FR3010200A1

FR3010200A1 - Procede et dispositif de normalisation de valeurs de parametres de fonctionnement d'un moteur d'aeronef

Info

Publication number: FR3010200A1
Application number: FR1358520A
Authority: FR
Inventors: Aurelie Gouby
Original assignee: SNECMA SAS
Current assignee: Safran Aircraft Engines SAS
Priority date: 2013-09-05
Filing date: 2013-09-05
Publication date: 2015-03-06
Anticipated expiration: 2033-09-05
Also published as: GB2521245B; FR3010200B1; US20150268131A1; GB2521245A; US9482597B2; GB201415635D0

Abstract

Procédé et dispositif de normalisation de valeurs de paramètres de fonctionnement d'un moteur d'aéronef Le procédé de normalisation comprend : - la normalisation (F50) d'une valeur courante de chaque paramètre de fonctionnement par rapport à des variables exogènes à l'aide d'un premier modèle de régression (M1) défini sur un espace engendré par ces variables exogènes ; - l'association (F80) au vecteur formé des valeurs courantes normalisées des paramètres d'au moins une classe de vecteurs d'un ensemble de classes prédéfinies ; - la construction (F100) pour chaque paramètre, à partir d'au moins un deuxième modèle de régression (M2) défini sur l'espace engendré par les variables exogènes pour ladite au moins une classe associée au vecteur, d'un troisième modèle de régression (M3) sur cet espace ; et - la normalisation (F110) de la valeur courante normalisée de chaque paramètre par rapport aux variables exogènes à l'aide du troisième modèle de régression.

Description

Arrière-plan de l'invention L'invention se rapporte au domaine général de l'aéronautique, et notamment de la surveillance des moteurs d'aéronef, tels que par exemple les turbomachines. Elle concerne plus particulièrement un procédé de normalisation d'une valeur d'un paramètre de fonctionnement d'un moteur d'aéronef, destinée à être utilisée lors d'une surveillance de ce moteur. Dans l'industrie aéronautique, il est fondamental pour un 10 constructeur de moteurs d'aéronefs de maîtriser le comportement de ces moteurs afin de démontrer notamment ses capacités de conception et de maintenance. Cette maîtrise du comportement de chaque moteur s'appuie généralement sur l'analyse par des experts des valeurs prises par une sélection de paramètres de fonctionnement de ce moteur, représentatifs 15 de son état à un instant donné, et déterminés à partir de mesures fournies par des capteurs de surveillance du moteur. De tels paramètres de fonctionnement peuvent comprendre par exemple le régime du moteur, sa température ou encore sa pression. Ils peuvent également regrouper des indicateurs plus élaborés, spécifiques à un élément physique particulier du 20 moteur ou à un élément logique réalisant une tâche spécifique (ex. système de démarrage, système de lubrification), tels que des détails ou des formes d'une courbe représentative d'une évolution temporelle de mesures fournies par un ou des capteurs de surveillance du moteur. Une difficulté rencontrée par les experts lors de l'analyse des 25 valeurs de ces paramètres de fonctionnement provient du fait qu'un moteur donné ne fonctionne jamais exactement dans les mêmes conditions d'une mission à une autre, voire au cours d'une même mission. En d'autres termes, les valeurs des paramètres de fonctionnement analysées par les experts résultent de mesures acquises dans des 30 conditions différentes, notamment en termes d'environnement ou de contexte extérieur (ex. température extérieure, pression atmosphérique, vitesse et altitude de l'aéronef propulsé par le moteur, localisation géographique, conditions météorologiques, etc.), rendant difficile la comparaison de ces valeurs entre elles en vue notamment de détecter une 35 défaillance du moteur ou un comportement anormal. Dans la suite de la description, on désigne par variables exogènes ou variables de contexte, les différentes variables représentatives de ce contexte extérieur et susceptibles d'influencer les paramètres de fonctionnement du moteur. Or une surveillance continue des paramètres de fonctionnement pour prendre en compte ces différents contextes extérieurs n'est pas en 5 pratique envisageable, notamment pour des raisons de coût et de complexité de mise en oeuvre. Pour pallier cette difficulté, il est connu de recourir à des méthodes dites « de standardisation » qui visent à ramener l'ensemble des valeurs des paramètres de fonctionnement étudiés dans un 10 environnement standard, indépendant notamment des conditions d'acquisition des mesures des capteurs à partir desquelles ces valeurs ont été déterminées. De nombreuses méthodes de standardisation s'appuient sur une normalisation des valeurs des paramètres de fonctionnement, c'est-à-dire sur une transformation des valeurs des paramètres de 15 fonctionnement de sorte qu'elles soient distribuées selon une loi normale et deviennent comparables entre elles. Une normalisation classique consiste à évaluer, pour chaque paramètre de fonctionnement, la moyenne et l'écart-type d'une série de valeurs précédemment collectées pour ce paramètre, puis à calculer la 20 différence existant entre cette moyenne et la valeur courante du paramètre de fonctionnement, et à diviser cette différence par l'écart-type. La valeur ainsi obtenue est une valeur normalisée du paramètre de fonctionnement. Toutefois, une telle normalisation n'est pas adaptée pour gérer les dépendances des valeurs des paramètres de fonctionnement vis- 25 à-vis des variables exogènes précitées. Le document EP 2 376 988 décrit un procédé de normalisation d'un ensemble d'indicateurs spécifiques à des éléments d'un moteur d'aéronef, permettant de supprimer les dépendances de ces indicateurs vis-à-vis du contexte extérieur et de gérer les relations d'interdépendances 30 stochastiques entre les indicateurs eux-mêmes. Ce procédé utilise un modèle de régression multidimensionnel conditionnel gérant simultanément l'ensemble des indicateurs tout en prenant en compte un ensemble de variables exogènes. La définition de ce modèle s'appuie sur la construction, pour 35 chaque indicateur, d'un espace de projection à partir de l'ensemble des variables exogènes et d'un sous-ensemble comprenant tous les indicateurs à l'exception de l'indicateur considéré, puis sur la projection selon une technique de régression de la valeur réelle de cet indicateur sur l'espace de projection ainsi construit. Cette projection fournit un estimateur (i.e. une prédiction) de l'indicateur, qui est ensuite soustrait à la valeur réelle de l'indicateur pour fournir une valeur normalisée. Le modèle de régression décrit dans le document EP 2 376 988 est relativement robuste car il est défini à partir d'un large panel de données (i.e. de valeurs des indicateurs et des variables exogènes), collectées sur une pluralité de moteurs de même type opérant dans un mode de fonctionnement normal (c'est-à-dire sans problème). Toutefois il peut, dans certaines circonstances, manquer de précision dans le sens où il ne permet pas de tenir compte des disparités susceptibles d'exister entre ces moteurs, comme notamment leur âge, leur état au cours de la mission considérée ou même d'autres spécificités propres à chaque moteur en sortie du montage. Objet et résumé de l'invention La présente invention permet notamment de pallier cette insuffisance en proposant un procédé de normalisation de valeurs dites courantes de N paramètres de fonctionnement d'un moteur d'aéronef, N étant un entier supérieur ou égal à 1, ces valeurs courantes étant destinées à être utilisées lors d'une surveillance du moteur d'aéronef et déterminées à partir de mesures fournies par des capteurs de ce moteur, ce procédé de normalisation comprenant : - une première étape de normalisation de la valeur courante de chaque paramètre de fonctionnement par rapport à un ensemble de variables exogènes représentatives d'un contexte extérieur influençant ce paramètre de fonctionnement, à l'aide d'un premier modèle de régression défini pour ce paramètre de fonctionnement sur un espace engendré par cet ensemble de variables exogènes ; - une étape d'association, à un vecteur formé des valeurs courantes normalisées des N paramètres de fonctionnement, d'au moins une classe d'un ensemble de classes de vecteurs de valeurs prédéfinies pour les N paramètres de fonctionnement ; - une étape de construction pour chaque paramètre de fonctionnement, à partir d'au moins un deuxième modèle de régression défini sur l'espace engendré par l'ensemble de variables exogènes pour ladite au moins une classe associée au vecteur, d'un troisième modèle de régression sur l'espace engendré par l'ensemble de variables exogènes ; et - une seconde étape de normalisation de la valeur courante normalisée de chaque paramètre de fonctionnement par rapport à l'ensemble de variables exogènes, à l'aide du troisième modèle de régression construit pour ce paramètre de fonctionnement. Corrélativement, l'invention vise aussi un dispositif de valeurs 10 dites courantes de N paramètres de fonctionnement d'un moteur d'aéronef, N étant un entier supérieur ou égal à 1, ces valeurs courantes étant destinées à être utilisée lors d'une surveillance de ce moteur et déterminées à partir de mesures fournies par des capteurs du moteur, ce dispositif de normalisation comprenant : 15 - un premier module de normalisation de la valeur courante de chaque paramètre de fonctionnement par rapport à un ensemble de variables exogènes représentatives d'un contexte extérieur influençant ce paramètre de fonctionnement, ce premier module utilisant un premier modèle de régression défini pour ce paramètre de fonctionnement sur 20 un espace engendré par cet ensemble de variables exogènes ; - un module d'association, apte à associer à un vecteur formé des valeurs courantes normalisées des N paramètres de fonctionnement, au moins une classe d'un ensemble de classes de vecteurs de valeurs prédéfinies pour les N paramètres de fonctionnement ; 25 - un module de construction apte à construire pour chaque paramètre de fonctionnement, à partir d'au moins un deuxième modèle de régression défini sur l'espace engendré par l'ensemble de variables exogènes pour ladite au moins une classe associée au vecteur, un troisième modèle de régression défini sur l'espace engendré par 30 l'ensemble de variables exogènes ; et - un second module de normalisation de la valeur courante normalisée de chaque paramètre de fonctionnement par rapport à l'ensemble de variables exogènes, ce second module utilisant le troisième modèle de régression construit pour ce paramètre de fonctionnement par le 35 module de construction.

