FR3027417A1 - Procede et systeme de generation de rapports d'alertes dans un aeronef - Google Patents
Procede et systeme de generation de rapports d'alertes dans un aeronef Download PDFInfo
- Publication number
- FR3027417A1 FR3027417A1 FR1460070A FR1460070A FR3027417A1 FR 3027417 A1 FR3027417 A1 FR 3027417A1 FR 1460070 A FR1460070 A FR 1460070A FR 1460070 A FR1460070 A FR 1460070A FR 3027417 A1 FR3027417 A1 FR 3027417A1
- Authority
- FR
- France
- Prior art keywords
- data
- aircraft
- learning
- board
- knowledge database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000000638 solvent extraction Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000009499 grossing Methods 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 230000010006 flight Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000010749 BS 2869 Class C1 Substances 0.000 description 3
- 239000010750 BS 2869 Class C2 Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000001739 density measurement Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0065—Black boxes, devices automatically broadcasting distress signals
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
L'invention concerne un procédé et un système de génération d'un rapport d'alerte à bord d'un aéronef, comportant les modules suivants : - module embarqué d'acquisition (3) configuré pour acquérir des données relatives à l'aéronef, lesdites données étant issues de capteurs et/ou équipements installés dans l'aéronef, - module embarqué de traitement (5) configuré pour détecter d'éventuelles anomalies en partitionnant automatiquement lesdites données suivant un ensemble de groupes homogènes (G1-G6), chaque anomalie étant révélée par une donnée correspondante n'appartenant à aucun groupe homogène, - module embarqué d'émission d'alertes (7) configuré pour émettre un rapport d'alerte à chaque détection d'une anomalie, et - module embarqué de transmission (9) configuré pour transmettre au sol et en temps réel ledit rapport d'alerte.
Description
PROCÉDÉ ET SYSTÈME DE GÉNÉRATION DE RAPPORTS D'ALERTES DANS UN AÉRONEF DOMAINE DE L'INVENTION La présente invention se rapporte au domaine de détection d'anomalie dans un aéronef. En particulier, l'invention concerne un procédé et un système de génération d'un rapport d'alerte à chaque détection d'anomalie à bord de l'aéronef. Un aéronef est en général équipé d'un système de surveillance destiné à analyser une pluralité de paramètres afin de surveiller le bon fonctionnement des différents équipements de l'aéronef. Ce système est composé d'un calculateur d'enregistrement et de surveillance de l'état de l'aéronef ACMS (Aircraft Monitoring System). L'ACMS est configuré pour acquérir et sauvegarder des données en provenance des capteurs et/ou autres équipements de l'aéronef durant chaque vol afin de surveiller la performance des différents systèmes de l'aéronef et détecter les dysfonctionnements ou anomalies. Plus particulièrement, l'ACMS est programmé pour déclencher un rapport d'alerte lorsqu'une anomalie est détectée. Chaque rapport est transmis par l'aéronef en vol à une station au sol en temps réel via un système de transmission de données ACARS (Aircraft Communications Addressing and Reporting System). Le rapport consiste en un instantané (snapshot) d'un état de l'aéronef de quelques secondes d'enregistrement autour de la détection d'une anomalie. Bien entendu, les données sauvegardées présentent un très grand volume et il n'est actuellement pas possible de transmettre toutes ces données depuis un aéronef en vol. En revanche, à l'issue du vol, toutes les données enregistrées peuvent être extraites de l'ACMS via un équipement spécial afin de réaliser des analyses plus détaillées si nécessaire. Ce dispositif est très efficace mais présente quelques inconvenients. En particulier le déclenchement de chaque rapport d'alerte est prédéfini en fonction de connaissances a priori des différents systèmes avioniques et par conséquent, ne couvre pas toutes les conditions de ces systèmes ni tous les dysfonctionnements possibles. En effet, le déclencheur d'alertes est programmé en fonction des propriétés connues des différents paramètres concernant par exemple leurs contraintes physique et/ou logique, leurs seuils, leurs liens avec des indicateurs d'anomalies, etc. Il est ainsi probable que des nouvelles anomalies, non prévues ou non prédéfinies, ne soient pas détectées par le système. Ainsi, l'implémentation de ces conditions et contraintes dans l'ACMS donne une supervision partielle des systèmes avioniques. En outre, les données comprises dans le rapport transmis au sol peuvent ne pas être suffisantes pour analyser l'anomalie survenue à bord de l'aéronef. En effet, seules les données comprises dans les rapports transmis par l'aéronef sont exploitables en temps réel. Les données sauvegardées par l'ACMS entre deux déclenchements successifs ne sont exploitables qu'après atterrissage de l'aéronef. De plus, il est nécessaire d'accéder à l'aéronef pour récupérer ces données.
