FR2908542A1

FR2908542A1 - Procede et systeme de detection et de localisation d'un dereglage ou d'un defaut d'un rotor de giravion

Info

Publication number: FR2908542A1
Application number: FR0609992A
Authority: FR
Inventors: Herve Morel
Original assignee: Eurocopter France SA; Eurocopter SA
Current assignee: Airbus Helicopters SAS
Priority date: 2006-11-15
Filing date: 2006-11-15
Publication date: 2008-05-16
Anticipated expiration: 2026-11-15
Also published as: US7440857B2; IL181519A0; FR2908542B1; US20080114553A1; CN101183437B; CN101183437A

Abstract

L'invention concerne un procède de détection et d'identification d'un défaut ou déréglage d'un rotor de giravion à l'aide d'un réseau de neurones artificiels, le rotor comportant plusieurs pales et plusieurs organes de réglage associés à chaque pale ; le réseau est un réseau à apprentissage compétitif supervisé à l'entrée duquel on applique des données spectrales de vibrations mesurées sur le giravion, le réseau fournissant en sortie une donnée représentative de celle des pales du rotor qui présente un défaut ou déréglage ou bien une donnée représentative d'une absence de défaut, et le cas échéant une donnée représentative du type du défaut détecté.

Description

1 Procédé et système de détection et de localisation d'un déréglage ou

d'un défaut d'un rotor de giravion La présente invention est relative à un procédé et à un système de détection et de localisation d'un déréglage ou d'un défaut d'un rotor de 5 giravion. Le domaine technique de l'invention est celui de la fabrication d'hélicoptères. La présente invention s'applique notamment au diagnostic d'un rotor de giravion par analyse des vibrations provoquées, en partie au 10 moins, par le fonctionnement du rotor. Pour pratiquer les mesures de vibration, on équipe le giravion d'accéléromètres qui sont placés (fixés) sur le(s) carter(s) de boîte(s) de transmission, sur des paliers d'arbres, et/ou en d'autres points de la structure de l'hélicoptère. 15 Pendant un vol, les signaux délivrés par ces capteurs peuvent être convertis en données et le cas échéant synchronisés (grâce à des signaux délivrés par un capteur de rotation) et/ou moyennés , puis enregistrés à bord de l'hélicoptère. Ille retour au sol, les données enregistrées peuvent être 20 collationnées et analysées. L'interprétation de ces données est complexe : elle nécessite une intervention longue d'un expert. Les outils connus d'analyse automatique de ces données pour diagnostiquer un défaut mécanique dans un mécanisme sont incomplets et imparfaits ; des défauts existants ne sont pas détectés, tandis que des 25 indications injustifiées de défaut sont parfois générées par ces outils. Un objectif de l'invention est de proposer un procédé d'analyse de telles données, un programme d'analyse et un dispositif incluant ce 2908542 2 programme, qui permettent d'établir rapidement un diagnostic fiable, i.e. maximisant le pourcentage de défauts effectifs détectés et minimisant le pourcentage de défauts non avérés. Un rotor de giravion, en particulier un rotor d'avance et de sustentation d'un hélicoptère, cornporte habituellement plusieurs organes mécaniques réglables ou déplaçables, dits organes de réglage, dont la valeur de réglage ou la configuration influe considérablement sur les vibrations produites lors du fonctionnement du giravion ; parmi ces organes figurent des masselottes d'équilibrage solidaires de chaque pale ou de chaque structure (manchon) de fixation d'une pale au moyeu du rotor et dont la masse peut être ajustée, des volets ou tabs solidaires de chaque pale et dont l'orientation peut être modifiée, ainsi que des organes de réglage de la longueur des bielles de commande de pas respectivement associées à chaque pale. 1.5 Parmi les défauts d'éléments mécaniques d'un rotor qui influent sur une signature vibratoire de l'hélicoptère, on peut mentionner les jeux de roulements et de fixations ainsi que les dégradations des caractéristiques mécanique d'une pièce dues à son vieillissement, telle qu'une modification de la raideur ou de l'amortissement d'un amortisseur de traînée par 20 exemple. Ces moyens de réglage peuvent être utilisés pour ajuster les fréquences propres respectives des pales qui correspondent à leur deuxième mode de battement, comme décrit dans le brevet FR-2 784 351. Il a été décrit dans les brevets FR-2 824 394, WO-03 085 366 et 2.5 FR-2 871 438 des procédés pour détecter des déréglages ou défauts de rotor de giravion et pour régler ces organes de réglage afin de minimiser le niveau vibratoire. Selon ces procédés, on utilise un réseau de neurones illustrant des relations entre des accélérations (vibrations) et des paramètres de réglage ù 30 ou défauts-. L'acquisition des mesures vibratoires à partir desquelles sont 2908542 3 calculées des signatures vibratoires, nécessite généralement de réaliser des vols en présence d'éléments mécaniques défaillants sur le rotor, pour différentes configurations de défauts et déréglages : rotor réglé sans défaut, rotor déréglé (sans défaut) en masse, en bielles de pas et en tabs, rotor 5 réglé comportant un organe défaillant. Un réseau de neurones artificiel (RNA) est un modèle de calcul dont la conception est inspirée du fonctionnement des neurones biologiques, et qui est généralement optimisé par une méthode d'apprentissage de type statistique. Un RNA comprend généralement une multitude d'unités de 10 calcul, de structure identique, appelées neurones artificiels (NA) et organisées en couches. Chaque NA est généralement caractérisé par des poids synaptiques, une fonction de combinaison ou agrégation (somme par exemple) des entrées pondérées par les poids synaptiques, et une fonction d'activation qui définit la sortie du neurone en fonction du résultat de la fonction de combinaison et d'un seuil. Chaque RNA se caractérise notamment par la topologie des connexions entre les neurones, le type des fonctions de combinaison et d'activation, et par la méthode d'apprentissage, i.e. de modification itérative des valeurs des poids synaptiques. On distingue parmi ces méthodes, les méthodes d'apprentissage supervisé dans lesquelles on force le RNA à converger vers un état ou une sortie (pré)défini(e), des méthodes non supervisées. On distingue par ailleurs, parmi ces méthodes, les méthodes d'apprentissage compétitif dans lesquelles une partie seulement des poids sont modifiés lors d'une itération, i.e. seulement les poids d'un neurone gagnant ou élu ainsi éventuellement que les poids de neurones proches du neurone élu. 2908542 4 Une carte auto-organisatrice (CAO) ù ou carte de Kohonen - est un RNA particulier comportant généralement une seule couche de neurones dont la sortie est binaire (en particulier égale à zéro ou un), et dont l'apprentissage non supervisé est compétitif : à chaque instant, un seul 5 neurone ù en principe ù est actif OU élu , i.e. le neurone dont les poids sont les plus proches des données d'entrée considérées. Les documents Diagnostic de défauts des rotors d'hélicoptères : approches connexionnistes pour l'analyse vibratoire , Morel H., Rapport DEA Modélisation et conception Assistée par Ordinateur, Ecole Supérieure des l0 Arts et Métiers, UNIR CNRS 6168, 2003, et Defect detection and Iracing on helicopter rotor by artificial neural netiporks , Morel H. et al, Advanced Process Control Applications for Industrv Workshop, APC2005, IEEE, Vancouver, 2005, proposent d'utiliser des cartes auto-organisatrices pour diagnostiquer des défauts de rotors d'hélicoptères. 