L'invention offre ainsi une standardisation efficace des valeurs courantes de N paramètres de fonctionnement au regard d'un ensemble de variables exogènes influençant ces paramètres, s'appuyant sur une double normalisation de ces valeurs. Plus précisément, la standardisation proposée par l'invention s'appuie : - sur une première normalisation des valeurs courantes des N paramètres de fonctionnement, à l'aide de N premiers modèles de régression génériques définis pour ces paramètres sur un espace engendré par l'ensemble de variables exogènes, et construits typiquement à partir d'un large panel de données collectées au cours d'une pluralité de missions et pour une pluralité de moteurs d'aéronefs distincts. Cette première normalisation permet d'obtenir des premières valeurs normalisées des paramètres de fonctionnement dont la dépendance par rapport aux variables exogènes, autrement dit au contexte extérieur, a été réduite ou limitée, voire supprimée ; - puis sur une seconde normalisation, plus précise, à l'aide de troisièmes modèles de régression définis pour les N paramètres de fonctionnement également sur l'espace engendré par l'ensemble des variables exogènes, mais à partir d'une ou de quelques classes de valeurs plus réduites à laquelle ou auxquelles s'apparente le vecteur constitué des N premières valeurs normalisées. Cette seconde normalisation permet de tenir compte de manière plus efficace des spécificités du moteur d'aéronef dont on envisage la surveillance via les paramètres de fonctionnement considérés.

Cette double normalisation est permise par l'invention grâce à une classification du vecteur des premières valeurs normalisées dans une ou plusieurs classes de vecteurs de valeurs prédéfinies pour les N paramètres de fonctionnement et judicieusement choisies selon un critère de ressemblance prédéterminé. En d'autres termes, les classes de vecteurs de valeurs choisies regroupent des vecteurs qui se ressemblent au sens de ce critère. Ainsi, une même classe de vecteurs de valeurs au sens de l'invention peut regrouper des vecteurs de valeurs voisines, c'est-à-dire similaires ou proches au sens d'une distance ou d'une métrique prédéfinie sur ces vecteurs. Une telle classification vise à minimiser une mesure de la dissemblance des vecteurs au sein de chaque classe, pour un nombre déterminé K de classes. De telles classes de vecteurs peuvent être obtenues en appliquant des techniques connues de classification supervisée ou non supervisée préférentiellement sur un grand nombre de données (i.e. de vecteurs), telles que par exemple une méthode des K plus proches voisins ou un algorithme s'appuyant sur une carte auto- adaptative (ou SOM pour « Self-Organizing Map » en anglais) telle une carte de Kohonen, un algorithme des K moyennes ou encore une méthode classification hiérarchique. En variante, une même classe de vecteurs au sens de l'invention peut regrouper des vecteurs qui « partagent » une caractéristique commune. Ainsi, par exemple, les vecteurs de valeurs regroupés au sein d'une même classe peuvent provenir de mesures collectées sur un même moteur. Le choix d'un critère de ressemblance plutôt qu'un autre dépend bien entendu des facteurs que l'on souhaite prendre en compte pour la standardisation des données, ainsi que de la complexité de mise en oeuvre en résultant. Ainsi, une classification des vecteurs en fonction du moteur auxquelles elles sont rattachées ne permet pas de tenir compte de la variabilité du paramètre de fonctionnement en raison du vieillissement du moteur. Au contraire, une classification non supervisée permet d'obtenir une normalisation plus efficace qui tient compte non seulement du vieillissement du moteur mais également de ses spécificités propres. Comme souligné précédemment, le troisième modèle de régression utilisé lors de la seconde étape de normalisation pour chaque paramètre de fonctionnement est plus précis que le premier modèle de régression. Il est en effet propre à (Le. défini sur) une voire un petit nombre de classes de vecteurs auxquelles appartient le vecteur comprenant la valeur du paramètre de fonctionnement considéré. Ce troisième modèle permet avantageusement de tenir compte de la 30 singularité de chaque moteur et de chaque mission par rapport au premier modèle qui au contraire est relativement générique. Le procédé de normalisation selon l'invention n'en demeure pas moins robuste via une définition appropriée des classes de vecteurs, respectant notamment un compromis à déterminer entre le nombre de classes considérées et la 35 quantité de données à la disposition du constructeur pour définir ces classes et construire les modèles de régression.

Dans un mode particulier de réalisation de l'invention : - l'étape d'association comprend une estimation pour ladite au moins une classe d'une probabilité d'appartenance du vecteur formé des valeurs courantes normalisées des N paramètres de fonctionnement à cette classe ; et - le troisième modèle de régression est construit à partir de la somme de chaque deuxième modèle de régression défini pour une classe pondéré par la probabilité d'appartenance à cette classe du vecteur formé des valeurs courantes normalisées des N paramètres de fonctionnement.