L'objet de la présente invention est par conséquent de proposer un système et un procédé de génération et transmission de rapports d'alertes depuis l'aéronef sans présenter les inconvénients précités et en particulier, en mettant en oeuvre un traitement de données autonome et embarqué permettant de générer en temps réel un rapport précis et complet tenant compte de toutes les données pertinentes.
OBJET ET RÉSUMÉ DE L'INVENTION La présente invention propose un système et un procédé autonome et embarqué de traitement de données et de génération et transmission de rapports d'alertes complets, ledit système comportant les modules suivants : - module embarqué d'acquisition configuré pour acquérir des données relatives à l'aéronef, lesdites données étant issues de capteurs et/ou équipements installés dans l'aéronef, - module embarqué de traitement configuré pour détecter d'éventuelles anomalies en partitionnant automatiquement lesdites données suivant un ensemble de groupes homogènes, chaque anomalie étant révélée par une donnée correspondante n'appartenant à aucun groupe homogène, - module embarqué d'émission d'alertes configuré pour émettre un rapport d'alerte à chaque détection d'une anomalie, et - module embarqué de transmission configuré pour transmettre au sol et en temps réel ledit rapport d'alerte.
Ce système est autonome et est adapté pour traiter toutes les données acquises à bord de l'aéronef permettant de délivrer des rapports complets et précis tout en évitant le téléchargement de toutes les données à chaque atterrissage.
BRÈVE DESCRIPTION DES DESSINS D'autres particularités et avantages du dispositif et du procédé selon l'invention ressortiront mieux à la lecture de la description faite ci-après, à titre indicatif mais non limitatif, en référence aux dessins annexés sur lesquels : - la Fig. 1 illustre de manière schématique un système de génération de rapports d'alertes, selon un mode de réalisation de l'invention ; - la Fig. 2 illustre de manière schématique un système et également un procédé de génération de rapports d'alertes, selon un mode de réalisation préféré de l'invention ; et - les Figs. 3A et 3B illustrent une série temporelle de données avant et après lissage, selon un mode de réalisation de l'invention. DESCRIPTION DÉTAILLÉE DE MODES DE RÉALISATION Le principe de l'invention consiste à partitionner automatiquement et de manière adaptive les données disponibles à bord d'un aéronef pour détecter des anomalies et générer des rapports complets sur ces anomalies. La Fig. 1 illustre de manière schématique un système de génération de rapports d'alertes, selon un mode de réalisation de l'invention. Le système de génération comporte un dispositif d'analyse 1 embarqué à bord d'un aéronef comprenant un module d'acquisition 3, un module de traitement 5, un module d'émission d'alertes 7, et un module de transmission 9. Le module embarqué d'acquisition 3 est configuré pour acquérir des données D relatives à l'aéronef. Ces données D constituent une pluralité de séries temporelles de mesures ou signaux issues de capteurs et/ou équipements installés dans l'aéronef et sont représentatives de paramètres avioniques concernant les différents systèmes de l'aéronef.