1.5 Malgré certains avantages procurés par ces procédés, il existe un besoin de procédés fiables et performants de détection et d'identification (localisation) du (ou des) organes ùnotamment de réglage-responsables de niveaux de vibration élevés, afin de diminuer le coût des opérations (régulières) de contrôle du bon fonctionnement d'un giravion. C'est à ce 20 besoin que répond l'invention. La présente invention a notamment pour objet de proposer de tels procédés, ainsi que des programmes, dispositifs et systèmes mettant en oeuvre ces procédés, qui soient améliorés et/ou qui remédient, en partie au moins, aux lacunes ou inconvénients des procédés et systèmes de 25 diagnostic connus. Selon un aspect de l'invention, il est proposé d'utiliser un RNA à apprentissage compétitif supervisé (ci après noté RACS , RAOS ou CAOS ) pour détecter si un rotor de giravion comporte ù ou non ù un défaut ou déréglage et pour déterminer, le cas échéant, celle des pales (i.e. celui des secteurs angulaires correspondant aux pales) du rotor qui 2908542 5 présente le défaut ou déréglage détecté, ainsi que la nature ou localisation du défaut ou déréglage détecté. L'apprentissage compétitif permet d'éviter à l'algorithme de converger vers un état stationnaire ne correspondant pas à une erreur 5 d'apprentissage minimale, ce que ne permettent pas divers autres algorithmes tel qu'un algorithme de rétro-propagation d'erreur. En outre, un RNA à apprentissage compétitif est mieux adapté au diagnostic de défauts et déréglages que d'autres RNA tels que les perceptrons multicouches ou les réseaux à fonctions de base radiales. 10 Il a été constaté qu'un RNA à apprentissage compétitif supervisé facilite la détection et la discrimination de défauts et déréglages d'un rotor de giravion à partir de données de module et de phase de vibrations mesurées sur le giravion. Selon un mode de réalisation de l'invention, on applique en entrée 15 du réseau une suite de données spectrales de vibrations mesurées, i.e. une suite de couples de données (module et phase) d'accélération correspondant à certaines fréquences, en particulier à certaines harmoniques de la fréquence de rotation du rotor, le réseau fournissant en sortie une donnée représentative de celle des pales du rotor qui présente 20 un défaut ou déréglage ou bien une donnée représentative d'une absence de défaut ou déréglage, et le cas échéant une donnée représentative du type du défaut ou déréglage détecté (parmi un ensemble de types de défauts ou déréglages prédéterminés). Chaque suite de données spectrales, qui peut être qualifiée de 25 signature spectrale, forme un vecteur dont chaque composante est une des données, i.e. une valeur de module ou de phase de l'accélération mesurée, pour une fréquence ou harmonique déterminée. Conformément à un aspect de l'invention, le RACS comporte une couche compétitive de neurones compétiteurs qui sont chacun dotés 2908542 6 de poids synaptiques dont le nombre est égal à la dimension (commune) des vecteurs de données spectrales utilisés, le nombre des neurones compétiteurs étant au moins égal ù et de préférence supérieur - à la dimension de ces vecteurs. 5 Selon un mode de réalisation, le rapport du nombre de neurones compétiteurs à la dimension des vecteurs de données est au moins de l'ordre de deux ou trois, en particulier de l'ordre de cinq, dix ou vingt environ. La mise en compétition de ces neurones compétiteurs consiste à 10 déterminer le neurone dont le vecteur - i.e. la suite - de poids synaptiques associés est le plus proche d'un vecteur de données spectrales présenté en entrée de la couche de neurones compétiteurs. A cet effet, on peut notamment calculer une distance Euclidienne entre ces vecteurs. Après détermination de la proximité respective des neurones 15 compétiteurs avec un vecteur de données présenté en entrée, plusieurs méthodes de modification itérative des poids synaptiques des neurones compétiteurs peuvent être utilisées, lors de l'apprentissage du RNA. Ces méthodes se distinguent notamment par la modification - ou non - des poids d'un ou plusieurs neurone(s) distinct(s) du neurone élu, ainsi 20 que par la méthode de modification choisie. Selon un mode de réalisation, on utilise à cet effet un algorithme de quantification vectorielle supervisé, en particulier un algorithme choisi parmi les algorithmes de type LVQ1, OLVQ1, LVQ2, LVQ2.1, LVQ3, MLVQ3, GLVQ, DSLVQ, RLVQ, GRLVQ. 25 On peut par exemple choisir, parmi ces algorithmes, celui présentant un taux de classification élevé et/ou une variance faible, à l'aide d'une méthode de validation statistique par ré-échantillonnage de type validation croisée ( cross-validation ) ou bootstrap . 2908542 7 Selon un autre mode de réalisation, on utilise un algorithme de type réseau auto-organisateur supervisé (RAOS) dont la dimension de l'espace de sortie, qui peut être égale à un, est de préférence égale à deux ou trois ; lorsque cette dimension est égale à deux, un tel réseau peut être qualifié de 5 carte auto-organisatrice supervisée CAOS . Un réseau RAOS se caractérise notamment par l'utilisation d'une fonction de voisinage pour pondérer la modification des poids synaptiques d'un neurone compétiteur en fonction de la distance, mesurée dans l'espace de sortie, entre le neurone élu et le neurone compétiteur. 10 Grâce à la supervision, on évite l'imbrication et/ou la superposition, dans l'espace de sortie, des images de vecteurs présentés en entrée et appartenant à des classes distinctes de défaut ou déréglages. Par conséquent, l'interprétation des résultats - en phase d'exploitation du réseau pour la classification d'une signature - est facilitée. 1:5 Diverses méthodes de supervision de tels algorithmes peuvent être utilisées. Dans une première méthode, on ajoute (on concatène) à chaque vecteur de données spectrales utilisé pour l'apprentissage du réseau, une donnée représentative de l'appartenance du vecteur considéré à une classe 20 correspondant à un type de défaut ou déréglage déterminé. Selon une autre méthode, qui est applicable à un RAOS, on définit une partition de l'espace de sortie en sous-espaces, et on modifie les poids des neurones compétiteurs en fonction de leur appartenance à l'un ou l'autre de ces sous-espaces. 25 Selon un mode préféré de réalisation, cette partition présente une configuration régulière (iso-aire), radiale, et centrée, et le nombre des sous-espaces de la partition est égal au nombre de classes(types) de défaut et/ou déréglage, augmenté d'une unité. 2908542 8 Cette partition peut être définie en déterminant les coordonnées, dans l'espace de sortie, d'un neurone de consigne associé à une classe de défaut ou déréglage, pour tout ou partie de ces classes ; la frontière entre deux sous-espaces adjacents respectivement associés à deux neurones de 5 consigne, peut être une frontière de Voronoï. Cette partition peut notamment être utilisée, lors de l'apprentissage, selon l'une ou l'autre des deux méthodes suivantes : - le centrage de la fonction de voisinage peut être effectué sur le neurone correspondant au barycentre, dans l'espace de sortie, du 10 neurone élu et du neurone de consigne correspondant à la classe du vecteur de données spectrales courant ; ou bien, - la compétition peut être limitée aux neurones du sous-espace correspondant à la classe du vecteur de données spectrales courant. Selon d'autres modes de réalisation de l'invention, on utilise 15 plusieurs réseaux connectés en série, connectés en parallèle, et/ou redondants. Selon un mode particulier de réalisation de l'invention, il est proposé un procédé de détection et d'identification d'un défaut ou déréglage d'un rotor de giravion, le rotor comportant plusieurs pales et plusieurs organes 20 de réglage associés à chaque pale, clans lequel : on détermine à l'aide d'un premier réseau a apprentissage compétitif supervisé RACS1., une donnée d'identification d'au moins un secteur défectueux du rotor, en particulier d'une pale défectueuse ou déréglée, et ; 2:5 - on détermine à l'aide d'un second réseau à apprentissage compétitif (supervisé ou non), une donnée d'identification d'au moins un défaut ou déréglage présent dans le secteur (la pale) défectueux(se) identifié(e). 2908542 9 Certaines au moins des opérations de la phase d'apprentissage et/ou de la phase de diagnostic d'un procédé selon l'invention peuvent être mises en oeuvre par une unité électronique de traitement de données, telle qu'un calculateur, fonctionnant sous la commande d'un programme. 