Ce mode de réalisation permet de construire un troisième modèle encore plus précis et plus fiable pour la seconde étape de normalisation. En effet, plutôt que d'associer de façon catégorique le vecteur formé des valeurs courantes normalisées des paramètres de fonctionnement à une classe de vecteurs unique, ce mode de réalisation permet de tenir compte d'une certaine incertitude sur la classe de vecteurs à laquelle appartient le vecteur de valeurs à normaliser. On obtient ainsi un modèle de régression plus fiable car plus proche de la réalité. Dans un autre mode de réalisation, les premiers modèles de régression définis pour les N paramètres de fonctionnement sont construits au cours d'une phase préliminaire d'apprentissage à partir d'une pluralité de valeurs observées des N paramètres de fonctionnement déterminées à partir de mesures de capteurs d'une pluralité de moteurs d'aéronefs collectées lors d'au moins une mission de ces aéronefs. Par ailleurs, la phase préliminaire d'apprentissage peut 25 comprendre en outre, après construction des premiers modèles de régression : - une étape de normalisation de la pluralité de valeurs observées des paramètres de fonctionnement par rapport à l'ensemble de variables exogènes à l'aide des premiers modèles de régression définis pour ces 30 paramètres de fonctionnement, cette étape de normalisation résultant en une pluralité de vecteurs de valeurs observées normalisées des N paramètres de fonctionnement ; - une étape de répartition de ces vecteurs dans le ensemble de classes de vecteurs de valeurs ; et 35 - une étape de construction des deuxièmes modèles de régression définis pour chaque paramètre de fonctionnement et pour chaque classe, à partir des vecteurs de valeurs observées normalisées de ce paramètre de fonctionnement répartis dans cette classe. Ce mode de réalisation du procédé de normalisation permet d'obtenir des modèles de régression robustes car construits à partir d'un large panel de données collectées sur une pluralité de moteurs et/ou de missions. En outre, il offre la possibilité de construire les modèles de régression en amont de la normalisation à proprement parler des valeurs courantes des paramètres de fonctionnement. Cette phase amont peut être mise en oeuvre par un dispositif de construction de modèles de régression distinct du dispositif de normalisation, par exemple par un dispositif au sol qui possède des ressources de calcul et de stockage plus importantes que le dispositif de normalisation, qui peut quant à lui être aisément embarqué à bord de l'aéronef et opérer durant une mission.

L'invention vise donc également un dispositif de construction de modèles de régression destinés à être utilisés lors d'une normalisation de valeurs de N paramètres de fonctionnement d'un moteur d'aéronef par rapport à un ensemble de variables exogènes représentatives d'un contexte extérieur influençant ces paramètres de fonctionnement, le dispositif de construction comprenant : - un module de construction, pour chaque paramètre de fonctionnement, d'un premier modèle de régression sur un espace engendré par l'ensemble de variables exogènes, à partir d'une pluralité de valeurs observées de ce paramètre de fonctionnement déterminées à partir de mesures de capteurs d'une pluralité de moteurs d'aéronefs collectées lors d'au moins une mission de ces aéronefs ; - un module de normalisation de la pluralité de valeurs observées des N paramètres de fonctionnement par rapport à l'ensemble de variables exogènes à l'aide des premiers modèles de régression construis pour ces paramètres de fonctionnement par le module de construction, ce module de normalisation étant apte à fournir une pluralité de vecteurs de valeurs observées normalisées des N paramètres de fonctionnement ; un module de répartition de ces vecteurs dans un ensemble de classes de vecteurs de valeurs ; et - un module de construction, pour chaque classe de vecteurs de valeurs et pour chaque paramètre de fonctionnement, d'un deuxième modèle de régression sur l'espace engendré par l'ensemble de variables exogènes à partir des vecteurs de valeurs observées normalisées répartis dans cette classe. Dans un mode particulier de réalisation, l'étape de répartition exécutée lors de la phase préliminaire d'apprentissage met en oeuvre une méthode de classification non supervisée s'appuyant sur une carte auto-adaptative, résultant en la définition des classes de l'ensemble de classes de valeurs. Une telle méthode permet de définir de manière adaptative des classes de valeurs pertinentes au vu du panel de données dont on dispose et ce, dans un délai raisonnablement court et moyennant une complexité d'exécution relativement faible.

Dans un mode particulier de réalisation, les premiers et/ou les deuxièmes et/ou les troisièmes modèles de régression sont des modèles de régression linéaire. L'invention ne se limite toutefois pas à une régression linéaire et d'autres types de régressions plus complexes peuvent être envisagés pour améliorer encore davantage la précision de la standardisation. Dans un mode particulier de réalisation, les différentes étapes du procédé de normalisation sont déterminées par des instructions de programmes d'ordinateurs. En conséquence, l'invention vise aussi un programme d'ordinateur sur un support d'informations, ce programme étant susceptible d'être mis en oeuvre dans un dispositif de normalisation ou plus généralement dans un ordinateur, ce programme comportant des instructions adaptées à la mise en oeuvre des étapes d'un procédé de normalisation tel que décrit ci-dessus.

Ce programme peut utiliser n'importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n'importe quelle autre forme souhaitable.

L'invention vise aussi un support d'informations lisible par un ordinateur, et comportant des instructions d'un programme d'ordinateur tel que mentionné ci-dessus. Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple une disquette (floppy disc) ou un disque dur.

D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens. Le programme selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.

Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question. L'invention vise également un moteur d'aéronef et notamment 20 une turbomachine comprenant un dispositif de normalisation selon l'invention, et bénéficiant des mêmes avantages que le dispositif de normalisation, cités précédemment. Selon un autre aspect encore, l'invention vise un système de normalisation de valeurs dites courantes de N paramètres de 25 fonctionnement d'un moteur d'aéronef, N étant un entier supérieur ou égal à 1, ces valeurs courantes étant destinées à être utilisées lors d'une surveillance de ce moteur et déterminées à partir de mesures fournies par des capteurs de ce moteur, ce système comprenant : - un dispositif de construction de premiers et de deuxièmes modèles de 30 régression pour les N paramètres de fonctionnement selon l'invention ; et un dispositif de normalisation selon l'invention apte à utiliser les premiers modèles de régression et les deuxièmes modèles de régression construits par le dispositif de construction pour normaliser 35 les valeurs courantes des N paramètres de fonctionnement.

Ce système bénéficie également des mêmes avantages que le dispositif de normalisation cités précédemment. Il peut être réparti sur deux équipements physiques distincts embarquant respectivement le dispositif de construction et le dispositif de normalisation (par exemple un équipement au sol tel un ordinateur et un équipement à bord d'un aéronef tel un calculateur), ou en variante, le système de normalisation peut être localisé au sein d'un même équipement. On peut également envisager, dans d'autres modes de réalisation, que le procédé de normalisation, le dispositif de normalisation, le dispositif de construction, la turbomachine et le système selon l'invention présentent en combinaison tout ou partie des caractéristiques précitées. Brève description des dessins D'autres caractéristiques et avantages de la présente invention ressortiront de la description faite ci-dessous, en référence aux dessins annexés qui en illustrent des exemples de réalisation dépourvus de tout caractère limitatif. Sur les figures : - la figure 1 représente schématiquement une turbomachine, un système, un dispositif de normalisation et un dispositif de construction conformes à l'invention, dans un mode particulier de réalisation ; - les figures 2A et 2B illustrent respectivement un exemple d'architecture matérielle du dispositif de normalisation et du dispositif de construction de la figure 1, dans un mode particulier de réalisation ; - la figure 3 illustre, sous forme d'ordinogramme, les principales étapes d'une phase préliminaire d'apprentissage, telles qu'elles sont mises en oeuvre par le dispositif de construction de la figure 1 afin d'élaborer des modèles de régression destinés à être utilisés par le dispositif de normalisation de la figure 1 ; et - la figure 4 illustre, sous forme d'ordinogramme, les principales étapes d'un procédé de normalisation selon l'invention telles qu'elles sont mises en oeuvre par le dispositif de normalisation de la figure 1 dans un mode particulier de réalisation.

Description détaillée de l'invention La figure 1 représente, dans son environnement, un système 1 de normalisation de valeurs de paramètres de fonctionnement d'un moteur d'aéronef, conforme à l'invention, dans un mode particulier de réalisation.

