FR3043463A1 - Systeme et procede de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthese d'une confirmation d'alarme - Google Patents

Systeme et procede de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthese d'une confirmation d'alarme Download PDF

Info

Publication number
FR3043463A1
FR3043463A1 FR1560608A FR1560608A FR3043463A1 FR 3043463 A1 FR3043463 A1 FR 3043463A1 FR 1560608 A FR1560608 A FR 1560608A FR 1560608 A FR1560608 A FR 1560608A FR 3043463 A1 FR3043463 A1 FR 3043463A1
Authority
FR
France
Prior art keywords
alarm
turbomachine
operating parameters
anomaly
indicators
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
Application number
FR1560608A
Other languages
English (en)
Other versions
FR3043463B1 (fr
Inventor
Antonin Lucas Labat
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Safran Aircraft Engines SAS
Original Assignee
SNECMA SAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SNECMA SAS filed Critical SNECMA SAS
Priority to FR1560608A priority Critical patent/FR3043463B1/fr
Priority to US15/772,962 priority patent/US10775270B2/en
Priority to GB1806814.8A priority patent/GB2558489B/en
Priority to PCT/FR2016/052857 priority patent/WO2017077247A1/fr
Publication of FR3043463A1 publication Critical patent/FR3043463A1/fr
Application granted granted Critical
Publication of FR3043463B1 publication Critical patent/FR3043463B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • 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
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

L'invention porte sur un système de surveillance (1) d'une turbomachine (2), comprenant une unité de détection d'anomalies (3) configurée pour lever une alarme (Al) en cas de dépassement de seuil par un résultat d'analyse d'un paramètres de fonctionnement. Le système comprend une unité de confirmation d'anomalies (4) pour calculer des indicateurs de santé à partir de paramètres de fonctionnement et pour déterminer si une alarme levée (Al) est une fausse alarme ou une vraie alarme (ReAl) en appliquant un premier modèle de décision venant fusionner les indicateurs de santé pour élaborer une information de confirmation/infirmation d'alarme. Le système peut en outre comprendre une unité de classification d'anomalies (5) configurée pour calculer un diagnostic de fonctionnement de la machine en appliquant un second modèle de décision venant fusionner les indicateurs de santé lorsqu'une alarme est déterminée comme étant un vraie alarme.