5 Ainsi, selon un autre aspect de l'invention, il est proposé un programme comportant un code fixé sur un support ù tel qu'une mémoire ù ou matérialisé par un signal, le code étant lisible et/ou exécutable par au moins une unité de traitement de données - telle qu'un processeur embarqué sur un giravion -, pour détecter et localiser des éventuels défauts 10 ou déréglages d'un rotor de giravion, le code comportant des segments de code pour effectuer respectivement des opérations d'un procédé selon l'invention. Selon un autre aspect de l'invention, il est proposé un système de diagnostic d'un rotor de giravion, qui comporte : 15 - un organe de lecture d'un support de données qui est agencé pour lire des donnés de mesures effectuées sur le giravion, une base de données contenant des données de signatures vibratoires de référence pour le giravion, - un dispositif de transformation des données de mesure du domaine 20 temporel au domaine fréquentiel, qui est connecté à l'organe de lecture pour en recevoir les données de mesures et pour délivrer en sortie des signatures vibratoires à analyser, et - un organe de calcul qui est relié à la base de données et au dispositif de transformation, et qui est programmé pour effectuer les 25 opérations d'un procédé selon l'invention. D'autres aspects, caractéristiques, et avantages de l'invention apparaissent dans la description suivante, qui se réfère aux dessins annexés et qui illustre, sans aucun caractère limitatif, des modes préférés de réalisation de l'invention. 2908542 10 La figure 1 illustre schématiquement un RACS à apprentissage par quantification vectorielle, avec une représentation vectorielle des entrées et sorties et une représentation matricielle des couches de neurones. La figure 2 illustre schématiquement un R1\OS dont les neurones de 5 l'espace de sortie de dimension deux sont représentés sous forme de disques disposés aux noeuds d'un maillage carré plan illustré en perspective. Les figures 3 à 6 illustrent schématiquement diverses configurations de maillage d'un espace de sortie d'une CAOS, et la position de neurones de référence et/ou de consigne associés à des portions de cet espace. 10 Les figures 7 à 14 illustrent schématiquement diverses partitions d'un espace de sortie d'une CAOS et les diagrammes de Voronoï correspondants, ainsi que la position de neurones représentatifs de classes de défaut et de neurones de consigne. La figure 15 illustre schématiquement un système de diagnostic 15 redondant. La figure 16 illustre schématiquement un système de diagnostic à architecture série. La figure 17 illustre un autre exemple de système de diagnostic à architecture parallèle. 20 La classification de données spectrales de classe inconnue pour détecter un éventuel défaut ou déréglage d'un rotor de giravion nécessite un apprentissage préalable d'un RNA. L'apprentissage supervisé consiste à établir une relation algébrique non linéaire (par calcul de poids synaptiques) à partir de couples 25 d'exemples associés deux à deux : les vecteurs d'entrée (observations) et les vecteurs de sortie (consignes). Les vecteurs d'entrée caractérisent les états d'un rotor, les vecteurs de sortie représentant la classe d'appartenance du vecteur d'entrée. L'algorithme d'apprentissage supervisé a pour but de 2908542 11 minimiser l'erreur d'apprentissage calculée, en fonction des poids synaptiques du RNA et des vecteurs d'entrée et de sortie. L'apprentissage non supervisé est généralement utilisé en classification de données. Il consiste en un calcul des poids synaptiques 5 uniquement à partir des vecteurs d'entrée, dont les critères de ressemblance sont inconnus à priori, mais estimés à l'aide d'une métrique (distance euclidienne par exemple). Par référence à la figure 1, un RNA basé sur la quantification vectorielle se compose généralement d'une couche COMP cachée , dite 10 couche compétitive, suivie d'une couche CLAS de classification. La couche compétitive contient un nombre Nc de neurones cachés, la couche de classification contient un nombre q de neurones de sortie chacun représentatif d'une classe d'appartenance de vecteurs x(x,,...xr) formant une base d'apprentissage. 15 La matrice CW représente la matrice de poids synaptiques à calculer lors de l'apprentissage ; elle est constituée de Nc vecteurs poids m de dimension p : dim(m;)=dim(x). La matrice I,W représente la matrice des q vecteurs prototypes LW, ( codebook ) de dimension Nc : dim(LW;)=Nc. 20 Chaque vecteur prototype code une classe par ses composantes égales à I en quantité proportionnelle du ratio Nc/q, 0 ailleurs, avec les sommes logiques des vecteurs prototypes LW, deux à deux, nulles. L'apprentissage par quantification vectorielle (QV) est généralement de type compétitif non supervisé, l'information d'appartenance des 2.5 vecteurs de la base d'apprentissage n'étant pas utilisée/connue. L'algorithme QV se compose des étapes suivantes - choisir les vecteurs d'apprentissage initiaux représentants des q classes, 2908542 12 - choisir les paramètres (Nc, q, CW, LW) de la structure du RNA, puis initialiser les paramètres CW et LW, - choisir la métrique utilisée pour la mesure de similarité, - choisir un taux d'apprentissage a(t), 5 - pour chaque itération t et chaque vecteur x -déterminer le neurone c élu de la couche compétitive, au sens de la distance minimale (généralement la distance Euclidienne) : c = argmin{ x ù m; } 10 - modifier l'état du vecteur poids m, du neurone c par la règle d'apprentissage : +1) =m~.(t)+a(t) [x(t)ù(1)1 L'effet de cette règle est de rapprocher le vecteur poids mc (du neurone c élu) du vecteur x à apprendre. Le nombre d'itérations peut être 15 fixé empiriquement, ou bien fixé lorsque le taux de classification d'un ensemble de vecteurs non appris atteint un seuil. Lors de la phase de classification d'un vecteur x, le processus d'élection est identique, puis la sortie du neurone élu c (vainqueur) est fixée à 1 (0 ailleurs) pour former un vecteur al. Le produit matriciel entre al et LW active la sortie Y 20 correspondant à la classe estimée de x. Les algorithmes de la famille LVQ ( Learning Vector Quantization ) sont des versions supervisées de l'algorithme de quantification vectorielle QV. A la différence de l'algorithme QV, si le neurone élu c correspond à une autre classe que celle d'appartenance du 25 vecteur x présenté, le vecteur poids mc associé sera éloigné. Les conditions d'initialisation et d'élection des neurones compétiteurs des algorithmes 2908542 13 LVQ sont identiques à celles de l'algorithme QV ; cependant la modification des vecteurs de poids diffère, comme détaillé ci après. La règle de modification du vecteur poids mc par l'algorithme d'apprentissage LVQ1 s'applique sous les conditions suivantes : 5 mc(t+1)=mc(t)+a(t)•[x(t)ùmc(t)] si le neurone élu c et le vecteur d'entrée x sont de classe identique, m,. (1+1)=m,.( ) ( )•[x(1)-m.(1n si c et x sont de classe différente, puis : m;(1+1)=m;(t),Vi~c 10 L'algorithme OL.VQ1 (u Optimized LVQI ) est une variante de LVQ1 dont on affecte un taux d'apprentissage ac(t) optimal propre à chaque classe afin d'accélérer la convergence. La règle d'apprentissage est la suivante : rra,.(t+1)=[1ùs(t)•a.(t)] mc(t)+s(t).oç(t)•x(t) 1:5 avec le taux optimal d'apprentissage ac(t) (t -1) a`(1)= 1+s(t)•ac(t-1) s(t) désignant la classification de m,(t) : s(t)=1 si la classification est correcte, s(t)=-1 sinon. Si le taux d'apprentissage ac(t) augmente, il est impératif de le limiter ac(t)<1 afin de ne pas diverger. Lors de 20 l'initialisation, ai(t) doit être défini pour 0.3<ai(t)<0.5. Dans les algorithmes LVQ2, LVQ2.1, et LVQ3, deux vecteurs poids les plus proches au sens de la mesure sont modifiés, afin de mieux 2908542 14 optimiser les surfaces de séparation. Dans LVQ2, les deux vecteurs poids les plus proches sont corrigés si les conditions suivantes sont réunies le prototype le plus proche mc, (t) est de classe incorrecte, le second le plus proche m,2(t) est de classe correcte, 5 le vecteur à classer x se situe au voisinage de la frontière discriminante, dans une fenêtre symétrique î^., séparant les vecteurs poids mc,(t) et mcz(t), définie telle que : (d, d, d,d,) 1-o >2,2=G[0.2,0.3] I+w min avec la règle de correction des vecteurs poids : m'+' =m' +a(t)•[x-m' ] m= m` - a (t)• [x - m` ] r'2 ,2 L'algorithme I,VQ2.1 est identique à LVQ2 mais la condition de correction des vecteurs mc,(t) et mc,(t) s'applique si l'un ou l'autre appartient indépendamment à des classes différentes. Pour éviter les dérives rendues possibles par LVQ2.1, l'algorithme 15 LVQ3 intègre