réseau de neurone en conséquence. En variante, d'autres réseaux de neurone séparés peuvent être utilisés afin de générer les paramètres de données aérodynamiques supplémentaires.

Il est à noter qu'un système de données aérodynamiques tel que celui illustré dans les figures décrites ci-dessus ne se limite pas au FADS. Ces procédés peuvent également s'appliquer à l'isolement des défauts de tout système qui présente une dépendance entre un ensemble de variables, tels que des systèmes de données aérodynamiques qui utilisent d'autres types de sondes ou dispositifs de détection de pression. Ces procédés peuvent également s'appliquer à l'isolement de défauts dans des systèmes de données aérodynamiques qui permettent d'obtenir des paramètres de données aérodynamiques globaux en fonction d'entrées différentes des seules pressions statiques. Par exemple, d'autres entrées d'un réseau de neurone ou d'un autre algorithme d'intelligence artificielle incluent les valeurs mesurées indiquant les positions de la gouverne, le chargement de la gouverne, les pressions hydrauliques ou autres forces, la masse du véhicule au décollage, l'équilibrage statique du véhicule, la masse de carburant restant, les paramètres de poussée du moteur, les informations du système mondial de repérage (GPS), les informations satellite (altitude, vitesse, position), l'altitude ou altitude/pression à partir d'une source à bord ou à distance, la température de l'air à partir d'une source à bord ou à distance, l'accélération du véhicule à partir du système d'inertie ou d'accéléromètres indépendants, l'orientation du véhicule à partir du système d'inertie ou d'accéléromètres indépendants, la position du train d'atterrissage (déployé ou non), etc. En conséquence, tandis que, dans les exemples de modes de réalisation, les entrées du réseau de neurone illustrées sur les figures 2 et 3 sont des pressions statiques locales, dans d'autres modes de réalisation, ces entrées illustrées sur ces figures représentent d'autres valeurs mesurées telles qu'un ou plusieurs des types de valeurs mentionnées ci-dessus.

La figure 4 est un schéma fonctionnel illustrant le procédé et les composants permettant de déterminer un défaut selon un mode de réalisation de la présente invention. La figure 5 est un schéma fonctionnel qui illustre les étapes réalisées selon un exemple de mise en oeuvre du mode de réalisation de la figure 4. Le système 400 inclut un capteur de données aérodynamiques 410, un réseau de neurone de données aérodynamiques 420, une table de recherche inversée 430, un module comparateur 440, et un réseau de neurone détecteur de défauts 450. A des fins de simplicité, la description sur la figure 4 se réfère à une valeur unique mesurée provenant du capteur 410. Toutefois, l'homme de la technique reconnaîtra facilement que les principes évoqués sur la figure 4 s'appliquent lorsque le capteur 410 représente plusieurs capteurs. A la première étape du procédé, le capteur 410 donne une indication d'une pression mesurée au réseau de neurone de données aérodynamiques 420. Ceci est illustré à l'étape 510. Il est à noter que, tandis que le réseau de neurone de données aérodynamiques 420 est illustré comme un réseau de neurone, d'autres composants peuvent être substitués au réseau 420. Par exemple, le réseau 420 peut être un composant mettant en oeuvre d'autres formes d'intelligence artificielle. Les données délivrées au réseau de neurone de données aérodynamiques 420 peuvent se présenter de telle sorte que les données sont typiquement transmises du capteur 410 au réseau 420. Afin de faciliter la compréhension de la présente description, on suppose que les données transmises à partir du capteur 410 sont des données indiquant une pression mesurée. Toutefois, l'homme de la technique comprendra facilement que le capteur 410 peut délivrer des valeurs de données aérodynamiques différentes ou supplémentaires au réseau de données aérodynamiques 420. Le réseau de neurone de données aérodynamiques 420 reçoit la pression mesurée à partir du capteur de données aérodynamiques 410. A partir de cette pression mesurée, le réseau de neurone de données aérodynamiques 420 calcule un certain nombre de paramètres de données aérodynamiques supplémentaires tels que les conditions de vol en écoulement non perturbé. Dans un mode de réalisation, le réseau de neurone de données aérodynamiques 420 calcule quatre paramètres supplémentaires. Ces paramètres peuvent inclure la pression statique (Ps), la pression dynamique (Qc), l'angle d'attaque (AOA), et l'angle de dérapage (AOS).