Dans l'exemple considéré ici, le moteur dont on envisage la surveillance à l'aide des valeurs de paramètres de fonctionnement normalisées par le système 1 est une turbomachine 2 conforme à l'invention et propulsant un avion 3. L'invention ne se limite pas toutefois à ce type de moteur ni à ce type d'aéronef.

La surveillance du moteur est réalisée ici via l'analyse des valeurs normalisées de N paramètres de fonctionnement notés Pl, P2,..., PN, 1, fournies par le système 1 de normalisation. Ces paramètres de fonctionnement sont par exemple le régime de rotation de la turbomachine 2, sa température, sa pression, etc. ou tout autre type de paramètres représentatifs de l'état de la turbomachine 2. Il peut s'agir notamment d'indicateurs de fonctionnement plus élaborés tels que ceux décrits dans le document EP 2 376 988. L'analyse en soi de ces paramètres pour la surveillance du moteur est réalisée selon des techniques connues de l'homme du métier, non décrites ici. On se limite, dans la suite de la description, à la standardisation des valeurs des paramètres de fonctionnement P1,...,PN en vue de faciliter leur analyse. Les valeurs de ces paramètres de fonctionnement, aussi appelées variables endogènes, sont obtenues au cours de chaque mission de la turbomachine 2 par le système de normalisation 1 à partir de mesures fournies par des capteurs 4 équipant la turbomachine 2, tels que par exemple un capteur de vitesse, un capteur de température, etc., connus en soi. L'avion 3 est également équipé d'une pluralité de capteurs 5, 30 aptes à mesurer parallèlement et simultanément à la capture des valeurs des paramètres de fonctionnement, les valeurs courantes de plusieurs variables dites exogènes, notées X1,...,XL, représentatives d'un contexte extérieur à la turbomachine 2 et influençant les paramètres de fonctionnement Pl, P2,..., PN. Ces variables exogènes sont par exemple la 35 température de l'air à l'extérieur de l'avion 3, la pression atmosphérique, la vitesse de l'avion 3, etc. Elles peuvent être mesurées à l'aide de capteurs connus en soi, équipant classiquement un aéronef tel que l'avion 3. Il convient de noter que par souci de simplification, on considère un même ensemble de variables exogènes pour les différents paramètres 5 de fonctionnement. Toutefois, en variante, on peut considérer un ensemble de variables exogènes distincts pour chaque paramètre de fonctionnement ou pour un sous-ensemble de paramètres de fonctionnement. Pour normaliser les valeurs des paramètres de fonctionnement 10 P1, P2,..., PN, le système 1 de normalisation comprend : - un dispositif de normalisation 6 selon l'invention, intégré ici dans la turbomachine 2, par exemple dans le calculateur du dispositif de régulation pleine autorité (ou FADEC pour « Full Authority Digital Engine Control » en anglais) de la turbomachine 2. Ce dispositif de 15 normalisation 6 est en charge de la normalisation de vecteurs de valeurs dites courantes des paramètres P1,...,PN, représentatives de l'état de la turbomachine 2 à divers instants donnés ; et - un dispositif de construction 7 conforme à l'invention et embarqué ici dans un dispositif au sol d'un opérateur en charge de la surveillance et 20 de la maintenance de la turbomachine 2 (ex. constructeur de la turbomachine). Le dispositif de construction 7 est chargé de construire des modèles de régression définis sur l'espace engendré par les variables exogènes X1,...,XL ainsi que de définir des classes de vecteurs de valeurs pour les paramètres de fonctionnements P1,...,PN 25 en fonction d'un critère de classification prédéterminé, ces modèles et ces classes étant utilisés par le dispositif de normalisation 6 lors de chaque normalisation d'un vecteur de valeurs. A cet effet, le dispositif de construction 7 dispose d'un large panel de données dites d'apprentissage c'est-à-dire de valeurs observées des variables 30 endogènes et exogènes, collectées sur une pluralité de moteurs d'aéronefs de même type que la turbomachine 2, au cours d'une ou de plusieurs missions de ces aéronefs, à l'aide de capteurs tels que les capteurs 4 et 5 équipant l'avion 3. Ces données sont stockées dans une base de données d'apprentissage 8 du dispositif de construction.

Dans le mode de réalisation décrit ici, les dispositifs de normalisation 6 et de construction 7 ont l'architecture matérielle d'un ordinateur, comme illustré respectivement aux figures 2A et 2B. Ainsi, en référence à la figure 2A, le dispositif de normalisation 6 comprend notamment un processeur 6A, une mémoire vive 6B, une mémoire morte 6C, une mémoire flash non volatile 6D, ainsi que des moyens de communication 6E, éventuellement partagés avec d'autres unités du calculateur de la turbomachine 2. Les moyens de communication 6E comprennent des liaisons de données vers les capteurs 4 de la turbomachine 2 telles que par exemple un bus de données numériques, permettant au dispositif de normalisation 6 d'obtenir les mesures acquises par les capteurs 4 et d'en dériver les valeurs des paramètres de fonctionnement Pl, P2,..., PN surveillés. Ces moyens de communications comprennent également des moyens d'échanger des données avec le dispositif 7 de construction (par exemple, une liaison sans fil si les dispositifs 6 et 7 ne sont pas colocalisés), afin notamment de permettre au dispositif 6 d'obtenir des modèles de régression construits par le dispositif 7. La mémoire morte 6C du dispositif de normalisation 6 constitue un support d'enregistrement conforme à l'invention, lisible par le processeur 6A et sur lequel est enregistré un programme d'ordinateur conforme à l'invention, comportant des instructions pour l'exécution des étapes d'un procédé de normalisation selon l'invention décrit ultérieurement en référence à la figure 4, dans un mode particulier de réalisation. Ce programme d'ordinateur définit, de façon équivalente, des modules logiciels fonctionnels du dispositif de normalisation 6, et plus précisément, un premier et un second modules de normalisation des valeurs des paramètres de fonctionnement par rapport à l'ensemble de variables exogènes X1,...,XL, un module d'association des valeurs de paramètres de fonctionnement à une ou plusieurs classes d'un ensemble de classes de vecteurs de valeurs prédéfinies selon un critère de classification prédéterminé, et un module de construction de modèles de régression à partir de modèles prédéterminés. Les fonctions à proprement parler de ces différents modules apparaissent plus clairement ultérieurement lors de la description des étapes du procédé de normalisation selon l'invention, en référence à la figure 4. De façon similaire, et en référence à la figure 2B, le dispositif de construction 7 comprend un processeur 7A, une mémoire vive 7B, une 5 mémoire morte 7C, une mémoire flash non volatile 7D (dans laquelle est stockée la base de données d'apprentissage 8), ainsi que des moyens de communication 7E. Ces moyens de communication 7E comprennent une liaison de données vers l'avion 3, permettant au dispositif de construction 7 d'obtenir les mesures acquises par les capteurs 4 et 5 et/ou les valeurs 10 des paramètres de fonctionnement P1, P2,..., PN surveillés, qui viennent compléter le panel de données mémorisées dans la base de données 8. La mémoire morte 7C du dispositif 7 de construction constitue un support d'enregistrement conforme à l'invention, lisible par le processeur 7A et sur lequel est enregistré un programme d'ordinateur 15 conforme à l'invention, comportant des instructions pour l'exécution de certaines étapes du procédé de normalisation selon l'invention qui sont décrites ultérieurement en référence à la figure 3. Ce programme d'ordinateur définit, de façon équivalente, des modules logiciels fonctionnels du dispositif de construction 7, et plus 20 précisément, des modules de construction de modèles de régression sur l'espace engendré par les variables exogènes X1,...,XL à partir notamment des données d'apprentissage stockées dans la base de données 8, un module de normalisation et un module de répartition de valeurs dans des classes de vecteurs de valeurs. Les fonctions à proprement parler de ces 25 différents modules apparaissent plus clairement ultérieurement lors de la description des étapes mises en oeuvre lors d'une phase préliminaire d'apprentissage du procédé de normalisation selon l'invention, en référence à la figure 3. Il convient de noter que dans le mode de réalisation décrit ici, le 30 dispositif de normalisation 6 et le dispositif de construction 7 ne sont pas colocalisés. En variante, ces deux dispositifs peuvent être implémentés au sein d'un même équipement physique embarqué à bord de l'aéronef ou situé dans un dispositif au sol. Nous allons maintenant décrire en référence aux figures 3 et 4 35 les principales étapes d'un procédé de normalisation selon l'invention, dans un mode particulier de réalisation dans lequel il est mis en oeuvre par le système 1 de la figure 1 pour normaliser un vecteur Y de valeurs Y1,...,YN des paramètres de fonctionnement P1,...,PN, les valeurs Y1,...,YN représentant l'état de la turbomachine 2 à un instant donné. On désigne par valeurs courantes, les valeurs Y1,...,YN en cours de traitement. Ces 5 valeurs sont déterminées à partir des mesures réalisées par les capteurs 4, de façon connue en soi et non détaillée ici. Dans le mode de réalisation décrit ici, le procédé de normalisation du vecteur de valeurs courantes Y1,...,YN comprend : - une phase préliminaire dite d'apprentissage illustrée à la figure 3, mise 10 en oeuvre ici par le dispositif de construction 7, et au cours de laquelle celui-ci construit une pluralité de modèles de régression et définit des ensemble de classes de vecteurs de valeurs pour le vecteur de paramètres (P1, PN), à partir des données d'apprentissage (aussi appelées observations ici pour mieux les distinguer des valeurs 15 courantes Y1,...,YN) stockées dans la base de données d'apprentissage 8 , et - une phase dite d'exécution illustrée à la figure 4, mise en oeuvre ici par le dispositif de normalisation 6, et au cours de laquelle le dispositif de normalisation 6 normalise les valeurs Y1,...,YN des paramètres de 20 fonctionnement P1,..., PN, à l'aide des modèles de régression et des classes de vecteurs de valeurs définis par le dispositif de construction 7. Cette phase d'exécution peut être mise en oeuvre en temps réel suite à l'acquisition des valeurs courantes Y1,...,YN. En variante, elle peut être mise en oeuvre de manière différée. 25 En référence à la figure 3, le dispositif de construction 7 dispose dans la base de données d'apprentissage 8, d'un grand nombre (noté W, W>_ 1) de données d'apprentissage comprenant des observations (ou valeurs observées) des paramètres P1,...,PN et des observations (ou valeurs observées) des variables exogènes X1,...,XL correspondant aux 30 conditions d'acquisition des W observations des paramètres de fonctionnement. Ces différentes observations (paramètres de fonctionnement et variables exogènes) ont été acquises sur une pluralité de turbomachines similaires à la turbomachine 2 (incluant la turbomachine 2) à l'aide de capteurs identiques aux capteurs 4 et 5, au cours d'une 35 pluralité de missions (étape E10).