un facteur constant c dans le cas où mct(t) et mc,(t) appartiendraient à la classe de x ; la règle d'apprentissage devient : 10 +E•a(t)•[x-m' +E•a(t)•[x-m' mr+I = m' 0.2 <s<0.3 Une variante MLVQ3 peut être utilisée pour le cas où m, et m`2 sont de classe différente à celle de x. Dans ce cas, la mise à jour des poids 20 s'effectue selon la règle suivante : 10 1:5 2908542 15 m'' =m' -s•a(t)•[x-m' l ri ri ri m'+' =in' -s•a(t)•[x-m' z 0.2 <e < 0.3 L'algorithme GLVQ ( Generalized LVQ ) est décrit dans Generalized Learning \'ector Quantization , Sato et al, Advances in Neural Information Processing Systems, vol. 7, pp.423-429, MIT Press, 5 1995. Cet algorithme se base sur la minimisation de la distance par descente du gradient du critère MCE ( Minimum Classification Error ). En considérant mc, (t) et m,,(t), les vecteurs poids respectivement de classe identique et de classe différente les plus proches de x, la règle d'apprentissage GLVQ est la suivante : 1)=mc,(t)+a(t)• f d, dd 2 ~ , •[x(t)-m.,(t)] ( ) m,.2 (t+1)=m.,(1)-a(t) f (d, d + d2 ))2 - avec la fonction dérivée f définie par : af = F(p) .0 - F(p)) ap puis F( ,t) la fonction sigmoïde définie par : F(,u) = 1+e fi avec g, le coefficient de mauvaise classification obtenu en fonction des distances dl et d2 les distances relatives entre les vecteurs poids mc, (t) et mc2(t) et le vecteur d'entrée x : d, - d2 ,f!E[-1,1] d, -d2 2908542 16 D'autres algorithmes dérivés du principe de minimisation d'un critère peuvent être utilisés afin de minimiser l'impact de problèmes de redondance contenue dans des vecteurs d'apprentissage de grande dimension : DSLVQ ( Distinction Sensitive LVQ ), RLVQ ( Relevance 5 LVQ ), GRLVQ ( Generalised LVQ ). L'algorithme des cartes auto-organisatrices (CAO) proposé par T. Kohonen est un algorithme non supervisé basé sur l'auto-organisation des vecteurs d'apprentissage à travers leur similarité. L'algorithme projette l'espace des données d'entrée de dimension p, vers un espace q discret de 10 dimension réduite (1:5q_<3), généralement de dimension deux. L'architecture des CAO se compose d'un espace d'entrée composé de p neurones et d'un espace de sortie comportant q neurones interconnectés à travers les pxq poids synaptiques. La figure 2 montre une architecture d'une CAO dont l'espace 15 caractéristique (espace de sortie) est de dimension deux. Les q neurones (q=u*v) de l'espace caractéristique de la CAO, peuvent être organisés sous forme d'un treillis rectangulaire ou hexagonal : la notion de distance de voisinage découle de cette structure graphique qui définit la topologie discrète de la CAO. Lors de l'apprentissage, la notion de voisinage est 20 introduite à l'aide de fonctions de voisinage positives et symétriques définissant les zones d'influence d'un neurone élu au sens de la distance minimale relative à la métrique adoptée. L'algorithme d'une CAO non supervisée comporte trois opérations principales : 25 - l'élection d'un neurone de l'espace caractéristique de la CAO au sens de la distance minimale, considéré comme référence de centrage de la fonction discriminante de voisinage à appliquer, - la définition spatiale, dans l'espace caractéristique de la CAO, du voisinage topologique des neurones voisins excités, par la fonction 30 discriminante, 17 2908542 l'ajustement des poids synaptiques des neurones excités proportionnellement au profil de la fonction discriminante. Ces opérations sont effectuées pour chaque itération t et chaque vecteur x de la base d'apprentissage : c=argmin{ 1.Il-min{ x ù m; 5 x û m; 1 2- h. (t)=a(t)•exp r, ù rr 2a-2 (t) m,(1 +1)= m ,(t)+ h; (t)• [x(t)ù m; (t)] avec a(t) le facteur d'apprentissage décroissant intégré dans le définition de h,;(t), défini pour 0<a(t)<1, r, les coordonnées du neurone c 10 élu, r; les coordonnées des neurones i de la CAO. L'auto-organisation induite par h,;(t) a pour effet d'ordonner la position des vecteurs caractéristiques dans l'espace caractéristique de la CAO en fonction de leurs similarités relatives. Un avantage des CAO est le nombre réduit de paramètres à établir 15 empiriquement, contrairement à lamajorité des autres RNA. Le nombre J de neurones de l'espace caractéristique influe sur la granularité de l'espace de représentation, mais n'a pas d'influence sur l'auto-organisation. La fonction de voisinage h,;(t) modifie l'uniformité de l'auto-organisation, en fonction de sa largeur effective initiale 6(0). n(0) correspond généralement 20 au rayon de la CAO, soit : G(0)=--- q/2 pour un espace de sortie de dimension 1, a(0)= max(u,v)/2 pour un espace de sortie de dimension 2. Plusieurs variantes de l'algorithme de base des CAO ont été proposées, dont les CAO supervisées où l'information de supervision s, est 2908542 18 concaténée avec les composantes du vecteur d'apprentissage x, formant ainsi un vecteur x, de classe définie à travers sa structure : Un rotor de giravion comportant un nombre B de pales peut être 5 décomposé en autant (B) de secteurs angulaires dont les éléments mécaniques identiques pouvant être défaillants ou déréglés sont les pales, les tabs, les bielles de pas, les adaptateurs de traînée, les manchons, les butées sphériques, etc. A partir de cette géométrie symétrique, l'ensemble E, des signatures vibratoires caractéristiques de défauts ou déréglages, par 10 rapport aux B secteurs du rotor, ou bien par rapport à leur nature, peut être défini de la façon suivante : cas 1 : est l'union de l'ensemble C des signatures représentatives du rotor isotrope et de l'ensemble C8 des éléments défectueux ou déréglés propres à chaque secteur b du rotor (113.5_B), 1.5 contenant chacun le sous-ensemble d" des défauts et déréglages (1 SdSD) B Ec. = C8 U Cree = Ch U Çer h=1 Ch = U d" n=1 cas 2 : est l'union de l'ensemble Cr et des signatures représentatives du rotor isotrope et de l'ensemble des D défauts et déréglages, contenant chacun le sous-ensemble Ch d'appartenance au 20 secteur b du rotor : 2908542 = U d' U C,.e/ Ec. = C, 19 n=1 B (in = U Ch h=I En présence d'éléments défectueux uniques tels que le mât rotor ou le carter de boite de transmission, on considère autant de classes supplémentaires par défaut à prendre en compte. L'ensemble E devient 5 l'union de CH ou Ci', de l'ensemble C'f et de l'ensemble des défauts possibles des éléments uniques C tel que : Ee =CH UC,.,,t UCe,, ou alors : E( = Cn U Co U Ce,, 1,0 Dans la pratique, un objectif de l'apprentissage d'un RNA est d')btenir le meilleur compromis entre les performances d'apprentissage et l'estimation des performances de généralisation. Pour valider et/ou comparer les algorithmes à apprentissage compétitif (LVQ, CAO) sur la base de l'erreur d'apprentissage et de 15 généralisation, on peut notamment utiliser une méthode de validation croisée ( cross-validation ) pour l'estimation de l'erreur de généralisation non biaisée, et/ou une méthode Bootstrap pour la variance de l'erreur de généralisation. Les paramètres d'apprentissage et structurels d'un réseau LVQ qui 20 influent sur ses performances sont le nombre Nc de neurones en couche compétitive, le nombre N., , d'itérations d'apprentissage, le taux d'apprentissage qui peut notamment être constant, linéaire décroissant, ou exponentiel décroissant, ainsi que le mode d'initialisation. 2908542 20 D'autres paramètres sont fixés par le contenu des signatures : le nombre p de neurones en entrée est égal à la dimension des signatures, le nombre q de neurones de sortie étant égal au nombre de classes d'appartenance. .5 A titre d'exemple, pour des vecteurs d'entrée (signatures) de dimension voisine de 50 ou 100, on peut choisir un nombre Nc de neurones compétiteurs de l'ordre de 100 à 500, et un nombre d'itérations d'apprentissage également de l'ordre de 100 à 1000, par exemple voisin de 500. 10 On utilise de préférence un taux d'apprentissage linéairement décroissant : un taux d'apprentissage constant converge difficilement vers une solution stable, un taux d'apprentissage exponentiel décroissant affine la convergence mais implique un nombre d'itérations élevé. L'apprentissage peut être affiné en fonction du mode d'initialisation 15 choisi. En particulier, l'initialisation des poids synaptiques peut consister à former la matrice CW par un ensemble de signatures d'apprentissage proportionnel au nombre de neurones par classe de la couche COMP, les signatures étant extraites de l'échantillon d'apprentissage par tirage aléatoire. 