En effet, des capteurs de vibration, de vitesse, de températures de pression, etc. sont intégrés dans l'aéronef pour recueillir au cours du temps des mesures sur des paramètres relatifs à l'aéronef et son environnement. En outre, des équipements tels que des calculateurs d'enregistrement, de régulation ou de contrôle génèrent au cours du vol de l'aéronef des données sur des paramètres avioniques. Plus particulièrement, les données D relatives à l'aéronef collectées par le module d'acquisition 3 proviennent du calculateur d'enregistrement et de surveillance de l'état de l'aéronef ACMS. Le module embarqué de traitement 5 est configuré pour détecter d'éventuelles anomalies en partitionnant les données D suivant des groupes homogènes G1-G6. Le partitionnement peut être réalisé selon une technique de « Data Driven » (analyse dirigée par les données) ou une technique de « Data Mining » (exploration de données) basée sur une mesure de distance, une mesure de densité, ou sur un classement hiérarchique entre les différentes données de sorte que les données soient assemblées en groupes homogènes selon leurs caractéristiques. Chaque groupe rassemble un nombre de données supérieur à un seuil prédéterminé et la distance entre les différents points d'un même groupe est inférieure à un rayon pouvant être déterminé automatiquement. Les données qui appartiennent à l'une quelconque des groupes homogènes forment une classe de données labélisées ou étiquetées comme « données normales ». En revanche, les données al-a3 qui n'appartiennent à aucun de ces groupes homogènes G1-G6 forment une classe de données suspectes pouvant être labélisées en première estimation comme des « données anormales ». Plus particulièrement, une donnée suspecte peut être due à une anomalie et donc labellisée comme une donnée anormale al-a3 ou tout simplement une nouvelle condition annonçant un nouveau groupe de données qui sera ultérieurement attesté par des nouvelles données. Ainsi, en première estimation, chaque détection d'anomalie est révélée par une donnée correspondante al-a3 (étiquetée comme une donnée anormale) n'appartenant à aucun groupe homogène G1-G6. Selon un premier mode de réalisation, le partitionnement de données peut être réalisé selon une méthode d'apprentissage non-supervisé (i.e., sans aucune connaissance préalable sur les données). En effet, cette méthode d'apprentissage non-supervisé est configurée pour découvrir par elle-même les différentes structures homogènes des données D. Avantageusement, afin de réduire la masse de données à traiter à bord de l'aéronef, les données D acquises par le module d'acquisition 3 sont bufférisées et lissées (par exemple par une technique de segmentation ou de filtrage) avant leur traitement par le module de traitement 5. Le lissage permet de réduire la taille de données sans perdre les informations pertinentes. Selon un deuxième mode de réalisation, le partitionnement de données peut être réalisé par le module de traitement 5 selon un apprentissage semi-supervisé en comparant les données réelles D (non encore labélisées) recueillies à bord de l'aéronef à des données d'apprentissage anormales (i.e., des données préliminaires déjà labélisées comme anormales) enregistrées dans une base de données de connaissance (voir Fig. 2). En effet, des données d'apprentissage relatives à une flotte d'aéronefs peuvent être téléchargées au sol après l'atterrissage des aéronefs. Par exemple, au bout d'un nombre déterminé de vols de chaque aéronef appartenant à la flotte, les données recueillies à bord de l'aéronef sont extraites pour qu'elles soient analysées au sol. Ces données préliminaires peuvent provenir depuis au moins une source de données parmi une pluralité de sources relatives à l'ensemble d'aéronefs et pouvant comprendre les sources suivantes : capteurs installés dans chaque aéronef, calculateur d'enregistrement et de surveillance de l'état de chaque aéronef ACMS, carnets de bord électroniques, rapports de maintenance, requêtes manuelles via une interface homme-machine (par exemple dans le cockpit) etc. Un dispositif d'analyse au sol (voir Fig. 2) peut être utilisé pour partitionner automatiquement toutes les données d'apprentissage selon une technique d'apprentissage non-supervisé générant une classe de données d'apprentissage normales et une autre classe de données d'apprentissage anormales. Les données d'apprentissage anormales sont confirmées par expertise et stockées dans une première base de données de connaissance qui sera ensuite embarquée dans l'aéronef. En variante, le partitionnement de données peut être réalisé selon un apprentissage semi-supervisé en comparant les données recueillies à bord de l'aéronef à des données d'apprentissage normales enregistrées dans une deuxième base de données de connaissance. Dans ce cas, les données préliminaires normales traitées par l'unité de traitement sont stockées dans cette deuxième base de données de connaissance. Avantageusement, la partition de données est réalisée de manière dynamique et évolutive. En effet, la première et/ou la deuxième base de données de connaissance sont mises à jour après chaque extraction au sol de données relatives à l'ensemble des aéronefs. Par ailleurs, à chaque détection d'une anomalie à bord de l'aéronef, le module embarqué d'émission d'alertes 7 est configuré pour émettre un rapport d'alerte consistant en un instantané ou une fenêtre temporelle de données enregistrées pendant quelques petites secondes avant et après la détection de l'anomalie. Le module embarqué de transmission 9 est configuré pour transmettre le rapport d'alerte à une station 11 au sol en temps réel via le réseau 13 ACARS. Avantageusement, le rapport d'alerte est compressé avant sa transmission au sol. Ainsi, la présente invention propose un système autonome qui traite toutes les données et qui délivre des rapports complets et précis tout en évitant le téléchargement de toutes les données à chaque atterrissage. La Fig. 2 illustre de manière schématique un système et également un procédé de génération de rapports d'alertes, selon un mode de réalisation préféré de l'invention. Le système de génération comporte un dispositif d'analyse 21 installé dans une station au sol et un autre dispositif d'analyse 1 embarqué. Le dispositif d'analyse 21 au sol comporte une unité d'acquisition 23, une unité de lissage 24, une unité de traitement 25 et une unité d'enregistrement 26. A l'étape El, l'unité d'acquisition 23 est configurée pour acquérir des données d'apprentissage relatives à au moins un aéronef et à plusieurs vols pour chaque aéronef.