Toutefois, le réseau de neurone de données aérodynamiques peut calculer plus ou moins de paramètres supplémentaires. En outre, le réseau 420 peut calculer d'autres paramètres de données aérodynamiques que ceux mentionnés ci-dessus. Le calcul des paramètres supplémentaires est illustré à l'étape 520. Le réseau de neurone de données aérodynamiques 420 est un réseau de neurone qui a été entraîné avant l'utilisation du système sur un aéronef. Le réseau 420 dans un mode de réalisation est entraîné sur des ensembles de données qui ont été créés à partir de la dynamique des fluides obtenue par voie de calcul (CFD), d'une soufflerie aérodynamique, et/ou d'essais en vol. En fonction du nombre de capteurs présents sur l'aéronef, de l'ensemble de données pour le système 400, un certain nombre de tables multidimensionnelles existent. Par exemple, un système ayant N orifices de pression et M valeurs de sortie est constitué de N tables M-dimensionnelles qui renvoient une valeur de pression pour tout ensemble de M conditions de vol dans le domaine de vol de l'aéronef. Une fois que les paramètres de données aérodynamiques supplémentaires pour le capteur ont été déterminés au niveau du réseau de neurone de données aérodynamiques 420, les paramètres de données aérodynamiques supplémentaires sont délivrés à l'un quelconque des autres composants de l'aéronef qui utilise ces données. La sortie est illustrée par l'élément 220. Toutefois, afin de déterminer s'il existe un défaut dans un capteur 410 quelconque, le système 400 réalise une vérification des défauts. Dans le mode de réalisation illustré sur la figure 4, un nombre de paramètres de données aérodynamiques supplémentaires générés en utilisant un réseau de neurone ou autre système d'intelligence artificielle 420 passent à un deuxième procédé permettant de déterminer s'il existe un défaut. Dans un mode de réalisation, les paramètres de données aérodynamiques supplémentaires de AOA, AOS et du Mach prédit sont fournis à la table de recherche inversée 430.

Toutefois, d'autres paramètres peuvent être utilisés. La table de recherche inversée 430 est une table de recherche multidimensionnelle où l'une quelconque des valeurs de données aérodynamiques peut être prévue à partir de la réception des points de données restants. Dans le mode de réalisation illustré sur la figure 4, la table de recherche inversée 430 est une table 3-D où la pression prévue peut être déterminée à partir de la réception des données associées à AOA, AOS et au nombre Mach prévu. Dans un mode de réalisation, la table de recherche inversée 430 est générée à partir des données initialement utilisées afin d'entraîner le réseau de neurone de données aérodynamiques 420. Toutefois, dans d'autres modes de réalisation, la table de recherche 430 peut être générée à partir d'autres données. La pression prévue associée aux paramètres de données aérodynamiques supplémentaires entrés est illustrée à l'étape 530. Une fois que la pression prévue est obtenue à partir de la table de recherche inversée 430 à l'étape 530, la pression mesurée et la pression prévue sont comparées au niveau du module comparateur 440. Cette étape peut être réalisée pour chacune des pressions mesurées obtenues à partir des capteurs 410. Le module comparateur 440 compare tout simplement la pression prévue et la pression mesurée selon un procédé prédéterminé afin de générer une valeur de détection de défauts pour un capteur particulier. Dans un mode de réalisation, le module comparateur 440 soustrait la pression prévue de la pression mesurée afin de générer la valeur de détection de défauts. Toutefois, d'autres approches pour comparer les pressions peuvent être utilisées. Ce procédé de comparaison est illustré à l'étape 540. Les résultats du procédé de comparaison de l'étape 540 sont délivrés à un réseau de neurone détecteur de défauts 450 à l'étape 550. Le réseau de neurone détecteur de défauts 450 est un deuxième réseau de neurone qui a été entraîné afin d'identifier les défauts dans les données. Ce procédé est utile étant donné que la comparaison entre 1a pression prévue et une pression mesurée pour un capteur individuel 410 n'identifie pas de manière adéquate les défaillances étant donné qu'il existe presque toujours un décalage systémique entre les deux qui change avec l'ensemble des pressions d'entrée. Ceci est principalement dû au fait que les paramètres de condition de vol utilisés pour rechercher la pression prévue sont calculés avec l'ensemble des pressions. Le réseau de neurone 450 prend en considération l'ensemble des autres pressions mesurées dans l'analyse d'un défaut. La détermination d'un défaut est délivrée à l'étape 560 et représentée par le numéro de référence 230. Les informations de défaut 230 délivrées par le réseau de neurone détecteur de défauts 450 sont générées, dans un exemple, en utilisant un réseau de neurone tel que celui illustré sur la figure 3 ci-dessus, mais avec les entrées décrites. Toutefois, dans d'autres modes de réalisation, le réseau 450 peut utiliser d'autres algorithmes d'intelligence artificielle. La figure 6 est un schéma fonctionnel illustrant le procédé et les composants permettant de déterminer un céfaut selon un mode de réalisation de la présente invention. La figure 7 est un schéma fonctionnel qui illustre les étapes réalisées selon le mode de réalisation de la figure 6.