Description

SYSTÈME ET PROCÉDÉ DE SURVEILLANCE D'UNE TURBOMACHINE AVEC FUSION D'INDICATEURS POUR LA SYNTHÈSE D'UNE CONFIRMATION D'ALARME
DESCRIPTION
DOMAINE TECHNIQUE
Le domaine de l'invention est celui des systèmes de surveillance de l'état de santé d'une machine, telle qu'un moteur, notamment un moteur d'aéronef. L'invention concerne plus particulièrement un système automatisé d'aide à la décision pour la réalisation d'opérations de maintenance d'une turbomachine.
ÉTAT DE LA TECHNIQUE ANTÉRIEURE
La surveillance de l'état de santé d'une machine vise à en améliorer la sécurité et la fiabilité. Pour ce qui concerne les moteurs d'aéronefs en particulier, cette surveillance vise à éviter ou à limiter l'arrêt en vol (« in-flight shutdown », IFSD), à réduire les retards ou annulation des vols (« delays and cancellations », D&C), et plus particulièrement, à faciliter la maintenance du moteur en anticipant les défaillances et en identifiant les composants fautifs ou défaillants.
Afin de surveiller l'état de santé d'un moteur d'aéronef, différents dispositifs de surveillance ou de détection d'anomalies sont utilisés pour vérifier le bon fonctionnement des différents composants du moteur. On retrouve par exemple parmi les dispositifs de surveillance, un dispositif de surveillance pour analyser le comportement du processus d'allumage, un autre pour analyser la température des gaz, un autre encore pour détecter le colmatage des filtres, un autre pour analyser la consommation d'huile et de carburant, ainsi que des capteurs.
Les données générées par ces dispositifs de surveillance sont exploitées par des services de maintenance au sol au moyen d'algorithmes de suivi de l'état de santé (« health monitoring »). Ces algorithmes lèvent des alarmes lorsqu'ils détectent une anomalie.
La surveillance automatique des moteurs est une surveillance basée presque exclusivement sur des approches univariées. Le principe général est une approche par seuillage variable par variable, les variables surveillées étant des données physiques brutes relatives au fonctionnement du moteur, couplée à une étape de confirmation de dépassement de seuil avant de lever une alarme. Cette approche, bien que simple, est tout à fait performante si on veut limiter au maximum les risques de non détection d'une anomalie réelle dans le comportement du moteur.
Il existe classiquement trois règles de confirmation de dépassement de seuil : - Type I : On se fixe un nombre entier k. Si sur l'ensemble du signal on observe au moins k dépassements, alors l'alarme est levée ; - Type II : On se fixe un nombre entier k. S'il existe un ensemble de k points de mesure successifs au-delà du seuil, alors l'alarme est levée ; - Type III : On se fixe deux nombres entiers k et n avec k plus petit que n. S'il existe un ensemble de n points de mesure successifs parmi lesquels au moins k sont au-delà du seuil, alors l'alarme est levée.
Une fois une alarme levée, un expert d'une équipe de maintenance au sol doit venir vérifier les capacités opérationnelles du moteur. L'expert vient plus précisément analyser l'évolution d'un certain nombre de paramètres de fonctionnement de la machine afin de diagnostiquer plus précisément la cause de l'alarme. Si la présence d'une anomalie est confirmée, il rédige un rapport (« Customer Notification Report », CNR) envoyé à la compagnie aérienne cliente. Ce rapport contient les données considérées par l'expert, l'analyse qu'il en a faite ainsi que ses recommandations de maintenance. S'il la présence d'une anomalie n'est pas confirmée par l'expert, il ne donne pas de suite à l'alarme. On dit alors que l'alarme est une fausse alarme.
Le bon calibrage des algorithmes de suivi de l'état de santé est primordial pour lever des alarmes pertinentes lorsque le comportement du moteur est dégradé et pour ne pas lever d'alarme lors d'une fausse détection d'anomalie par exemple.
On cherche en effet, d'une part, à immobiliser le moins possible les moteurs afin de rentabiliser leur exploitation, et, d'autre part, à anticiper judicieusement les opérations de maintenance afin d'éviter des réparations coûteuses. Par exemple il peut être intéressant de changer une certaine pièce dès qu'un taux d'endommagement critique est atteint afin de limiter l'impact de cette dégradation sur les autres pièces en liaison avec la pièce endommagée. Selon un autre exemple, lorsque des alarmes sont levées de manière indue, ceci peut amener par mesure de sécurité à l'immobilisation du moteur qui après vérification par les experts s'avérera apte au vol.
Or actuellement, le calibrage des algorithmes de suivi de l'état de santé est réalisé de manière imparfaite par manque de données concernant d'éventuelles dégradations puisque les moteurs sont réparés par sécurité bien avant qu'un endommagement puisse se produire.