Les données sont des signaux composés de séries temporelles de mesures ou d'observations qui proviennent d'une première source de données comprenant les enregistrements ACMC de l'ensemble des aéronefs. Les données peuvent également être récupérées depuis d'autres sources de données comprenant par exemple des requêtes manuelles, des carnets de bord (logbooks) électroniques, et des rapports de maintenance de l'ensemble des aéronefs.
Pour chaque aéronef, les données d'apprentissage peuvent par exemple être ordonnées sous la forme d'une matrice à n lignes (représentant n vols frfn) et m colonnes (représentant m paramètres avioniques Pi-Pm). Un coefficient au de la matrice représente un point ou un signal temporel mesuré durant le vol de l'aéronef et relatif à un paramètre Pi d'un vol f, de l'aéronef. On notera que le volume de données relatif aux paramètres surveillés à bord d'un aéronef est très grand et peut être de l'ordre de cinq millions de données pour certains vols. Ainsi, à l'étape E2 afin de réduire la masse de données et le temps de traitement, l'unité de lissage 24 est avantageusement configurée pour lisser les données d'apprentissage formant ainsi des données d'apprentissage lissées. Le lissage peut être réalisé en filtrant ou en moyennant ou en segmentant les données. La segmentation consiste à segmenter de manière itérative les séries temporelles de données en différents segments jusqu'à ce que le nombre désiré de segments ou un seuil d'erreur soit atteint. Avantageusement, la segmentation est réalisée en utilisant une technique d'ondelettes de Haar qui détermine automatiquement le nombre minimal de segments permettant de diminuer de manière optimale la dimensionnalité des données tout en conservant les informations essentielles contenues dans ces données, comme illustré sur les Figs. 3A et 3B. En effet, la Fig. 3A illustre une série temporelle de 45000 données avant lissage et la Fig. 3B illustre la transformation de la même série temporelle en 27000 segments. A l'étape E3, l'unité de traitement 25 est configurée pour partitionner automatiquement les données d'apprentissage lissées selon une technique d'apprentissage non-supervisé générant une première classe Cl de données d'apprentissage normales et une deuxième classe C2 de données d'apprentissage 25 anormales. Le partitionnement est avantageusement réalisé selon une technique dirigée par les données et basée sur une mesure de densité qui ne nécessite pas une construction préalable de groupes de données. Ainsi, la méthode d'apprentissage non-supervisé auto-découvre les structures cachées des données sans aucune connaissance a priori afin de partitionner ces données en groupes homogènes G1-G5 selon leurs caractéristiques ou comportements. La première classe Cl de données d'apprentissage normales correspond à la réunion de tous les groupes homogènes Gl-G5 tandis que la deuxième classe de données d'apprentissage anormales correspond au complémentaire al-a3 de ces groupes homogènes. Ainsi, la deuxième classe C2 de données d'apprentissage anormales comporte les données irrégulières al-a3 qui ne correspondent pas aux motifs normaux suggérés par la majorité des observations. La classe Cl de données d'apprentissage normales peut être confirmée par des experts et l'une et/ou l'autre des deux classes Cl, C2 peuvent être utilisées pour faire des analyses statistiques, des pronostics ou d'autres analyses. En particulier, l'une des deux classes Cl, C2 de données peut être utilisée à bord de l'aéronef pour détecter les anomalies selon une technique de semi-apprentissage. Toutefois, il est plus avantageux d'utiliser les données anormales étant donné que leur volume est nettement inférieur à celui des données normales. Ainsi, à l'étape E4, l'unité d'enregistrement 26 est configurée pour enregistrer les données d'apprentissage anormales dans une base de données de connaissance 33. A l'étape E5, la base de données de connaissance 33 est transférée ou embarquée à bord de l'aéronef et plus spécifiquement dans le dispositif 1 d'analyse embarqué.