A la première étape, une pluralité de capteurs de données aérodynamiques 610 génèrent chacun une valeur de données aérodynamiques. Dans un mode de réalisation, les valeurs de données aérodynamiques sont une valeur mesurée. Toutefois, toute autre valeur de données aérodynamiques peut être utilisée. Une fois que des valeurs de données aérodynamiques ont été générées ou reçues, les capteurs 610 transmettent ces données à un réseau de neurone de données aérodynamiques 620. Ceci est illustré à l'étape 710.

Le réseau de neurone de données aérodynamiques 620 reçoit les pressions mesurées à partir des capteurs de données aérodynamiques 610. A partir de ces pressions mesurées, le réseau de neurone de données aérodynamiques 620 calcule un certain nombre de paramètres de données aérodynamiques supplémentaires tels que les conditions de vol en écoulement non perturbé. Dans un mode de réalisation, le réseau de neurone de données aérodynamiques 620 calcule quatre paramètres supplémentaires. Ces paramètres peuvent inclure la pression statique (Ps), la pression dynamique (Qc), l'angle d'attaque (AOA), et l'angle de dérapage (AOS). Toutefois, le réseau de neurone de données aérodynamiques peut calculer plus ou moins de paramètres supplémentaires. En outre, le réseau 620 peut calculer d'autres paramètres de données aérodynamiques. Le calcul des paramètres supplémentaires est illustré à l'étape 720. En utilisant un domaine de vol d'un aéronef donné, un ensemble de données d'apprentissage peut être généré en utilisant l'ensemble de tables de recherche afin de prévoir les pressions observées sur chacun des orifices de pression 610. En choisissant une condition de vol spécifique avec le domaine de vol, ces paramètres de domaine de vol peuvent être entrés dans les tables de recherche afin de générer N pressions. (Où N est le nombre de capteurs 610).

Pendant l'apprentissage du réseau de neurone de données aérodynamiques 620, une erreur simulée est appliquée à un ou aux capteurs 610 et les pressions = sortie des capteurs de pression 610 sont converties en valeurs non dimensionnelles.