Par ailleurs, les dispositifs de surveillance produisent beaucoup d'indicateurs divers. Les experts peuvent avoir du mal à prendre une décision quant à la pertinence des alarmes en observant les indicateurs. Il leur faut donc passer du temps sur chaque cas spécifique d'anomalie alors que le nombre important de moteurs suivis les contraint à prendre des décisions dans des temps de plus en plus limités.
Or l'approche univariée des algorithmes de suivi de l'état de santé et le fait que les seuils sont volontairement bas pour privilégier la détection, s'ils limitent les risques, font exploser du même coup la proportion de fausses alarmes reçues par les experts. On estime que seulement 1 à 2% des alarmes levées par les applications de surveillance automatique correspondent à de réelles anomalies. Les experts perdent ainsi énormément de temps à examiner des situations exemptes d'anomalies.
EXPOSÉ DE L'INVENTION L'invention a pour objectif de proposer une solution d'aide à la décision pour la réalisation d'opérations de maintenance d'une machine qui permette d'accélérer le travail des experts grâce à la fourniture d'informations de meilleure qualité. Autrement dit, l'invention vise à augmenter le niveau d'expertise d'une solution de surveillance automatique de l'état de santé machine. L'invention propose pour cela un système de surveillance d'une turbomachine, comprenant une unité de détection d'anomalies configurée pour analyser des paramètres de fonctionnement de la turbomachine et pour lever une alarme en cas de dépassement de seuil par un résultat d'analyse de l'un des paramètres de fonctionnement de la turbomachine. Le système comprend une unité de confirmation d'anomalies configurée pour calculer des indicateurs de santé à partir des paramètres de fonctionnement de la turbomachine et pour déterminer si une alarme levée est une fausse alarme ou une vraie alarme en appliquant un premier modèle de décision venant fusionner les indicateurs de santé pour élaborer une information de confirmation/infirmation d'alarme.
Certains aspects préférés mais non limitatifs de ce système sont les suivants : - l'unité de détection d'anomalies est configurée pour lever une alarme si un résultat d'analyse de l'un des paramètres de fonctionnement de la turbomachine respecte une règle de confirmation de dépassement de seuil ; - le système comprend en outre une unité de classification d'anomalies configurée pour calculer un diagnostic de fonctionnement de la turbomachine en appliquant un second modèle de décision venant fusionner les indicateurs de santé, le calcul du diagnostic de fonctionnement n'étant réalisé par l'unité de classification d'anomalies que lorsqu'une alarme levée est déterminée comme étant un vraie alarme par l'unité de confirmation d'anomalies ; - les indicateurs de santé sont des résultats de tests statistiques ; - une pluralité de tests statistiques est mise en œuvre pour chacun des paramètres de fonctionnement de la turbomachine au cours d'un apprentissage du premier modèle de décision. L'invention s'étend à un procédé et à un produit programme d'ordinateur pour la surveillance d'une turbomachine.
BRÈVE DESCRIPTION DES DESSINS D'autres aspects, buts, avantages et caractéristiques de l'invention apparaîtront mieux à la lecture de la description détaillée suivante de formes de réalisation préférées de celle-ci, donnée à titre d'exemple non limitatif, et faite en référence aux dessins annexés sur lesquels : - la figure 1 illustre de manière schématique un système de surveillance d'une machine selon un mode de réalisation possible de l'invention ; - la figure 2 illustre de manière schématique un procédé d'aide à la décision pour la maintenance d'une machine selon un mode de réalisation possible de l'invention.
EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS L'invention propose d'une manière générale un outil à même de fournir de manière automatisée des informations utiles pour une prise de décision relative à des opérations de maintenance d'une machine. L'invention trouve avantageusement application à la maintenance d'un moteur d'aéronef, par exemple une turbomachine, sans que cela soit pour autant limitatif.
Dans ce cadre, l'invention propose un système de surveillance d'une machine qui permet de diminuer le nombre de fausses alarmes sans modifier le taux de détection des anomalies (vraies alarmes). Pour ce faire, le système se place en aval des dispositifs de détection d'anomalies qui lèvent les alarmes. On évite ainsi de générer de nouvelles alarmes, et le taux de détection des anomalies n'est pas modifié. Par ailleurs, le système met en œuvre une analyse multivariée de paramètres de fonctionnement de la machine pour déterminer si une alarme levée est une vraie ou une fausse alarme. Il est en cela plus efficace que les méthodes classiques employées par les dispositifs de détection d'anomalies qui reposent sur une analyse univariée des paramètres de fonctionnement, et se rapproche avantageusement du mode d'analyse appliqué par les experts.