En effet, le dispositif 1 d'analyse embarqué comporte une base de données embarquée de connaissance 133, un module d'acquisition 3, un mémoire tampon 4 embarqué, un module embarqué de lissage 34, un module embarqué de traitement 5, un module embarqué d'émission d'alertes 7, et un module embarqué de transmission 9. La base de données embarquée de connaissance 133 correspond à la base de données de connaissance 33 et comporte donc les données d'apprentissage anormales créées par le dispositif d'analyse 21 au sol. Ainsi, à l'étape Eh, lorsque l'aéronef est en vol, le module embarqué d'acquisition 3 est configuré pour acquérir au cours du temps de vol des séries temporelles de données relatives à l'aéronef provenant essentiellement de l'ACMS.
A l'étape E12, afin de traiter les données par petits paquets, la mémoire tampon 4 est configurée pour y placer une quantité prédéterminée de séries temporelles de données acquises par le module d'acquisition 3. Ceci permet de faciliter la segmentation de données.
A l'étape E13, le module de lissage 34 est configuré pour récupérer les données bufférisées par la mémoire tampon 4 et pour lisser ces données selon par exemple une technique de segmentation avant qu'elles soient traitées par le module de traitement 5. A l'étape E14, le module de traitement 5 est configuré pour récupérer les données de lissage et pour partitionner ces données suivant un ensemble de groupes homogènes selon une technique d'apprentissage semi-supervisé. En effet, le module de traitement 5 consulte la base de données de connaissance 133 pour comparer les données non encore labélisées recueillies à bord de l'aéronef aux données d'apprentissage anormales enregistrées dans cette base de données 133. Ainsi, toute donnée réelle recueillie à bord de l'aéronef qui se trouve dans un voisinage prédéterminé d'une donnée d'apprentissage anormale est elle-même labélisée comme anormale. Le module de traitement 5 permet ainsi de détecter toutes les données anormales en temps réel et pour tous les paramètres. Avantageusement, le module embarqué de traitement 5 peut être également configuré pour partitionner les données réelles selon une technique d'apprentissage non-supervisé. Afin de limiter le temps de calcul, ce traitement peut être réalisé sur les différents signaux de manière individuelle (i.e. un signal à chaque fois). Cette analyse non- supervisée permet de détecter les sauts ou changements de conditions dans chacun des signaux traités. A l'étape E15, le module d'émission d'alertes 7 est configuré pour émettre un rapport d'alerte à chaque détection d'une anomalie à bord de l'aéronef. On notera que le rapport d'alerte comporte l'enregistrement de données autour de l'anomalie détectée selon la technique d'apprentissage semi-supervisé. Optionnellement, le rapport d'alerte peut également comporter des données relatives à l'anomalie détectée selon la technique d'apprentissage non-supervisé. A l'étape E16, le module de transmission 9 est configuré pour compresser et transmettre le rapport d'alerte à une station au sol en temps réel via le réseau 13 (ACARS).
En outre, la base de données de connaissance 133 est avantageusement mise à jour de manière périodique. En effet, après par exemple chaque dizaine de vols, toutes les données enregistrées dans l'aéronef sont récupérées à l'atterrissage. Ces données sont ensuite analysées dans le dispositif d'analyse 21 au sol selon les étapes E1-E5 afin d'enrichir et mettre à jour la base de données embarquée de connaissance 133.
Claims (11)
- REVENDICATIONS1. Système de génération d'un rapport d'alerte à bord d'un aéronef, caractérisé en ce qu'il comporte les modules suivants : - module embarqué d'acquisition (3) configuré pour acquérir des données relatives à l'aéronef, lesdites données étant issues de capteurs et/ou équipements installés dans l'aéronef, - module embarqué de traitement (5) configuré pour détecter d'éventuelles anomalies en partitionnant automatiquement lesdites données suivant un ensemble de 10 groupes homogènes (G1-G6), chaque anomalie étant révélée par une donnée correspondante n'appartenant à aucun groupe homogène, - module embarqué d'émission d'alertes (7) configuré pour émettre un rapport d'alerte à chaque détection d'une anomalie, et - module embarqué de transmission (9) configuré pour transmettre au sol et en 15 temps réel ledit rapport d'alerte.