Ceci permet d'obtenir un ensemble de valeurs d'entrée qui peuvent êtredélivrées soit au réseau de neurone de données aérodynamiques 620 soit au réseau de neurone détecteur de défauts 650. En utilisant cet ensemble de pressions, y compris l'erreur simulée, les paramètres de données aérodynamiques sont prévus en utilisant le réseau de neurone 620. Cette comparaison entre les paramètres de données aérodynamiques prévus et les paramètres de données aérodynamiques réels permet de générer des points d'apprentissage cibles. Chaque point repose sur le décalage entre les paramètres de données aérodynamiques prévus et les paramètres de données aérodynamiques réels. Cette approche d'apprentissage est alors utilisée afin d'entraîner le réseau de neurone détecteur de défauts pour prévoir le moment où un capteur donné 610 délivre une valeur erronée. Parallèlement, le réseau de neurone de données aérodynamiques 620 détermine les paramètres de données aérodynamiques supplémentaires, et la pression mesurée est également délivrée à un module 630 qui est configuré afin de convertir la pression mesurée en valeur de détection de défauts non dimensionnelle. Dans un mode de réalisation, le module 630 utilise l'ensemble des valeurs de pression mesurées reçues à partir des capteurs 610 et génère une valeur de pression moyenne pour l'ensemble des capteurs 610, qui délivrent des données de pression au réseau de neurone 620. Ceci est appelé Pmoy. Ensuite, le paramètre mesuré Pm pour l'un des capteurs 610 est comparé à la valeur moyenne. Dans un mode de réalisation, Pm est divisé par Pmoy• Ceci représente la valeur non dimensionnelle pour la pression Pm mesurée. Cette valeur non dimensionnelle est alors entrée dans le réseau de neurone détecteur de défauts 650. Ceci est illustré à l'étape 730.

Le réseau de neurone détecteur de défauts 650 traite la valeur non dimensionnelle afin de déterminer si le capteur associé 610 présente un défaut. Dans un mode de réalisation, le réseau de neurone détecteur de défauts 650 traite la valeur non dimensionnelle afin d'obtenir une valeur qui peut être tracée par rapport à une valeur de tangente sigmoïdale. Toutefois, d'autres approches peuvent être utilisées. Un exemple de graphique de tangente sigmoïdale est illustré sur la figure 8. Sur la figure 8, l'axe des y 820 représente la valeur traitée par le réseau de neurone détecteur de défauts, et l'axe des x 810 représente l'erreur de pression mesurée, ou d'autres paramètres de données aérodynamiques. Les lignes 830 et 840 représentent les valeurs le long de l'axe y 820 duquel l'équation de tangente sigmoïdale se rapproche de manière asymptotique. Dans un mode de réalisation, cette valeur est 1. Toutefois, d'autres valeurs peuvent être utilisées. Les lignes 835 et 845 représentent les valeurs pour l'équation de tangente sigmoïdale où un défaut est déterminé. Dans un mode de réalisation, la valeur est définie à 0,85. De nouveau, d'autres valeurs peuvent être utilisées pour la valeur de défaut. Tandis que le réseau de neurone détecteur de défauts 650 est illustré ci-dessus en utilisant l'opération de tangente sigmoïdale, d'autres processus pouvant déterminer le défaut peuvent être utilisés dans le réseau 650. La détermination d'un défaut est illustrée à l'étape 740.

Bien que la présente invention ait été décrite en faisant référence aux modes de réalisation préférés, l'homme de la technique comprendra que des modifications peuvent être apportées quant à la forme et le détail sans sortir de l'esprit et de la portée de l'invention.

Claims (17)

REVENDICATIONS

1. Procédé permettant d'obtenir un isolement des défauts dans un système de données aérodynamiques qui utilise l'intelligence artificielle afin de générer des paramètres de données aérodynamiques, le procédé comprenant. les étapes consistant à : - recevoir une valeur de données aérodynamiques à partir d'au moins un capteur de données aérodynamiques ; et - générer une valeur de détection de défauts sur la base de la valeur de données aérodynamiques reçue et - déterminer si un défaut est présent en traitant la valeur de détection de défauts par l'intermédiaire d'un réseau détecteur de défauts utilisant l'intelligence artificielle.

2. Procédé selon la revendication 1, dans lequel la génération de la valeur de détection de défauts comprend : - la génération d'une valeur prévue pour la valeur de données aérodynamiques reçue ; et - la comparaison entre la valeur de données aérodynamiques reçue et la valeur de données aérodynamiques prévue.