En référence à la figure 1, l'invention concerne plus particulièrement un système 1 de surveillance d'une machine, telle qu'un moteur d'aéronef 2. Le système 1 comprend une unité 3 de détection d'anomalies configurée pour analyser des paramètres de fonctionnement de la machine 2 et pour lever une alarme Al en cas de dépassement de seuil par un résultat d'analyse d'un paramètre de fonctionnement de la turbomachine. L'unité 3 de détection d'anomalies comporte divers modules de détection d'anomalies 31, 32, 33. Ces modules reçoivent des paramètres de fonctionnement relatifs à différents composants de la machine, et sont configurés pour déterminer des indicateurs à partir de ces paramètres et détecter des anomalies dans ces indicateurs. Ces indicateurs sont ainsi désignés par le terme d'indicateurs d'anomalie.
Les indicateurs d'anomalie produits par les modules 31, 32, 33 sont des résultats de calculs, généralement des sorties d'algorithmes, ou des résultats de tests statistiques. Il s'agit par exemple de sorties d'algorithmes de suivi de l'état de santé ou des synthèses ou résultats d'analyses d'essais.
Typiquement, pour la surveillance des flottes de moteurs d'avions, les mesures réalisées au cours de chaque vol sont analysées par un gestionnaire de flotte. Dans la présente invention, ces analyses sont réalisées par les modules de détection d'anomalies 31, 32, 33 qui implémentent par exemple des algorithmes de détection de rupture dans le comportement du moteur de vol à vol. Il y a plusieurs sortes de ruptures (franche ou progressive), plusieurs façons de les observer (long ou court terme), et une centaine de signaux à regarder séparément ou en relation. On dispose donc d'une panoplie de modules de détection d'anomalie (plusieurs milliers) qui fournissent tous, après chaque vol, leurs indicateurs d'anomalie.
Ces indicateurs d'anomalie sont fournis à une unité de déclenchement d'alarme 34 configurée pour lever une alarme Al si le résultat de l'analyse de l'un des paramètres de fonctionnement de la machine respecte une règle de confirmation de dépassement de seuil, par exemple l'une des règles de type I, de type II ou de type III mentionnée précédemment. Une alarme Al ainsi levée peut être une fausse alarme (dans la grande majorité des cas) ou une vraie alarme.
Selon l'invention, le système de surveillance 1 comprend une unité de confirmation d'anomalies 4 configurée pour déterminer si une alarme levée Al par l'unité de détection d'anomalies 3 est une fausse alarme ou une vraie alarme.
En référence à la figure 2, l'unité de confirmation d'anomalies 4 est plus particulièrement configurée pour calculer des indicateurs de santé à partir des paramètres de fonctionnement de la machine et pour déterminer si une alarme levée Al est une fausse alarme FaAl ou une vraie alarme ReAI en appliquant un premier modèle de décision Ml venant fusionner les indicateurs de santé pour élaborer une information de confirmation/infirmation d'alarme (par exemple un indicateur binaire prenant la valeur 1 ou 0 selon que l'alarme est confirmée ou non, ou encore un niveau de confiance dans le résultat de la classification). Une telle fusion permet de considérer les paramètres de fonctionnement de la turbomachine de manière multi-variée. L'unité 4 de confirmation d'anomalies comporte divers modules de génération d'indicateurs de santé 41, 42, 43. Ces modules reçoivent des paramètres de fonctionnement relatifs à différents composants de la machine, et sont configurés pour déterminer des indicateurs de santé à partir de ces mesures.
Les indicateurs de santé sont de préférence des résultats de tests statistiques. Lors d'un test statistique on évalue une hypothèse HO dite hypothèse nulle, contre une hypothèse Hl, dite hypothèse alternative. On construit, sur la base des paramètres de fonctionnement, une variable aléatoire, dite variable de test, dont on connaît la loi sous l'hypothèse HO. On peut ensuite, en se fixant un seuil sur la variable test, appelé niveau du test, déterminer si en effet HO est vraie. Il s'agit donc de résultat binaire 0 ou 1: 0 correspond à l'absence d'anomalie (i.e l'hypothèse HO est conservée) et 1 correspond à la présence d'une anomalie (i.e l'hypothèse HO est rejetée).
Les indicateurs de santé sont fournis à une unité de classification d'alarme 44 qui vient les fusionner et synthétiser les informations fusionnées au moyen du premier modèle de décision Ml. Ce premier modèle de décision comprend un ensemble de règles permettant de classifier l'alarme Al comme étant soit une fausse alarme, soit une vraie alarme.