- 2. Système selon la revendication 1, caractérisé en ce qu'il comporte : - une mémoire tampon embarquée (4) configurée pour buffériser lesdites données acquises par le module d'acquisition, et 20 - un module embarqué de lissage (34) configuré pour lisser lesdites données bufférisées avant leur traitement par le module de traitement.
- 3. Système selon la revendication 1 ou 2, caractérisé en ce que ledit module de traitement (5) est configuré pour partitionner automatiquement lesdites données selon 25 une technique d'apprentissage non-supervisé.
- 4. Système selon l'une quelconque des revendications précédentes, caractérisé en ce que ledit module de traitement (5) est configuré pour partitionner automatiquement lesdites données selon une technique d'apprentissage semi-supervisé en comparantlesdites données à des données d'apprentissage anormales enregistrées dans une base de données de connaissance embarquée (133).
- 5. Système selon la revendication 4, caractérisé en ce que ledit système comporte : une unité d'acquisition (23) configurée pour acquérir des données d'apprentissage relatives à au moins un aéronef, - une unité de lissage (24) configurée pour lisser lesdites données d'apprentissage formant ainsi des données d'apprentissage lissées, - une unité de traitement (25) configurée pour partitionner automatiquement lesdites données d'apprentissage lissées selon une technique d'apprentissage non- supervisé générant une première classe de données d'apprentissage normales et une deuxième classe de données d'apprentissage anormales, - une unité d'enregistrement (25) configurée pour enregistrer lesdites données d'apprentissage anormales dans une base de données de connaissance (33) correspondant à ladite base de données de connaissance embarquée (133).
- 6. Système selon la revendication 5, caractérisé en ce que ladite unité d'acquisition (23) est configurée pour acquérir lesdites données d'apprentissage depuis une première source de données comprenant des enregistrements ACMC d'un ensemble d'aéronefs et de différents vols et/ou d'autre sources de données comprenant des requêtes manuelles, des carnets de bord électroniques, des rapports de maintenance de l'ensemble des aéronefs.
- 7. Aéronef caractérisé en ce qu'il comporte un système de génération selon l'une quelconque des revendications 1 à 4.
- 8. Procédé de génération d'un rapport d'alerte à bord d'un aéronef, caractérisé en ce qu'il comporte les étapes suivantes : - acquisition de données relatives à l'aéronef en provenance de capteurs et/ou équipements installés dans l'aéronef,- détection d'éventuelles anomalies en partitionnant automatiquement lesdites données suivant un ensemble de groupes homogènes, chaque anomalie étant révélée par une donnée correspondante n'appartenant à aucun groupe homogène, - émission d'un rapport d'alerte à chaque détection d'une anomalie, et - transmission au sol et en temps réel dudit rapport d'alerte.
- 9. Procédé selon la revendication 8, caractérisé en ce que la partition de données est réalisée selon une technique d'apprentissage semi-supervisé en comparant lesdites données à des données d'apprentissage anormales enregistrées dans une base de données de connaissance embarqué dans l'aéronef.
- 10. Procédé selon la revendication 9, caractérisé en ce que ladite base de données de connaissance est construite au sol selon les étapes suivantes : - acquisition de données d'apprentissage relatives à au moins un aéronef, - lissage desdites données d'apprentissage formant ainsi des données d'apprentissage lissées, - partitionnement automatique desdites données d'apprentissage lissées selon une technique d'apprentissage non-supervisé générant une première classe de données d'apprentissage normales et une deuxième classe de données d'apprentissage anormales, - enregistrement desdites données d'apprentissage anormales dans ladite base de données de connaissance (33), et - embarcation de ladite base de données de connaissance dans l'aéronef.
- 11. Procédé selon la revendication 9 ou 10, caractérisé en ce qu'il comporte une mise à jour périodique de ladite base de données de connaissance (33).