Le dispositif de construction 7 sépare, parmi ce panel des données, les observations des variables exogènes X1,...,XL, des observations des paramètres de fonctionnement P1,...,PN, c'est-à-dire des valeurs des variables endogènes propres aux turbomachines (étape E20).

On note dans la suite de la description, Zi(n), i=1,...,W, les W observations de chaque paramètre de fonctionnement Pn, n=1,...,N, et Ui(I) i=1,...,W, les W observations de chaque variable exogène XI, I=1,...,L reflétant les conditions d'acquisition des observations Zi(n), i=1,...W, stockées dans la base de données d'apprentissage 8 (W est un entier, pouvant être dans une variante de réalisation différent d'un paramètre Pn à un autre). Les observations des N paramètres de fonctionnement et les observations des L variables exogènes influençant ces paramètres de fonctionnement sont acquises ici simultanément ou quasi-simultanément lors d'une mission. Les observations des variables exogènes sont donc communes sur cette mission aux différents paramètres de fonctionnement P1,...,PN. Puis le dispositif de construction 7 construit (i.e. crée), via son module de construction, pour chaque paramètre de fonctionnement Pn, n=1,...,N (étapes E30, E60 et E70), un premier modèle de régression noté M1(Pn) sur l'espace E(X1,...,XL) engendré par l'ensemble de variables exogènes X1,...,XL (étape E40). A cet effet, il utilise les observations Zi(n), i=1,...,W du paramètre de fonctionnement Pn et les observations Ui(I) i=1,...,W et I=1,...,L des variables exogènes X1,...,XL stockées dans la base de données d'apprentissage 8 pour ce paramètre Pn, et séparées à l'étape E20. Plus précisément, dans le mode de réalisation décrit ici, le modèle M1(Pn) est un modèle de régression linéaire (exemple non limitatif, le modèle pouvant être d'un autre type de régression). Le module de construction du dispositif de construction 7 détermine donc un modèle M1(Pn) de la forme : M1 (Pn) (X1, , XL) = [30 + 131x1 + --- +13LXL où [30,[31,..., pi, désignent des nombres réels. La façon dont le module de construction détermine le modèle de régression linéaire M1 à partir des données d'apprentissage disponibles dans la base de données 8 (observations des paramètres et des variables exogènes) ne pose aucune difficulté à l'homme du métier. Il peut utiliser des algorithmes connus ou des techniques similaires à celles décrites notamment dans le document EP 2 376 988 ou dans le document de J. Lacaille intitulé « Standardized Failure Signature for a Turbofan », IEEE Aerospace Conference, Big Sky, Montana, 2009.

Une fois le modèle M1(Pn) construit pour le paramètre Pn, le dispositif de construction 7 procède, via son module de normalisation, à une normalisation des observations Zi(n), i=1,...,W du paramètre de fonctionnement Pn par rapport aux variables exogènes X1,...,XL (étape E50). Dans le mode de réalisation décrit ici, cette normalisation consiste à évaluer la valeur normalisée Zrio-F-m_i(n) de l'observation Zi(n) à l'aide de l'expression suivante : = 2(n) - (Zi(n) - Zi(n)) où 2(n) désigne la moyenne des observations Zi(n) du paramètre Pn, i=1,...,W stockées dans la base 8 (i.e. moyenne calculée sur les W valeurs stockées), et Zi(n) est une prédiction (estimation) de la valeur Zi(n) calculée à l'aide du modèle M1 et des observations Ui(I) I=1,...L correspondant aux conditions d'acquisition de la valeur Zi(n). En d'autres mots, 2i(n) est la projection selon le modèle de régression M1 de la valeur Zi(n) sur l'espace des variables exogènes E(X1,...,XL), soit : 2i(n) = M1(Pn) (X1 = Ui(1), X2 = Ui(2), , XL = Ui(L)) Les étapes E40 de construction d'un modèle de régression M1 et 20 E50 de normalisation sont réitérées pour chaque paramètre de fonctionnement Pn, n=1,...,N. Lorsque les N paramètres de fonctionnement ont été traités, le dispositif de construction 7 dispose de W vecteurs ZiTOFm_i , i=1,...,W, dont les N composantes sont les N valeurs observées normalisées 25 Znorm_i(n) des paramètres de fonctionnement P1,...,PN (chaque vecteur est formé des valeurs observées normalisées ZrioFrni(n), n=1,...,N des N paramètres de fonctionnement qui ont acquises simultanément ou quasi-simultanément). Le dispositif de construction 7 répartit (i.e. classe) ensuite, via 30 son module de répartition, en fonction d'un critère de classification prédéterminé, les W vecteurs i=1,...,W, dans K classes de vecteurs de valeurs, définies pour les paramètres P1, P2,..., PN et notées C(1),C(2),...,C(K) (étape E80).