Dans le cadre de l'invention, le premier modèle de décision peut être capable d'apprentissage supervisé, c'est-à-dire qu'il peut élaborer automatiquement ses règles à partir d'une base de données d'apprentissage contenant des paramètres de fonctionnement relatifs à différents composants de la machine et des indicateurs de santé associés à des classifications d'alarmes validées par les experts.
Cet apprentissage peut être réalisé par différentes méthodes. Il peut par exemple exploiter un algorithme de classification de type Bayésien naïf, ou de type des forêts d'arbres décisionnels ("random forest"). Il peut également reposer sur des méthodes de régressions (tels que réseaux de neurones), ou encore exploiter un raisonneur utilisant de la logique floue.
Le premier modèle de décision Ml peut ainsi être une classification naïve bayésienne ou une classification résultant de l'application d'un algorithme des forêts d'arbres décisionnels. L'algorithme de type Bayésien naïf donne des résultats facilement appréhendables par les experts, et est de préférence utilisé à l'initialisation du processus de mise en œuvre de l'invention. Il est en effet plus didactique pour les experts, ce qui leur permet d'avoir une bonne confiance en l'invention. Ensuite, une fois la phase d'initialisation complétée, un algorithme de type « random forest » peut être exploité : il donne de meilleurs résultats mais ces derniers sont plus difficile à interpréter.
Les modules de détection d'anomalies 31, 32, 33 sont dépendants de l'hyper-paramétrisation des algorithmes qu'ils mettent en œuvre. Par hyper-paramétrisation on entend l'ensemble des paramètres d'entrée de l'algorithme qui ne sont pas des données représentatives du fonctionnement de la machine. Une petite modification de ces paramètres et la réponse de l'algorithme peut totalement changer. Par exemple une petite variation du seuil de détection d'anomalie peut modifier très fortement les conditions de déclenchement d'une alarme.
Afin de s'affranchir de ces problèmes de calibrage des algorithmes de détection d'anomalies, l'invention propose dans un mode de réalisation possible de l'apprentissage du premier modèle de décision, de considérer une liste d'hyper-paramétrisations possibles pour chaque variable observée, de calculer un indicateur de santé pour chaque jeu de paramètres de la liste, et de faire éventuellement une sélection statistique des hyper-paramétrisations les plus pertinentes.
Le calcul d'un indicateur de santé peut comprendre les opérations suivantes. La première étape consiste à lisser le signal représentatif de la variable observée, pour diminuer le bruit. Pour ce lissage, on peut réaliser une moyenne mobile qui peut être calibrée de différentes façons. On a ici un premier choix d'hyper-paramètre qui est le lissage réalisé.
On considère ensuite le signal sur une fenêtre temporelle glissante se décalant avec un pas fixé sur une série d'itération permettant de balayer la totalité du signal. On choisit ici deux hyper-paramètres, à savoir la taille de la fenêtre et le pas de progression de celle-ci.
On définit ensuite un test statistique permettant de caractériser une anomalie. On construit alors la variable de test associée sur la fenêtre temporelle glissante à chaque itération. Ici un quatrième hyper-paramètre est fixé : le choix du test.
La décision d'un test statistique est elle aussi fonction d'un seuil que l'on se donne. Ce seuil, ou niveau de confiance du test, est un hyper-paramètre lui aussi. Il permet de quantifier le niveau de confiance qu'on a dans le rejet ou l'acceptation d'une hypothèse.
Enfin, on procède à une opération de confirmation. Il y a là plusieurs hyper-paramètres. On doit fixer le type de confirmation, par exemple de type I, de type II ou de type III. Si on choisit une confirmation de type I ou de type II il faut également fixer le paramètre k. S'il s'agit d'une confirmation de type III, il faut fixer les paramètres k et n. A titre d'exemple illustratif, on peut retenir pour un paramètre de fonctionnement donné, la liste d'hyper-paramètres suivante : - Lissage : o moyenne mobile d'ordre 3 o moyenne mobile d'ordre 5 - Taille de fenêtre glissante : o 30 points o 100 points - Pas d'avancement de la fenêtre glissante : ο 1 point o 5points - Test statistique : o Test de rang de Mann-Whitney-Willcoxon o Test de Kolmogorov-Smirnov o Test de Fisher o Test de Student sous l'hypothèse d'égalité des variances o Test de Student sous l'hypothèse de non-égalité des variances o Test de l'existence d'une pente non nulle o Test de l'existence d'un changement de pente - Niveau de confiance du test. Plus ce niveau est élevé plus on va avoir tendance à conserver HO au détriment de H1 : o 5% o 20% - Type de confirmation : o Type I avec : k=3, 7, ou 13 o Type II avec : k=3, 7, ou 13 o Type III avec : n=5 et k= 3 ou, n=10 et k= 3, ou 7 ou, n=20 et k= 3, 7, ou 13