3. Procédé selon la revendication 2, dans lequel la génération de la valeur prévue pour la valeur de données aérodynamiques reçue comprend en outre les étapes consistant à . - recevoir des paramètres de données aérodynamiques supplémentaires pour le au moins un capteur de données aérodynamiques ; et- rechercher une base de données de valeurs de paramètres de données aérodynamiques afin d'identifier une valeur de données aérodynamiques associée aux paramètres de données aérodynamiques supplémentaires.

4. Procédé selon la revendication 3, dans lequel la base de données est une table de recherche inversée.

5. Procédé selon la revendication 4, dans lequel la table de recherche inversée est une base de données M-dimensionnelle, où M est égal au nombre de paramètres de données aérodynamiques supplémentaires.

6. Procédé selon la revendication 3, dans lequel les données stockées dans la base de données sont des données qui sont utilisées afin d'entraîner l'intelligence artificielle du système de données aérodynamiques.

7. Procédé selon la revendication 2, dans lequel la comparaison entre la valeur de données aérodynamiques prévue et la valeur de données aérodynamiques reçue comprend en outre l'étape consistant à : - calculer une différence entre la valeur de données aérodynamiques reçue et la valeur de données aérodynamiques prévue.

8. Procédé selon la revendication 1, dans lequel la réception de la valeur de données aérodynamiques comprend en outre l'étape consistant à : -recevoir une pluralité de valeurs de données aérodynamiques, chaque valeur de données aérodynamiques étant associée à un capteur de données aérodynamiques différent.

9. Procédé selon la revendication 8, dans lequel la génération d'une valeur de détection de défauts comprend en outre les étapes consistant à : - créer une valeur non dimensionnelle pour l'une de la pluralité de valeurs de données aérodynamiques reçues ; et - traiter la valeur non dimensionnelle pour l'une de la pluralité de valeurs de données aérodynamiques reçues par l'intermédiaire du réseau détecteur de défauts.

10. Procédé selon la revendication 9, comprenant en outre les étapes consistant à : moyenner la pluralité des valeurs de données aérodynamiques reçues ; et - diviser la valeur de données aérodynamiques reçue par la valeur moyenne de la pluralité de valeurs de données aérodynamiques reçues.

11. Système de données aérodynamiques comprenant : - une pluralité d'orifices de capteur de pression, chacun délivrant une de la pluralité de pressions mesurées ; et - un circuit de calcul de données aérodynamiques configuré afin d'utiliser l'intelligence artificielle pour générer des paramètres de données aérodynamiques en fonction de la pluralité de pressions mesurées, et configuré afin d'utiliser l'intelligence artificielle pour identifier un défaut dans l'un de la pluralité d'orifices de capteur de données aérodynamiques.

12. Système de données aérodynamiques selon la revendication 11, dans lequel le circuit de calcul de données aérodynamiques est en outre configuré afin de -générer une valeur prévue pour l'une des pressions mesurées et d'identifier un défaut sur la base du traitement de la différence entre l'une des pressions mesurées et la valeur prévue.

13. Système de données aérodynamiques selon la revendication 12, dans lequel le circuit informatique de données aérodynamiques est configuré afin de générer la valeur prévue pour l'une de la pression mesurée sur la base des paramètres de données aérodynamiques générés pour un orifice de pression associé.

14. Système de données aérodynamiques selon la revendication 13, dans lequel la valeur prévue pour l'une des pressions mesurées est générée à partir d'une base de données.

15. Système de données aérodynamiques selon la revendication 14, dans lequel la base de données est une table de recherche inversée M-dimensionnelle, où M est égal au nombre de paramètres de données aérodynamiques calculés pour une pression mesurée donnée.

16. Système de données aérodynamiques selon la revendication 11, dans lequel le circuit de calcul des données aérodynamiques est en outre configuré afin de générer une entrée non dimensionnelle pour chacune de la pluralité de pressions mesurées, avec l'intelligence artificielle afin d'identifier un défaut.

17. Système de données aérodynamiques selon la revendication 16, dans lequel l'entrée non dimensionnelle est générée en divisant l'une de la pluralité de pressions mesurées par une moyenne de la pluralité des pressions mesurées.