Dans le mode de réalisation décrit ici, cette répartition est envisagée de sorte à respecter un critère de ressemblance entre les vecteurs au sein d'une même classe, autrement dit, on répartit dans une même classe des vecteurs qui se ressemblent par les valeurs de leurs composantes et qui sont proches au sens d'une distance prédéfinie (ex. distance euclidienne) ou plus généralement d'un critère prédéfini. A cet effet, le module de répartition du dispositif de construction 7 utilise ici une technique de classification non supervisée des vecteurs des observations normalisées Zri6F-mi, i=1,...,W, connue en soi, et basée par exemple sur une carte auto-organisée (ou auto-adaptative) de Kohonen. De façon connue de l'homme du métier, une telle technique s'appuie sur un réseau de neurones et est basée sur un apprentissage non supervisé qui permet de créer une carte de voisinages, c'est-à-dire une carte de classes de vecteurs voisins (i.e. proches) aussi appelées clusters. Chaque classe C(k) ainsi définie est associée à un représentant (i.e. un vecteur à N dimensions), aussi appelé signature ou encore BMU (pour « Best Matching Unit » en anglais), et noté Rk. Le représentant Rk d'une classe C(k) est le barycentre des 20 vecteurs de cette classe. Il traduit le comportement moyen des éléments de la classe C(k). Ce représentant permet avantageusement à l'homme du métier d'identifier rapidement en quoi diffèrent les classes de vecteurs C(k), k=1,...,K (par exemple au moyen d'un histogramme). Ceci peut permettre si nécessaire de regrouper plusieurs classes de vecteurs qui se 25 ressemblent en « méta-classes », plus denses, à l'aide d'un critère de similarité basé sur l'expérience plutôt qu'un critère de distance. La qualité de la carte ainsi créée est estimée à l'aide d'une mesure de qualité. Cette mesure de qualité est ici une mesure d'erreur de quantification, définie pour chaque classe comme la distance moyenne 30 entre chaque vecteurs d'observations normalisées rattaché à cette classe et le représentant de cette classe. Le dispositif de construction 7 définit ici de manière dynamique le nombre K de classes de vecteurs et les classes de vecteurs C(1),C(2),...,C(K) de sorte à minimiser cette erreur de quantification. 35 Il convient de noter qu'aucune limitation n'est attachée à la technique de classification utilisée au cours de l'étape de répartition E80 pour répartir les vecteurs Znorm_i de valeurs observées normalisées en K classes de valeurs, et d'autres algorithmes peuvent être envisagés en variante pour réaliser cette répartition. Ainsi, le module de répartition peut utiliser d'autres techniques de classification non supervisée (ou SOM pour 5 « Self-Organizing Map »), ou au contraire supervisée comme mentionné précédemment (par exemple une technique des K plus proches voisins). Il peut également définir d'autres critères de classification pour mettre en oeuvre cette technique, i.e. les vecteurs répartis dans une même classe peuvent partager une caractéristique commune, par exemple ils 10 représentent des valeurs acquises à partir de mesures de capteurs réalisées sur un même moteur. Une fois les vecteurs Znorm_i d'observations normalisées, i=1,...,W, répartis dans les K classes C(1),C(2),...,C(K), le dispositif de construction 7 construit (i.e. crée) à l'aide de son module de construction, 15 pour chaque classe C(k), k=1,...,K (étapes E90, E140 et E150), et pour chaque paramètre de fonctionnement Pn, n=1,..., N (étapes E100, E120 et E130), un deuxième modèle de régression M2(k,Pn) sur l'espace E(X1,...,XL) engendré par l'ensemble des variables exogènes X1,...,XL (étape E110). On comprend bien dès lors que les modèles M2(k,Pn) 20 définis sur chaque classe C(k) pour le paramètre Pn, k=1,...,K, sont plus précis que le modèle M1(Pn) qualifié de « générique », puisqu'ils sont spécifiques à chaque classe. Dans le mode de réalisation décrit ici, les modèles M2 sont des modèles de régression linéaires (exemple non limitatif, un autre type de 25 régression pouvant être utilisé), vérifiant : M2(k, Pn) (X1, , XL) = yo + y1X1 + + yLXL où yo, Yi, désignent des nombres réels. Le module de construction du dispositif 7 procède pour définir les modèles M2 de façon similaire à la définition du modèle Ml, en se restreignant à la classe considérée. Le dispositif de construction 7 réitère l'étape E110 de sorte à 30 construire un modèle M2 distinct pour chaque classe C(k), k=1,...,K et pour chaque paramètre de fonctionnement Pn, n=1,...,N. Une fois la construction des modèles M2(k,Pn), k=1,...,K, n=1,...,N achevée pour chaque classe et chaque paramètre de fonctionnement, la phase d'apprentissage est achevée (étape E160).

Il convient de noter que lors de la phase d'apprentissage, et notamment lorsque des techniques de classification non supervisées sont employées, il n'est pas toujours évident de contrôler la répartition des vecteurs Zriormi des observations normalisées au sein des classes de 5 vecteurs C(1),C(2),...,C(K), et notamment de s'assurer que les classes de vecteurs de valeurs définies ont une densité suffisante pour garantir la robustesse des modèles M2(k,Pn) construits (certaines classes peuvent en effet être constituées de peu de vecteurs, alors que d'autres classes sont très denses). Pour pallier ce problème, on peut réduire le nombre de 10 classes ou regrouper plusieurs classes en des classes plus denses, appelées « méta-classes », et construire à un modèle M2 spécifique à ces méta-classes au lieu des classes initialement déterminées. Comme souligné précédemment, ceci peut être accompli en tenant compte d'un critère de similarité entre les représentants des classes dérivé de 15 l'expérience, ou en variante d'un critère de distance entre les représentants. Nous allons maintenant décrire, en référence à la figure 4, comment le dispositif de normalisation 6 utilise les modèles de régression M1(Pn), M2(k,Pn) et les classes de valeurs C(k), k=1,...,K, et n=1,...,N 20 déterminés par le dispositif de construction 7. Les modèles M1(Pn), M2(k,Pn) et les classes de valeurs C(k), k=1,...,K, et n=1,...,N déterminés par le dispositif de construction 7 lors de la phase d'apprentissage sont fournis au dispositif de normalisation 6 (étapes F10 et F20), par l'intermédiaire d'un échange entre les moyens de 25 communication 7E du dispositif de construction 7 et des moyens de communication 6E du dispositif de normalisation 6. Le dispositif de normalisation 6 mémorise ces modèles et classes de valeurs par exemple dans sa mémoire non volatile 6E. On suppose maintenant que le dispositif de normalisation 6 30 reçoit un vecteur Y=(Y1,...,YN) de valeurs des paramètres de fonctionnement P1,...,PN à normaliser déterminées à partir des mesures réalisées par les capteurs 4, ainsi qu'un vecteur x=(x1,...,xL) de valeurs des variables exogènes (X1,...,XL) collectées par les capteurs 5 et reflétant le contexte extérieur lors de l'acquisition par les capteurs 4 des valeurs 35 (Y1,...,YN) des paramètres de fonctionnement P1,...,PN (ou des valeurs ayant permis de déterminer les valeurs Y1,...,YN) (étape F30). On notera que dans le mode de réalisation décrit ici, les valeurs des variables exogènes sont les mêmes pour tous les paramètres de fonctionnement P1,...,PN, les valeurs des paramètres de fonctionnement et les valeurs de variables exogènes étant acquises au même moment de la mission.