Dans cet exemple, on vient donc calculer une pluralité d'indicateurs pour le paramètre de fonctionnement considéré, à savoir 2*2*2*7*2*12 = 1344 indicateurs.
On peut ensuite procéder à une sélection des indicateurs afin d'éliminer les indicateurs peu pertinents ou fortement redondants. Cette sélection peut être réalisée en utilisant la méthode statistique mRMR (« minimum Redundancy Maximum Relevance ») pour par exemple ne retenir au final que 200 indicateurs.
Ce sont ces indicateurs ainsi sélectionnés qui permettent de construire le premier modèle de décision en mettant en avant un ensemble de tests statistiques (par exemple 200 tests) sélectionnés parmi l'ensemble des tests considérés avec l'hyper-paramètrisation.
Les indicateurs de santé qui sont calculés par les modules de génération d'indicateurs de santé 41, 42, 43 et fournis à l'unité de classification d'alarme 44 sont les résultats des tests statistiques sélectionnés parmi l'ensemble des tests considérés avec l'hyper-paramètrisation.
Pour ce qui a trait au calcul et à la sélection des indicateurs, ainsi qu'à leur utilisation en tant qu'entrées d'un modèle de classification, on peut se tourner vers les travaux suivants :
Tsirizo Rabenoro, Jérôme Lacaille, Marie Cottrell, Fabrice Rossi. Anomaly Détection Based on Aggregation of Indicators. 23rd annual Belgian-Dutch Conférence on Machine Learning (Benelearn 2014), Jun 2014, Bruxelles, Belgium. pp.64-71.
On notera que dans ces travaux le modèle de classification vise à classifier une anomalie en fonction de son type, là où le premier modèle de l'invention est un modèle à deux classes permettant de confirmer ou d'infirmer une alarme.
Le système selon l'invention peut être utilisé comme un nouveau type de confirmation qui, s'il s'avère plus complexe que n'importe lequel des trois types « classiques » (type I, Il et III), est bien plus sûr. Qui plus est, l'invention prend en compte en les incorporant les trois types préexistants. Ainsi, dès qu'on utilise des méthodes faisant intervenir une confirmation de type I, Il ou III, on peut appliquer la fusion au moyen du premier modèle de décision comme une confirmation de type IV.
Dans un mode de réalisation possible de l'invention, il est possible d'exploiter le modèle de classification présenté dans les travaux susmentionnés de manière à ce que le système de surveillance selon l'invention vienne calculer de manière automatique un diagnostic de fonctionnement de la machine. Par diagnostic de fonctionnement, on entend une indication quant à la présence ou non d'un fonctionnement particulier (tel qu'une anomalie), potentiellement accompagnée d'une probabilité d'occurrence du fonctionnement particulier.
Dans ce mode de réalisation, le système de surveillance comprend en outre une unité de classification d'anomalies 5 configurée pour calculer un diagnostic de fonctionnement de la machine en appliquant un second modèle de décision venant fusionner les indicateurs de santé. Plus particulièrement, le calcul du diagnostic de fonctionnement n'est réalisé par l'unité de classification d'anomalies 5 que lorsqu'une alarme levée Al est confirmée comme étant une vraie alarme ReAI par l'unité de confirmation d'anomalies 4.
Le second modèle de décision prend en entrée les indicateurs de santé, par exemple les 10 derniers résultants de tous les modules de génération d'indicateurs de santé 41, 42, 43. Il les fusionne et synthétise les informations fusionnées en une unique information de diagnostic de fonctionnement, par exemple une information indicative d'une absence de rupture ou une information indicative d'une rupture de type donné (performance, compresseur, turbine, vibration, etc.), sur un ou plusieurs paramètres de fonctionnement. Des détections successives d'un même type de diagnostic de fonctionnement peuvent permettre de confirmer l'information de diagnostic ainsi produite.
Tout comme le premier modèle de décision, le second modèle de décision est capable d'apprentissage supervisé, c'est-à-dire qu'il peut élaborer automatiquement ses règles à partir d'une base de données d'apprentissage contenant des paramètres de fonctionnement de la machine et des indicateurs de santé associés à des diagnostics de fonctionnement validés par les experts.