20 L'algorithme de supervision d'un RAOS/CAOS nécessite de fixer le nombre N, de neurones de l'espace caractéristique ou de sortie, le nombre N;<<r d'itérations d'apprentissage, et la fonction de voisinage. Le mode d'initialisation peut être aléatoire et le taux d'apprentissage exponentiel décroissant. L'unique paramètre fixé est le nombre p de 2:5 neurones en entrée correspondant à la dimension des signatures. La dimension N, de l'espace caractéristique influant sur la résolution de la CAO, donc sur la précision de la classification, on peut par exemple fixer cette dimension à N,=302 neurones, soit une CAO de dimension 2 formée par un treillis carré de 30 neurones de coté. 2908542 21 La fonction de voisinage peut être une fonction gaussienne, dont la largeur effective (voisinage), décroît à l'image du taux d'apprentissage. La 1 largeur effective conseillée correspond au rayon de la CAO, soit 2 . Le nombre d'itérations N,, är peut être fixé à une valeur voisine de 5 500 à 1000. Contrairement au réseau LVQ, dans un RAOS, la classe C k d'appartenance d'une signature n'est pas représentée par un unique neurone de sortie, mais par un groupe de neurones voisins de même classe définissant un sous-espace de l'espace caractéristique de la CAO de classe 10 C k . Ainsi, l'espace caractéristique de la CAO peut être décomposé en sous-espaces délimités par les frontières du diagramme de Voronoï. Ce diagramme est obtenu par les coordonnées des neurones élus correspondants aux signatures vibratoires apprises, faisant référence pour la phase de classification. Chaque neurone de l'espace caractéristique 1:5 représente alors la classe Ck du neurone de référence le plus proche. Lors de la phase de classification, la classe d'une signature inconnue sera la classe Ck du neurone n de référence le plus proche voisin (cf. figure 3). A partir du diagramme de Voronoï calculé à l'aide de l'échantillon de signatures vibratoires appris, on peut utiliser trois critères de 20 classification : la classification par rapport à CH, consistant à déterminer à quel secteur du rotor appartient la signature inconnue, indépendamment du défaut ou déréglage représenté, la classification par rapport à C, consistant à déterminer quel est le 25 déréglage ou défaut représenté par la signature inconnue, indépendamment du secteur du rotor, 2908542 22 la classification par rapport à C13 et CD, qui consiste à détecter le secteur et/ou la pale du rotor comportant un élément défectueux ou déréglé, puis à localiser cet élément. Malgré le fait que les performances d'un réseau autoorganisateur 5 peuvent être supérieures à celles d'un réseau LV'Q, trois problèmes de classification peuvent se rencontrer : i) l'indécision due à l'élection d'un neurone iso-distant entre deux neurones de référence ; ii) les erreurs en limite de frontière discriminante ; et iii) les erreurs de seuil dues aux faibles amplitudes des défauts ou déréglages. 10 Les erreurs d'élection d'un neurone iso-distant de deux neurones de référence sont dues à la superposition de neurones du treillis de la CAO et du diagramme de Voronoï, notamment en limite de l'espace caractéristique où les segments du diagramme sont parallèles au treillis. Cette difficulté à attribuer une classe d'appartenance à un neurone élu croît avec la 1.5 complexité du diagramme de Voronoï. Le choix d'un treillis hexagonal peut permettre de réduire l'indécision de classification. Les erreurs en limite de frontière discriminante apparaissent lorsqu'une signature représentative d'un défaut ou d'un déréglage k appris est de faible amplitude, donc voisine de la signature représentative du rotor 20 isotrope. Si le sous-espace SA, propre à la classe d'appartenance Ck correspondant au défaut ou d'un déréglage k, ne possède pas de frontière commune avec le sous-espace S associé au rotor isotrope, le neurone élu peut être positionné dans un sous-espace de classe différente. 25 l'élection du neurone dans le sous-espace erreur peut être négligée. Les problèmes d'indécision et d'erreurs en limite de frontières sont minimisés par la supervision de l'algorithme d'apprentissage du réseau Une faible amplitude du défaut ou du déréglage peut entraîner Ste, du rotor isotrope. Cette 2908542 23 auto-organisateur. La supervision permet de regrouper les sous-espaces propres à chaque signature de classe identique, considérée dans e ou autour du sous-espace de référence des signatures représentant le rotor isotrope. 5 La supervision oriente l'apprentissage en fonction de la classe d'appartenance des signatures vibratoires définie dans C8 ou dans C", en attribuant une classe d'appartenance à un neurone ou plusieurs neurones de l'espace de sortie du réseau. Pour la supervision d'un RAOS, on divise l'espace de sortie du 10 réseau en sous-espaces S1....SI; entourant un sous-espace S,,f de la signature de référence correspondant au rotor isotrope, dont les surfaces sont approximativement égales. Pour un ensemble de signatures vibratoires de , par exemple composé des classes suivantes Ch : Et. = C H Cr e/ =U Ch UCrer h=1 1:5 on définit une partition de l'espace caractéristique par le diagramme de Voronoï calculé à partir de (13+1) neurones de consigne positionnés dans le plan de la CAO, décrivant un à un, toutes les classes de EL à représenter, comme illustré figure 4. A partir de cette partition de l'espace caractéristique, il est possible 20 d'utiliser plusieurs méthodes d'élection des neurones pour l'application de la fonction de voisinage. Pour l'apprentissage supervisé de la CAO, l'algorithme procède à l'élection du neurone en fonction d'un critère de supervision et du neurone le plus proche de la signature en cours d'apprentissage. 25 Exemple de critère de supervision (critère A): 2908542 24 Pour une signature x`L de classe Ck, le neurone centrage de la fonction de voisinage est élu à partir du neurone ne { Xe, Y, { le plus proche de au sens de la distance minimale et du neurone de consigne l Cette méthode rapproche les signatures apprises de classe identique autour du neurone de consigne de la classe considérée. La figure 5 illustre l'élection du neurone de centrage de la fonction de voisinage selon le critère A. 10 Autre exemple de critère de supervision (critère B): Le critère B repose sur l'ensemble des neurones de classe Ck, positionnés dans le sous-espace Sk délimité par les frontières du diagramme de Voronoï. Le neurone de centrage de la fonction de voisinage est le neurone n" ,` , élu dans le sous-espace Sk représentatif de la 15 classe Ck, au sens de la distance minimale entre la signature x(. de classe Ck et les neurones de Sk : SA ng = n~, = arg min (d) avec d le vecteur des distances calculées entre les neurones de Sk et la signature vibratoire à apprendre de classe Ck (cf. figure 6). 5 2908542 25 L'apprentissage supervisé d'un(e) RAOS/CAOS comporte une opération d'initialisation et d'organisation de l'espace caractéristique du réseau en k sous-espaces comme décrit ci avant, suivie d'une phase itérative d'apprentissage par mise à jour des poids synaptiques du réseau. 5 Pour chaque itération t d'apprentissage t e [1,N''e''] puis pour chaque signature vibratoire x' e E`, de dimension p et de classe Ch représentée par le neurone de consigne n(h X, r et pour une CAO contenant q neurones dans son espace 10 caractéristique, connectés aux entrées de x par les poids WI,flj e [1,Nt.] W~ =[W1 W Trip] L'algorithme calcule les j distances euclidiennes di correspondant aux j neurones de l'espace de sortie de la CAO, j étant égal à N, si on utilise la méthode de supervision correspondant au critère A ; si on utilise la 15 méthode correspondant au critère B, on calcule ces distances pour les seuls neurones du sous-espace Sk de la CAO de la classe Ck ; où j=dim(Sk) ; chaque distance étant calculée par : i=1 Les distances calculées forment un vecteur d(d,,...d1) de dimension j 20 à partir duquel on détermine le neurone ne pour lequel la distance calculée est minimale : n,=argmin(d).