Dans le mode de réalisation décrit ici, chaque valeur Yn, n=1,...,N est normalisée une première fois séparément, l'une après l'autre ou à l'aide de processus exécutés parallèlement par le dispositif de normalisation 6 (étapes F40, F60 et F70). On peut, dans une autre variante encore, envisager un traitement vectoriel permettant de normaliser les N valeurs Yn, n=1,...,N simultanément. Plus précisément, pour chaque indice n=1,...,N, le dispositif de normalisation 6, via son premier module de normalisation, normalise la valeur Yn du paramètre Pn par rapport aux variables exogènes X1,...,XL avec le modèle de régression M1(Pn). Dans le mode de réalisation décrit ici, cette normalisation consiste à évaluer la valeur normalisée Ynorm1(n) à l'aide de l'expression suivante (étape F50) : Ynorm1(n) = Z(n) - (Yn - Z1(n)) où 2(n) désigne pour rappel la moyenne des observations Zi(n), i=1,...,W stockées dans la base d'apprentissage 8, et Z1(n) est une prédiction (estimation) de la valeur Yn, calculée à l'aide du modèle M1 et des observations xl, I=1,...L, correspondant aux conditions d'acquisition de la valeur Y(n) (variables exogènes). En d'autres mots, Z1(n) est la projection selon le modèle de régression M1 de la valeur Yn sur l'espace des variables exogènes E(X1,...,XL), soit : Z1(n) = M1(Pn)(X1 = x1, X2 = x2, XL = xL) Cette première étape de normalisation F50 est réalisée pour 25 chaque paramètre Pn, n=1,...,N, de sorte à obtenir un vecteur Ynorm1 dont les N composantes sont les valeurs normalisées Ynorm1(n), n=1,...N. Puis, le dispositif de normalisation 6 associe, via son module d'association, le vecteur des valeurs normalisées Ynorm1 à une ou plusieurs classes parmi les K classes de vecteurs C(k), k=1,...,K définies 30 par le dispositif de construction 7, et stockées dans la mémoire non volatile 6E. A cet effet, il estime, dans le mode de réalisation décrit ici, les probabilités pk d'appartenance du vecteur de valeurs normalisées Ynorm1(n) aux classes de valeurs C(k), k=1,...,K, chaque classe C(k) étant exp (- ilYnorml - Rii12) où IIA - BlIZ désigne la distance euclidienne au carré entre les vecteurs A et B.

Le vecteur de valeurs normalisées Ynorml est ainsi associé par le dispositif de normalisation 6 à chaque classe C(k), k=1,...,K avec la probabilité pk. En variante, le dispositif de normalisation 6 associe une classe de vecteurs de valeurs unique parmi les K classes de valeurs C(k), k=1,...,K au vecteur Ynorml, par exemple, celle correspondant à la probabilité pk la plus grande, ou celle dont le représentant est le plus proche du vecteur de valeurs normalisées Ynorml au sens par exemple de la distance euclidienne. Puis le dispositif de normalisation 6 construit (i.e. crée) à l'aide 15 de son module de construction, pour chaque paramètre de fonctionnement Pn, n=1,...,N (étapes F90, F120 et F130), un modèle de régression M3(Pn) sur l'espace E(X1,...,XL) engendré par les variables exogènes X1,...,XL (troisième modèle de régression au sens de l'invention) (étape F100). A cette fin, il utilise ici les probabilités pk ainsi que les 20 modèles de régression spécifiques M2(k,Pn), k=1,...,Kstockés dans sa mémoire non volatile 6E. Plus précisément, le modèle de régression M3(Pn) pour le paramètre de fonctionnement Pn, est défini selon : M3 (Pn) (Xl, , XL) = pk x M2 (k, Pn)(X1, , XL) k=1 Autrement dit, M3 est construit à partir de la somme des modèles de 25 régression M2(k,Pn) définis sur les classes C(1),..., C(K), pondérés par les probabilités pk d'appartenance du vecteur de valeurs normalisées Ynorml à ces classes. En variante, si une seule classe C(k0) est associée au vecteur Ynorml, le modèle M3 est pris égal au modèle de régression M2(kO,Pn).

30 Puis, le dispositif de normalisation 6 normalise, via son second module de normalisation, la valeur normalisée Ynorml(n) du paramètre représentée par son représentant Rk comme indiqué précédemment (étape F80). Ces probabilités pk, k=1,...,K sont définies ici par : exp(-11Ynorml - Rk112) pk = de fonctionnement Pn par rapport aux variables exogènes X1,...,XL à l'aide du modèle de régression M3 ainsi construit (étape F110). Plus précisément, il évalue au cours de cette seconde étape de normalisation F110 la valeur normalisée Ynorm(n) selon l'expression suivante : Ynorm(n) = Ynorm(n) - (Ynorm1(n) - Z3(n)) où Z3(n) est une prédiction (estimation) de la valeur normalisée Ynorm1(n) calculée à l'aide du modèle M3 et des observations xl, l=1,...L (variables exogènes) correspondant aux conditions d'acquisition de la valeur Yn. En d'autres mots, Z3(n) est la projection selon le modèle de régression M3 de la valeur Yrio-m1(n) sur l'espace des variables exogènes E(X1,...,XL), soit : Z3(n) = M3 (Pn)(X1 = x1, X2 = x2, , XL = xL) Par ailleurs : 1 Ynorm(n) = pk. Znorm_i(n) Card (C (k)) k=1 ieC(k) désigne la somme sur les classes C(1),...,C(K), des moyennes des valeurs observées normalisées du paramètre Pn des vecteurs de ces classes (c'est-à-dire répartis dans ces classes au cours de l'étape E80 de la phase d'apprentissage, formalisé par «ieC(k) » dans l'expression ci-dessus ), pondérées par les probabilités pk d'appartenance aux classes C(1),...,CK. En variante, lorsqu'une classe unique C(k0) est associée au vecteur Ynorm1, la variable Ynorm(n) désigne la moyenne des valeurs 20 observées normalisées du paramètre Pn des vecteurs de cette classe (déterminés au cours de l'étape E80 de la phase d'apprentissage). Les étapes F100 et F110 sont réalisées par le dispositif de normalisation 6 pour chaque paramètre de fonctionnement Pn, n=1,...,N (étapes F120 et F130), conduisant à un vecteur de valeurs normalisées 25 Ynorm=(Ynorm(1),...,Ynorm(N)) des paramètres de fonctionnement P1,...,PN (étape F140). Le vecteur normalisé Ynorm obtenu à l'issue de l'étape F140 est un vecteur de valeurs standardisées des paramètres P1,...,PN qui peut être utilisé pour la surveillance de la turbomachine 2 et ne dépend 30 avantageusement plus des conditions d'acquisition des valeurs courantes des paramètres P1,...,PN.