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1460070A FR3027417B1 (fr) | 2014-10-20 | 2014-10-20 | Procede et systeme de generation de rapports d'alertes dans un aeronef |
US14/886,743 US9796481B2 (en) | 2014-10-20 | 2015-10-19 | Method and system aboard an aircraft for generating an anomaly report |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1460070A FR3027417B1 (fr) | 2014-10-20 | 2014-10-20 | Procede et systeme de generation de rapports d'alertes dans un aeronef |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3027417A1 true FR3027417A1 (fr) | 2016-04-22 |
FR3027417B1 FR3027417B1 (fr) | 2016-11-25 |
Family
ID=52102884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR1460070A Active FR3027417B1 (fr) | 2014-10-20 | 2014-10-20 | Procede et systeme de generation de rapports d'alertes dans un aeronef |
Country Status (2)
Country | Link |
---|---|
US (1) | US9796481B2 (fr) |
FR (1) | FR3027417B1 (fr) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101786237B1 (ko) * | 2015-12-09 | 2017-10-17 | 현대자동차주식회사 | 운전자보조시스템용 센서의 고장진단 및 보정을 위한 장치 및 방법 |
US10964132B2 (en) * | 2018-04-30 | 2021-03-30 | The Boeing Company | Detecting fault states of an aircraft |
KR102334489B1 (ko) * | 2018-07-31 | 2021-12-02 | 미쓰비시덴키 가부시키가이샤 | 정보 처리 장치, 프로그램을 기록한 기록 매체 및 정보 처리 방법 |
US11587448B2 (en) * | 2019-07-26 | 2023-02-21 | General Electric Company | Systems and methods for manifolds learning of airline network data |
US11615656B2 (en) * | 2019-12-20 | 2023-03-28 | Pratt & Whitney Canada Corp. | Method and system for diagnosing an engine or an aircraft |
US11580794B2 (en) * | 2020-04-08 | 2023-02-14 | The Boeing Company | Anomaly prediction and detection for aircraft equipment |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1455313A1 (fr) * | 2003-03-04 | 2004-09-08 | Arinc Incorporated | Système de gestion et d'analyse de condition d'un aéronef |
US20060126608A1 (en) * | 2004-11-05 | 2006-06-15 | Honeywell International Inc. | Method and apparatus for system monitoring and maintenance |
US20090216393A1 (en) * | 2008-02-27 | 2009-08-27 | James Schimert | Data-driven anomaly detection to anticipate flight deck effects |
US20110087387A1 (en) * | 2009-10-12 | 2011-04-14 | The Boeing Company | Platform Health Monitoring System |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT1293412B1 (it) * | 1997-07-04 | 1999-03-01 | Finmeccanica Spa | Metodo di sorveglianza di un gruppo epicicloidale in un veicolo dotato di sensori accelerometrici, in particolare in un elicottero. |
US6408259B1 (en) * | 2000-02-01 | 2002-06-18 | General Electric Company | Alert generation for trend performance analysis |
US7937334B2 (en) * | 2006-05-31 | 2011-05-03 | Lockheed Martin Corporation | System and method for defining normal operating regions and identifying anomalous behavior of units within a fleet, operating in a complex, dynamic environment |
US8271233B2 (en) * | 2008-04-01 | 2012-09-18 | United Technologies Corporation | Method of multi-level fault isolation design |
US8074499B2 (en) * | 2009-12-22 | 2011-12-13 | General Electric Company | Method and system for detecting a crack on a turbomachine blade |
US9218232B2 (en) * | 2011-04-13 | 2015-12-22 | Bar-Ilan University | Anomaly detection methods, devices and systems |
FR2987443B1 (fr) * | 2012-02-24 | 2014-03-07 | Snecma | Dispositif de detection d'anomalies par analyse acoustique d'une turbomachine d'aeronef |
FR2987483B1 (fr) * | 2012-02-29 | 2014-03-07 | Sagem Defense Securite | Procede d'analyse de donnees de vol |
FR2990725B1 (fr) * | 2012-05-16 | 2014-05-02 | Snecma | Procede de surveillance d'une degradation d'un dispositif embarque d'un aeronef avec determination automatique d'un seuil de decision |
WO2014093670A1 (fr) * | 2012-12-12 | 2014-06-19 | University Of North Dakota | Analyse de données de vol à l'aide de modèles prédictifs |
FR3011105B1 (fr) * | 2013-09-20 | 2017-01-27 | Airbus Operations Sas | Procede d'identification d'un equipement defaillant dans un aeronef. |
US9623983B2 (en) * | 2014-05-12 | 2017-04-18 | The Boeing Company | Aircraft interior monitoring |