A

partir de ne on procède à l'élection du nouveau neurone n, de coordonnées {Xg, Yg}, dans l'espace de sortie de la CAO, selon le critère choisi : 2908542 n~ = f (n,,, n( ,critère) La mise à jour des p poids des j neurones de la CAO est calculée selon la règle d'apprentissage : W,+,=14,'+ii(t).h,,,(t) E[1,N(J 5 avec rl(t) le taux d'apprentissage, '' 0.1 et (t) = rio •exp t T2 / et h,,, (t) la fonction de voisinage des neurones j de la CAO autour du neurone élu ng de coordonnées {Xg'1g étant définie par : 26 N 7-2 ' 2 conseillés : Jing/ (t)=exp ( d2 \ ne./ 2a(t)2, 10 d"e' étant la distance euclidienne entre le neurone élu nK de coordonnées 1`Yg'Y et chaque neurone j de coordonnées {X,,Y}. dä ~ = ne û 6(t) définit la largeur effective de la fonction gaussienne h"~! (t) telle que : 6(t)=6o •exp 1`> avec 0-0 le rayon la CAO et T1 donné comme : 2908542 Tl r, loge (60 ) Exemple 1 : classification de signatures mesurées sur AS365 L,'AS365 (dauphin) est un hélicoptère à 4 pales. Les mesures réalisées 5 sur AS365 caractérisent l'état du rotor déréglé lors de deux séries de vols. A chaque vol, les déréglages, leurs points d'application et leurs quantités furent différentes. Une mesure de référence (rotor réglé et sans défaut) a aussi été réalisée. Les définitions respectives de E par rapport à C8 et C" sont les 10 suivantes : Ec = C8 U Orel _ Opale! U Cpale2 U C paie3 U C paie4 U Cre% = CU U cref = d,, anse U dh,eue U d,ah, U cre/ L'échantillon d'apprentissage est constitué de la première série de vols. La seconde série constitue l'échantillon à classer. Les paramètres structurant le réseau et l'apprentissage ont été fixés à N"er =500 N. =302 et 15 60 =3 Suite à l'apprentissage par rapport à C8, on a constaté les performances de classification des signatures non apprises suivantes : 90% de classification correcte pour une CAO non supervisée, 100% de classification correcte pour une CAO supervisée selon le critère A ou le 20 critère B. Les figures 7 et 8 illustrent la déformation du diagramme de Voronoï de consigne suite à l'apprentissage supervisé, respectivement selon le critère A et selon le critère B.

27 2908542 28 L'apprentissage par rapport à Cl' est illustré figures 9 et 10. On a constaté des performances de classification moindres : 76% de classification correcte pour une CAO non supervisée, 90% et 84 /o de classification correcte pour une CAO respectivement supervisée selon le 5 critère A et selon le critère B. La moindre performance peut être due à une confusion des signatures représentatives de déréglages de volets/tabs avec celles des déréglages de bielle. Exemple 2 : classification de signatures mesurées sur EC225 10 L'EC225 (super puma) est un hélicoptère à 5 pales. Comme pour l'exemple 1, les mesures ont été réalisées lors de deux séries de vols (vol de référence, vol déréglé en masse, vol déréglé en bielle et vol déréglé en tabs), pour des déréglages d'amplitudes différentes. L'échantillon d'apprentissage était constitué de la première série de vols, la seconde série 1.5 constituant l'échantillon de classification. Les définitions respectives de Ec par rapport à Ce et C étaient les suivantes : Ec =C 8 UCre/ Cpale1 U C palet U Cpale3 U C,7pale 4 U Cpale5 U Cref Ec _ C/) U Cree = gimasse U dh;elle U dtah.c U Cre/ On a réalisé des mesures vibratoires d'une durée suffisante pour 20 atteindre une convergence des amplitudes des accélérations et de leurs phases. On a généré, par transformation de Fourrier, plusieurs signatures vibratoires à partir de chaque signal temporel. Cet exemple a permis d'analyser la capacité de la CAO et de la CAOS à classifier des signatures calculées à partir de signaux à la limite de la convergence. On a utilisé deux 25 bases de signatures : une base (base A) de 122 signatures calculées à partir de signaux dont la durée correspondait à 40 révolutions du rotor, 2908542 29 une seconde base (base B) de 602 signatures calculées à partir de signaux temporels découpés en cinq signaux. Malgré la prise en compte de mesures au sol (augmentant la dimension des signatures) et un nombre de pales supérieur, on a conservé 5 les mêmes valeurs pour les paramètres structurant le réseau : N =500 N.=302 et 60=3. apprentissage dans (critères A et B), ont été les suivantes : algorithmes supervision et classification pair rapport à c,, supervision et classification par rapport à Co base A base B base A base B CAO 78.69 % 78.69 % 84.43 % 92.