Le second modèle de décision peut également utiliser une classification naïve bayésienne ou une classification résultant de l'application d'un algorithme des forêts d'arbres décisionnels. Et il peut être élaboré au moyen de l'hyper-paramètrisation et de la sélection d'indicateurs mentionnées ci-dessus. Les tests statistiques pour le calcul d'indicateurs de santé utilisés pour l'apprentissage du second modèle de décision peuvent être différents des tests statistiques pour le calcul d'indicateurs de santé utilisés pour l'apprentissage du premier modèle de décision. Il en découle que les indicateurs de santé fournis à l'unité de classification d'alarme 44 afin de classifier l'alarme au moyen du premier modèle de décision Ml ne sont pas nécessairement identiques aux indicateurs de santé fournis à l'unité de classification d'anomalies 5 afin de déterminer, au moyen du second modèle de décision M2, un diagnostic de fonctionnement associé à une alarme classifiée par le premier modèle comme étant un vraie alarme. Ainsi la fusion des indicateurs de santé par le première modèle peut être différente de la fusion des indicateurs de santé par le second modèle en ce sens que ces fusions ne portent pas nécessairement sur les mêmes indicateurs calculés par les modules de génération d'indicateurs de santé 41, 42, 43.
Comme représenté sur la figure 1, le système de surveillance 1 comprend en outre une base de données 6 dans laquelle sont stockés des paramètres de fonctionnement de la machine, des indicateurs de santé et des alarmes diagnostiquées par expertise comme étant de vraies ou de fausses alarmes, permettant l'apprentissage du premier modèle de décision. Sont également stockés le cas échéant dans la base de données 6 des indicateurs de santé et des diagnostics de fonctionnement formulés par expertise, permettant l'apprentissage du second modèle de décision.
Chacun de ces modèles peut être capable de réapprentissage pour être corrigé et amélioré à l'aide d'un retour d'expérience sur la précision de la classification opérée. Ainsi, pour le premier modèle, si une alarme est classifiée comme étant une fausse alarme, respectivement une vraie alarme, alors qu'une analyse de cette alarme par un expert conclut qu'il s'agit en réalité d'une vraie alarme, respectivement d'une fausse alarme, l'erreur de classification est prise en compte afin de modifier le premier modèle de décision (c'est-à-dire qu'il subit un réapprentissage de manière à minimiser l'erreur de classification). Pareillement, en cas de désaccord entre le diagnostic de fonctionnement automatiquement calculé à l'aide du second modèle et le diagnostic formulé par un expert, le second modèle de décision peut être modifié.
Il n'est pas nécessaire de réapprendre un modèle à chaque fois que celui-ci commet une erreur. Un réapprentissage complet périodique peut par exemple être réalisé. On peut également réaliser un réapprentissage après qu'un nombre d'erreurs de classification prédéterminé est atteint. On peut par ailleurs opter pour une solution différente pour chacun des deux modèles. La capacité du premier modèle à ne pas clore de vraies alarmes est primordiale. Le second modèle a quant à lui un rôle plus consultatif que décisionnaire. Il peut donc être amené à être moins souvent réappris que le premier modèle. L'invention n'est pas limitée au système de surveillance tel que précédemment décrit, mais s'étend également à un procédé de surveillance d'une machine, comprenant une étape de détection d'anomalies comprenant une analyse de paramètres de fonctionnement de la machine et une levée d'une alarme en cas de dépassement de seuil par un résultat d'analyse de l'un des paramètres de fonctionnement.
En référence à la figure 2, suite à la levée d'une alarme Al, le procédé comprend une étape de confirmation d'anomalies comprenant le calcul d'indicateurs de santé à partir des paramètres de fonctionnement de la machine et l'application d'un premier modèle de décision Ml venant fusionner les indicateurs de santé pour déterminer si une alarme levée est une fausse alarme FaAl ou une vraie alarme ReAI.
Si l'alarme est déterminée comme étant une vraie alarme ReAI, le procédé peut en outre comprendre une étape de classification d'anomalies comprenant le calcul d'un diagnostic de fonctionnement DIAG de la machine par application d'un second modèle de décision M2 venant fusionner les indicateurs de santé. On peut ensuite procéder à une étape de confirmation de diagnostic de fonctionnement CONF-DIAG au cours de laquelle le diagnostic de fonctionnement DIAG calculé est confirmé ou infirmé par un expert. En cas d'infirmation (« N2 »), l'erreur de classification est renseignée dans la base de données 6, notamment en vue d'un futur réapprentissage du second modèle M2.
Si l'alarme est déterminée par le premier modèle Ml comme étant une fausse alarme FaAl, on peut procéder à une étape de confirmation du classement de l'alarme CONF-FaAl. Si un expert indique que l'alarme est en réalité une vraie alarme (« NI »), il rédige un rapport « Customer Notification Report » au cours d'une étape « CNR » et l'erreur de classification est renseignée dans la base de données 6, notamment en vue d'un futur réapprentissage du premier modèle Ml. L'invention s'étend également à un produit programme d'ordinateur comprenant des instructions de code pour l'exécution des étapes du procédé selon l'invention, lorsque ledit programme est exécuté sur un ordinateur.