Claims

REVENDICATIONS1. Procédé de normalisation de valeurs (Y1,...,YN) dites courantes de N paramètres de fonctionnement (P1,...,PN) d'un moteur d'aéronef (2), N étant un entier supérieur ou égal à 1, ces valeurs courantes étant destinées à être utilisées lors d'une surveillance du moteur d'aéronef et déterminées à partir de mesures fournies par des capteurs (4) de ce moteur, le procédé de normalisation comprenant : - une première étape de normalisation (F50) de la valeur courante de chaque paramètre de fonctionnement par rapport à un ensemble de variables exogènes (X1,...,XL) représentatives d'un contexte extérieur influençant ce paramètre de fonctionnement, à l'aide d'un premier modèle de régression (M1) défini pour ce paramètre de fonctionnement sur un espace engendré par cet ensemble de variables exogènes ; - une étape d'association (F80), à un vecteur formé des valeurs courantes normalisées des N paramètres de fonctionnement, d'au moins une classe d'un ensemble de classes de vecteurs de valeurs prédéfinies pour les N paramètres de fonctionnement ; - une étape de construction (F100) pour chaque paramètre de fonctionnement, à partir d'au moins un deuxième modèle de régression (M2) défini sur l'espace engendré par l'ensemble de variables exogènes pour ladite au moins une classe associée audit vecteur, d'un troisième modèle de régression (M3) sur l'espace engendré par l'ensemble de variables exogènes ; et - une seconde étape de normalisation (F110) de la valeur courante normalisée de chaque paramètre de fonctionnement par rapport à l'ensemble de variables exogènes, à l'aide du troisième modèle de régression construit pour ce paramètre de fonctionnement.
2. Procédé de normalisation selon la revendication 1 dans lequel : - l'étape d'association comprend une estimation (F80) pour ladite au moins une classe d'une probabilité d'appartenance du vecteur formé des valeurs courantes normalisées des N paramètres de fonctionnement à cette classe ; etle troisième modèle de régression est construit à partir de la somme de chaque deuxième modèle de régression défini pour une classe pondéré par la probabilité d'appartenance à cette classe du vecteur formé des valeurs courantes normalisées des N paramètres de fonctionnement.
3. Procédé de normalisation selon la revendication 1 ou 2 dans lequel les premiers modèles de régression définis pour les N paramètres de fonctionnement sont construits au cours d'une phase préliminaire d'apprentissage (E10-E160) à partir d'une pluralité de valeurs observées des N paramètres de fonctionnement déterminées à partir de mesures de capteurs d'une pluralité de moteurs d'aéronefs collectées lors d'au moins une mission de ces aéronefs.
4. Procédé de normalisation selon la revendication 3, dans lequel la phase préliminaire d'apprentissage comprend en outre, après construction des premiers modèles de régression : - une étape de normalisation (E50) de ladite pluralité de valeurs observées des paramètres de fonctionnement par rapport à l'ensemble de variables exogènes à l'aide des premiers modèles de régression (M1) définis pour ces paramètres de fonctionnement, cette étape de normalisation résultant (E40) en une pluralité de vecteurs de valeurs observées normalisées des N paramètres de fonctionnement ; - une étape de répartition (E80) de ces vecteurs dans ledit ensemble de classes de vecteurs de valeurs ; et - une étape de construction (E110) des deuxièmes modèles de régression définis pour chaque paramètre de fonctionnement et pour chaque classe, à partir des vecteurs de valeurs observées normalisées de ce paramètre de fonctionnement répartis dans cette classe.
5. Procédé de normalisation selon la revendication 4 dans lequel l'étape de répartition (E80) met en oeuvre une méthode de classification non supervisée s'appuyant sur une carte auto-adaptative et résultant en la définition des classes dudit ensemble de classes de vecteurs de valeurs.
6. Procédé de normalisation selon l'une quelconque des revendications 1 à 5, dans lequel les premiers (M1) et/ou les deuxièmes(M2) et/ou les troisièmes modèles (M3) de régression sont des modèles de régression linéaire.
7. Programme d'ordinateur comportant des instructions pour 5 l'exécution des étapes du procédé de normalisation selon l'une quelconque des revendications 1 à 6 lorsque ledit programme est exécuté par un ordinateur.
8. Support d'enregistrement lisible par un ordinateur sur lequel 10 est enregistré un programme d'ordinateur comprenant des instructions pour l'exécution des étapes du procédé de normalisation selon l'une quelconque des revendications 1 à 6.
9. Dispositif de normalisation (6) de valeurs dites courantes 15 (Y1,...,YN) de N paramètres de fonctionnement (P1,...,PN) d'un moteur d'aéronef (2), N étant un entier supérieur ou égal à 1, ces valeurs courantes étant destinées à être utilisée lors d'une surveillance de ce moteur et déterminées à partir de mesures fournies par des capteurs du moteur, le dispositif de normalisation comprenant : 20 - un premier module de normalisation de la valeur courante de chaque paramètre de fonctionnement par rapport à un ensemble de variables exogènes (X1,...,XL) représentatives d'un contexte extérieur influençant ce paramètre de fonctionnement, utilisant un premier modèle de régression défini pour ce paramètre de fonctionnement sur 25 un espace engendré par cet ensemble de variables exogènes ; un module d'association, apte à associer à un vecteur formé des valeurs courantes normalisées des N paramètres de fonctionnement, au moins une classe d'un ensemble de classes de vecteurs de valeurs prédéfinies pour les N paramètres de fonctionnement ; 30 - un module de construction apte à construire pour chaque paramètre de fonctionnement, à partir d'au moins un deuxième modèle de régression défini sur l'espace engendré par l'ensemble de variables exogènes pour ladite au moins une classe associée audit vecteur, un troisième modèle de régression défini sur l'espace engendré par 35 l'ensemble de variables exogènes ; et- un second module de normalisation de la valeur courante normalisée de chaque paramètre de fonctionnement par rapport à l'ensemble de variables exogènes utilisant le troisième modèle de régression construit pour ce paramètre de fonctionnement par le module de construction.
10. Turbomachine (2) comprenant un dispositif de normalisation selon la revendication 9.
11. Dispositif de construction (7) de modèles de régression destinés à être utilisés lors d'une normalisation de valeurs (Y1,...,YN) de N paramètres de fonctionnement (P1,...,PN) d'un moteur d'aéronef (2) par rapport à un ensemble de variables exogènes (X1,...,XL) représentatives d'un contexte extérieur influençant ces paramètres de fonctionnement, le dispositif de construction comprenant : - un module de construction, pour chaque paramètre de fonctionnement, d'un premier modèle de régression sur un espace engendré par ledit ensemble de variables exogènes, à partir d'une pluralité de valeurs observées de ce paramètre de fonctionnement déterminées à partir de mesures de capteurs d'une pluralité de moteurs d'aéronefs collectées lors d'au moins une mission de ces aéronefs ; - un module de normalisation de la pluralité de valeurs observées des N paramètres de fonctionnement par rapport à l'ensemble de variables exogènes à l'aide des premiers modèles de régression construis pour ces paramètres de fonctionnement par le module de construction, ledit module de normalisation étant apte à fournir une pluralité de vecteurs de valeurs observées normalisées des N paramètres de fonctionnement ; - un module de répartition de ces vecteurs dans un ensemble de classes de vecteurs de valeurs ; et - un module de construction, pour chaque classe de vecteurs de valeurs et pour chaque paramètre de fonctionnement, d'un deuxième modèle de régression sur l'espace engendré par l'ensemble de variables exogènes à partir des vecteurs de valeurs observées normalisées répartis dans cette classe.
12. Système (1) de normalisation de valeurs dites courantes de N paramètres de fonctionnement d'un moteur d'aéronef (2), N étant un entier supérieur ou égal à 1, lesdites valeurs courantes étant destinées à être utilisées lors d'une surveillance de ce moteur et déterminées à partir de mesures fournies par des capteurs (4) de ce moteur, ce système comprenant : - un dispositif de construction (7) de premiers et de deuxièmes modèles de régression pour les N paramètres de fonctionnement selon la revendication 11 ; et - un dispositif de normalisation (6) selon la revendication 9 apte à utiliser les premiers modèles de régression et les deuxièmes modèles de régression construits par le dispositif de construction pour normaliser les valeurs courantes des N paramètres de fonctionnement.