93 CAOS critère A 90.16 % 86.86 % 86.07 % 85.39 % CAOS critère B 88.52 % 86.30 % 88.54 % 95.10 % Les résultats montrent que l'algorithme CAOS est plus performant pour la classification de signatures, notamment dans CR. Par contre, on relève approximativement 6 des erreurs dues au problème d'indécision lors de la classification par la CAO, alors que moins de 2% sont recensés 15 avec la CAOS. L'erreur principale de classification, qu'il s'agisse de la CAO ou de la CAOS, est due au mauvais positionnement de signatures représentatives de déréglages en tabs. Les figures 11 et 12 représentent la localisation des signatures de la base A dans le plan de la CAOS (apprentissage dans C8, critères A et B) 20 L'algorithme supervisé par le critère B est plus sensible aux problèmes de seuil en limite de frontière, autour du sous-espace de la signature représentant le rotor isotrope. Ce problème est plus limité dans le cas de la supervision par le critère A, car l'algorithme recentre les signatures autour de leur neurone de référence, d'où la déformation moins 25 importante du diagramme de Voronoï illustré figure 11. Les performances estimées dans les bases A et B, pour un C13 et dans C1', pour les algorithmes CAO et CAOS 10 2908542 30 Les figures 13 et 14 représentent la localisation des signatures de la base B dans le plan de la CAOS (apprentissage dans C", critères A et B) Dans le cas de ces deux apprentissages, les principales erreurs sont dues à un mauvais placement de signatures (déréglages en tabs) dans 5 l'espace caractéristique discriminante de Sc' de la CAOS, au voisinage de la frontière Dans le cas de l'apprentissage supervisé par le critère A, on s. remarque que ces signatures se positionnent à l'extérieur de ~ car les signatures sont recentrées autour de leurs neurones de consigne respectifs 10 lors de l'apprentissage. Dans le cas de l'apprentissage supervisé par le critère B, la répartition de l'échantillon d'apprentissage est faite sur un maximum de neurones disponibles, ce qui a pour effet de déformer fortement le diagramme de Voronoï, mais n'influence pas les performances de 1:5 classification. Les erreurs de positionnement des signatures représentatives de déréglages en tabs se situent le long des frontières, notamment autour du sous-espace de référence S(-1 illustré figure 14. Sur les figures 7 à 14, on a représenté un maillage carré de l'espace de sortie de la CAOS. L'utilisation d'un treillis hexagonal peut aider à 20 réduire l'indécision et à uniformiser le voisinage, chaque neurone étant positionné à iso-distance de ses neurones voisins. On peut également utiliser un maillage ou treillis hexagonal irrégulier ou bruité , dont les coordonnées sont définies dans l'ensemble R des nombres réels, en ajoutant aux coordonnées de neurones disposés en treillis hexagonal 25 régulier, un décalage Ax et Ay de faible amplitude calculé aléatoirement. Ceci peut permettre de limiter la superposition du diagramme de Voronoï au treillis, à l'identique du diagramme de Voronoï calculé à partir de barycentres, de conserver la précision du diagramme de Voronoï partiel 2908542 31 par rapport aux frontières de décision réelles, et de conserver l'avantage du treillis hexagonal. Le diagnostic peut être réalisé en plusieurs étapes : la détection d'éléments défectueux ou déréglés sur le rotor de l'hélicoptère, puis la 5 localisation de ces éléments indiquant la démarche à réaliser (réglage ou remplacement) s'il y a lieu. A chaque étape du diagnostic, on peut utiliser un ou plusieurs réseaux de neurones ayant chacun la fonction de classification dans H ou dans C , dans le but de bénéficier du gain de performances de classification généré par la supervision.

10 Indépendamment de la qualité des mesures, la qualité du diagnostic dépend de la richesse de la base d'apprentissage retenue et des performances du classifieur choisi. Dans le cas d'un diagnostic par redondance algorithmique schématiquement illustré figure 15, des diagnostics premiers issus de plusieurs classifieurs différents sont 15 analysés afin de proposer un diagnostic final et d'accroître la robustesse du système. Les critères d'analyse des diagnostics premiers peuvent notamment être, pour le diagnostic par CAO, la distance mesurée entre le neurone élu et la signature vibratoire à classifier, le nombre de neurones de classe identique successifs les plus proches du neurone élu, et/ou la 20 proximité du neurone élu des frontières du diagramme de Voronoï. Chacun des diagnostics concurrents peut être réalisé par un RACS unique, ou bien par une méthode hybride combinant plusieurs RACS et RNA en série et/ou en parallèle. Dans ce dernier cas, chaque RNA/RACS possède son propre 25 échantillon de signatures vibratoires pour un apprentissage supervisé, l'un par rapport à CB , l'autre par rapport à c". Le système de diagnostic peut ainsi comporter deux RNA couplés en série comme illustré figure 16. Un premier RNA (en entrée) détecte la présence d'un défaut dans le rotor de l'hélicoptère après apprentissage 2908542 32 d'une base de signatures complète contenant les signatures représentatives des défauts et déréglages identifiées pour chacun des B secteurs du rotor (supervision par rapport à CH), ainsi que la signature du rotor isotrope : E = U Ch U Cr t h-1 Ch - U 5 n-1 Le second RNA (de sortie) localise l'élément défectueux détecté, après apprentissage d'une base de signatures réduite Ed constituée des signatures représentatives des défauts et déréglages identifiées pour un seul secteur du rotor (par exemple le secteur correspondant à b=1), ainsi que la 10 signature du rotor isotrope : E~=C,UC.e, v C1 = U d Lors de la classification d'une signature vibratoire de classe inconnue x, RATAI identifie le cas échéant le secteur b du rotor où un élément défectueux ou déréglé est détecté. Dans ce cas, les phases de la 1:5 signature vibratoire x sont déphasées d'un angle ql pour obtenir la signature x' correspondant à l'élément défectueux d'indice d identifiable dans la base d'apprentissage Ed. L'angle tl' est l'angle formé entre le secteur b et le secteur (1) du rotor choisi arbitrairement pour définir la base d'apprentissage de RNA2 La relation de déphasage de chaque 20 accélération, pour un rotor à B pales aux harmoniques h est la suivante : 2,rh(b-1) B 2908542 33 L'utilisation de la base réduite E1 permet de réduire la complexité des frontières de décision et celle du diagramme de Voronoï. Le réseau d'entrée peut être un RAOS (une CAOS), et le réseau de sortie peut être un réseau supervisé ou non, en particulier un réseau QV, 5 LVQ ou CAO(S). Avec des performances de classification voisines de 90% à 95% pour chaque réseau, on obtient des performances de classification pour le RNA hybride série qui sont supérieures à 85%. Une autre configuration hybride illustrée figure 17 est obtenue par 10 association de deux réseaux cri parallèle possédant chacun la base d'apprentissage complète Ec. Lors de l'apprentissage, un premier réseau dédié à la détection est supervisé par rapport à CG, et un second réseau dédié à la localisation est supervisé par rapport à CD. Cette configuration bénéficie des performances optimales obtenues 15 par la supervision dans Ce ou dans C . Dans le cas le plus défavorable, si les erreurs de classification ne se superposent pas, les taux d'erreurs obtenus pour la classification dans CB et dans CD s'additionnent. La fiabilité des résultats obtenus avec cette méthode de diagnostic était supérieure à 88%.