-
2014
- 2014-10-20 FR FR1460070A patent/FR3027417B1/fr active Active
-
2015
- 2015-10-19 US US14/886,743 patent/US9796481B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1455313A1 (fr) * | 2003-03-04 | 2004-09-08 | Arinc Incorporated | Système de gestion et d'analyse de condition d'un aéronef |
US20060126608A1 (en) * | 2004-11-05 | 2006-06-15 | Honeywell International Inc. | Method and apparatus for system monitoring and maintenance |
US20090216393A1 (en) * | 2008-02-27 | 2009-08-27 | James Schimert | Data-driven anomaly detection to anticipate flight deck effects |
US20110087387A1 (en) * | 2009-10-12 | 2011-04-14 | The Boeing Company | Platform Health Monitoring System |
Also Published As
Publication number | Publication date |
---|---|
US20160107765A1 (en) | 2016-04-21 |
US9796481B2 (en) | 2017-10-24 |
FR3027417B1 (fr) | 2016-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2599039B1 (fr) | Procede et systeme d'analyse de donnees de vol enregistrees au cours d'un vol d'un avion | |
FR3027417A1 (fr) | Procede et systeme de generation de rapports d'alertes dans un aeronef | |
FR3011105A1 (fr) | Procede d'identification d'un equipement defaillant dans un aeronef. | |
FR3052273A1 (fr) | Prediction de pannes dans un aeronef | |
FR2970358A1 (fr) | Pronostic de duree avant maintenance par fusion entre modelisation et simulation, pour equipements electroniques embarques dans un aeronef | |
FR2891379A1 (fr) | Procede et systeme de diagnostic des pannes pour aerodynes | |
EP2627982A1 (fr) | Système de surveillance d'un banc d'essai de moteur | |
EP2966526B1 (fr) | Procédé et système de fusion d'indicateurs de surveillance d'un dispositif | |
FR2909792A1 (fr) | Systeme de maintenance centralisee d'equipements electroniques embarques | |
EP3234802B1 (fr) | Procédé de transmission de données issues d'un capteur | |
FR3009396A1 (fr) | Procede et programme d'ordinateur d'aide a la maintenance d'equipements d'un aeronef | |
FR2987483A1 (fr) | Procede d'analyse de donnees de vol | |
FR2933789A1 (fr) | Procedes d'identification de profils de vol dans les operations de maintenance pour aeronef | |
CN112906900A (zh) | 用于监视车辆的状况和用于告警反常/缺陷的方法和系统 | |
FR3041326A1 (fr) | Systeme et procede d'aide a la decision pour la maintenance d'une machine avec apprentissage d'un modele de decision supervise par avis d'experts | |
FR3043463A1 (fr) | Systeme et procede de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthese d'une confirmation d'alarme | |
FR3067326A1 (fr) | Procede et systeme pour permettre une redondance de controle de composants dans un reseau numerique de dispositifs de detection intelligents | |
CA2837523A1 (fr) | Systeme de prescription de maintenance d'un moteur d'helicoptere | |
FR3088909A1 (fr) | Procédé et système de sécurisation d’un aéronef contre les cyberattaques | |
FR3026882A1 (fr) | Procede de determination d'au moins un equipement defaillant d'un aeronef et systeme correspondant | |
EP3443425A1 (fr) | Procédé de contrôle d'intégrité de l'avionique d'un aéronef, dispositif et produit programme d'ordinateur associés | |
EP2784616B1 (fr) | Procédé de détection et de prise en compte d'un changement abrupt d'au moins un indicateur de surveillance d'un dispositif | |
CA3121061C (fr) | Procede et systeme de controle d'un niveau d'endommagement d'au moins une piece d'aeronef, aeronef associe | |
EP3721307B1 (fr) | Méthode de prédiction d'une anomalie de fonctionnement d'un ou plusieurs équipements d'un ensemble | |
FR3009615A1 (fr) | Procede et systeme de captage, discrimination et caracterisation de signaux faibles au moyen de leurs signatures respectives |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20160422 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
PLFP | Fee payment |
Year of fee payment: 4 |
|
PLFP | Fee payment |
Year of fee payment: 5 |
|
PLFP | Fee payment |
Year of fee payment: 6 |
|
PLFP | Fee payment |
Year of fee payment: 7 |
|
PLFP | Fee payment |
Year of fee payment: 8 |
|
PLFP | Fee payment |
Year of fee payment: 9 |
|
PLFP | Fee payment |
Year of fee payment: 10 |