Claims

REVENDICATIONS

1. Procédé de détection et d'identification d'un défaut ou déréglage d'un rotor de giravion à l'aide d'un réseau (RNA) de neurones artificiels, le rotor comportant plusieurs pales et plusieurs organes de réglage associés à chaque pale, caractérisé en ce que le réseau (RNA) est un réseau à apprentissage compétitif supervisé (RACS, RIAS, CAOS) à l'entrée duquel on applique des données spectrales de vibrations mesurées sur le giravion, le réseau fournissant en sortie une donnée représentative de celle des pales du rotor qui présente un défaut ou déréglage ou bien une donnée représentative d'une absence de défaut, et le cas échéant une donnée représentative du type du défaut détecté.

2. Procédé selon la revendication 1, dans lequel on applique en entrée du réseau une suite de données de module et de phase de vibrations 15 correspondant à des harmoniques de la fréquence de rotation du rotor.

3. Procédé selon la revendication 1 ou 2, dans lequel le réseau RACS comporte une couche de neurones compétiteurs dotés de poids synaptiques dont le nombre est égal à la dimension des vecteurs de données spectrales utilisés. 21)

4. Procédé selon la revendication 3 dans lequel le nombre des neurones compétiteurs est supérieur à la dimension des vecteurs de données spectrales.

5. Procédé selon l'une quelconque des revendications 3 ou 4, dans lequel on détermine, parmi les neurones compétiteurs, un neurone élu dont 25 le vecteur des poids synaptiques associés est le plus proche d'un vecteur de données spectrales présenté en entrée, en particulier par calcul d'une distance Euclidienne entre ces vecteurs. 2908542 35

6. Procédé selon l'une quelconque des revendications 1 à 5, dans lequel, pour superviser l'apprentissage, on ajoute (on concatène) à chaque vecteur de données spectrales utilisé pour l'apprentissage du réseau, une donnée représentative de l'appartenance du vecteur considéré à une classe 5 correspondant à un type de défaut ou déréglage déterminé.

7. Procédé selon l'une quelconque des revendications 1 à 6, dans lequel on utilise un algorithme de quantification vectorielle supervisé (LVQ) pour l'apprentissage du réseau, en particulier un algorithme choisi parmi les algorithmes LVQ1, OLVQ1, LVQ2, LVQ2.1, LVQ3, M1I,VQ3, 10 GLVQ, I)SLVQ, RLVQ, GRLVQ.

8. Procédé selon l'une quelconque des revendications 1 à 6, dans lequel on utilise un algorithme d'apprentissage de type réseau auto-organisateur supervisé (RADS, CAOS).

9. Procédé selon la revendication 8 dans lequel la dimension de 15 l'espace de sortie du réseau est égale à deux.

10. Procédé selon la revendication 8 dans lequel la dimension de l'espace de sortie du réseau est égale à trois.

11. Procédé selon l'une quelconque des revendications 8 à 10 dans lequel, pour superviser l'apprentissage, on définit une partition de l'espace 20 de sortie en sous-espaces, et on modifie les poids des neurones compétiteurs en fonction de leur appartenance à l'un ou l'autre de ces sous-espaces.

12. Procédé selon la revendication 11 dans lequel la partition est sensiblement régulière, radiale, et centrée, et le nombre des sousespaces 25 est égal au nombre de classes de défaut ou déréglage augmenté d'une unité.

13. Procédé selon la revendication 11 ou 12 dans lequel, pour définir la partition, on détermine les coordonnées, dans l'espace de sortie, d'un neurone de consigne associé à une classe de défaut ou déréglage. 2908542 36

14. Procédé selon l'une quelconque des revendications 11 à 13 dans lequel, pour superviser l'apprentissage, on centre une fonction de voisinage sur le neurone correspondant au barycentre, dans l'espace de sortie, du neurone élu et du neurone de consigne correspondant à la classe du vecteur 5 de données spectrales courant.

15. Procédé selon l'une quelconque des revendications 11 à 13, dans lequel, pour superviser l'apprentissage, on limite la compétition aux neurones du sous-espace correspondant à la classe du vecteur de données spectrales courant. 10

16. Procédé selon l'une quelconque des revendications 1 à 15, dans lequel on utilise plusieurs réseaux connectés en série et incluant au moins un réseau à apprentissage compétitif supervisé (RACS, RAOS, CAOS).

17. Procédé selon l'une quelconque des revendications 1 à 16, dans lequel on utilise plusieurs réseaux connectés en parallèle et incluant au moins un réseau à apprentissage compétitif supervisé (RACS, RAOS, CAOS).

18. Procédé selon l'une quelconque des revendications 1 à 17, dans lequel on utilise plusieurs réseaux redondants dont au moins un réseau à apprentissage compétitif supervisé (RACS, RAOS, CAOS).

19. Procédé selon l'une quelconque des revendications 1 à 18, dans lequel : on détermine à l'aide d'un premier réseau à apprentissage compétitif supervisé, une donnée d'identification d'au moins une pale défectueuse ou déréglée, et ; - on détermine à l'aide d'un second réseau à apprentissage compétitif non supervisé, une donnée d'identification d'au moins un défaut ou déréglage de la pale défectueuse ou déréglée. 2908542 37

20. Procédé selon l'une quelconque des revendications 8 à 19, dans lequel on utilise un maillage à mailles carrées dans l'espace de sortie.

21. Procédé selon l'une quelconque des revendications 8 à 19, dans lequel on utilise un maillage à mailles hexagonales dans l'espace de sortie. 5

22. Procédé selon la revendication 20 ou 21 dans lequel on utilise un maillage non régulier.

23. Procédé selon la revendication 22, dans lequel on utilise un maillage dont les mailles présentent des coordonnées définies dans l'ensemble R des nombres réels. 10

24. Programme comportant un code fixé sur un support û tel qu'une mémoire û ou matérialisé par un signal, le code étant lisible et/ou exécutable par au moins une unité de traitement de données - telle qu'un processeur, pour détecter et identifier un défaut ou déréglage d'un rotor de d'un giravion, le code comportant des segments de code pour effectuer des 15 opérations d'un procédé selon l'une quelconque des revendications 1 à 23.

25. Système de détection et d'identification d'un défaut ou déréglage d'un rotor d'un giravion, qui comporte : - un organe de lecture d'un support de données qui est agencé pour lire des donnés de mesures effectuées sur le giravion, 20 - une base de données contenant des données de signatures vibratoires de référence pour le giravion, - un dispositif de transformation des données de mesure du domaine temporel au domaine fréquentiel, qui est connecté à l'organe de lecture pour en recevoir les données de mesures et pour délivrer en 25 sortie des signatures vibratoires à analyser, et - un organe de calcul qui est relié à la base de données et au dispositif de transformation, et qui est programmé pour effectuer les 2908542 38 opérations d'un procédé selon l'une quelconque des revendications 1 à 23.