Claims (12)

  1. REVENDICATIONS
    1. Système de surveillance (1) d'une turbomachine (2), comprenant une unité de détection d'anomalies (3) configurée pour analyser des paramètres de fonctionnement de la turbomachine et pour lever une alarme (Al) en cas de dépassement de seuil par un résultat d'analyse de l'un des paramètres de fonctionnement de la turbomachine, caractérisé en ce qu'il comprend une unité de confirmation d'anomalies (4) configurée pour calculer des indicateurs de santé à partir des paramètres de fonctionnement de la turbomachine et pour déterminer si une alarme levée (Al) est une fausse alarme (FaAl) ou une vraie alarme (ReAI) en appliquant un premier modèle de décision (Ml) venant fusionner les indicateurs de santé pour élaborer une information de confirmation/infirmation d'alarme.
  2. 2. Système selon la revendication 1, dans lequel l'unité de détection d'anomalies (3) est configurée pour lever une alarme si un résultat d'analyse de l'un des paramètres de fonctionnement de la turbomachine respecte une règle de confirmation de dépassement de seuil.
  3. 3. Système selon l'une des revendications 1 et 2, comprenant en outre une unité de classification d'anomalies (5) configurée pour calculer un diagnostic de fonctionnement de la turbomachine en appliquant un second modèle de décision (M2) venant fusionner les indicateurs de santé, le calcul du diagnostic de fonctionnement n'étant réalisé par l'unité de classification d'anomalies (5) que lorsqu'une alarme levée est déterminée comme étant un vraie alarme (ReAI) par l'unité de confirmation d'anomalies (4).
  4. 4. Système selon l'une des revendications 1 à 3, dans lequel les indicateurs de santé sont des résultats de tests statistiques.
  5. 5. Système selon la revendication 4, dans lequel une pluralité de tests statistiques est mise en oeuvre pour chacun des paramètres de fonctionnement de la turbomachine au cours d'un apprentissage du premier modèle de décision.
  6. 6. Système selon l'une des revendications 1 à 5, comprenant en outre une base de données (6) pour le stockage de paramètres de fonctionnement de la machine et d'indicateurs de santé associés à des alarmes levées diagnostiquées par expertise comme étant de vraies ou de fausses alarmes.
  7. 7. Système selon la revendication 6, dans lequel la base de données (6) stocke en outre des diagnostics de fonctionnement expertisés en liaison avec des alarmes levées diagnostiquées par expertise comme étant de vraies alarmes.
  8. 8. Système selon l'une des revendications 1 à 7, dans lequel le premier modèle de décision est capable d'apprentissage supervisé.
  9. 9. Système selon la revendication 8, dans lequel le premier modèle de décision est une classification naïve bayésienne ou une classification résultant de l'application d'un algorithme des forêts d'arbres décisionnels.
  10. 10. Procédé de surveillance d'une turbomachine (2), comprenant une étape de détection d'anomalies comprenant une analyse de paramètres de fonctionnement de la turbomachine et une levée d'une alarme (Al) en cas de dépassement de seuil par un résultat d'analyse de l'un des paramètres de fonctionnement de la turbomachine, caractérisé en ce qu'il comprend en outre une étape de confirmation d'anomalies comprenant le calcul d'indicateurs de santé à partir des paramètres de fonctionnement de la turbomachine et l'application d'un premier modèle de décision (Ml) venant fusionner les indicateurs de santé pour déterminer si une alarme levée est une fausse alarme ou une vraie alarme.
  11. 11. Procédé selon la revendication 10, comprenant en outre une étape de classification d'anomalies comprenant le calcul d'un diagnostic de fonctionnement de la machine par application d'un second modèle de décision (M2) venant fusionner les indicateurs de santé, le calcul du diagnostic de fonctionnement n'étant réalisé que lorsqu'une alarme levée est déterminée comme étant un vraie alarme (ReAI) lors de l'étape de confirmation d'anomalies.
  12. 12. Produit programme d'ordinateur comprenant des instructions de code pour l'exécution des étapes du procédé selon l'une des revendications 10 et 11, lorsque ledit programme est exécuté sur un ordinateur.
FR1560608A 2015-11-05 2015-11-05 Systeme et procede de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthese d'une confirmation d'alarme Active FR3043463B1 (fr)

Priority Applications (4)

Application Number Priority Date Filing Date Title
FR1560608A FR3043463B1 (fr) 2015-11-05 2015-11-05 Systeme et procede de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthese d'une confirmation d'alarme
US15/772,962 US10775270B2 (en) 2015-11-05 2016-11-04 System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation
GB1806814.8A GB2558489B (en) 2015-11-05 2016-11-04 System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation
PCT/FR2016/052857 WO2017077247A1 (fr) 2015-11-05 2016-11-04 Système et procédé de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthèse d'une confirmation d'alarme

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
FR1560608A FR3043463B1 (fr) 2015-11-05 2015-11-05 Systeme et procede de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthese d'une confirmation d'alarme

Publications (2)

Publication Number Publication Date
FR3043463A1 true FR3043463A1 (fr) 2017-05-12
FR3043463B1 FR3043463B1 (fr) 2017-12-22

Family

ID=54783937

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1560608A Active FR3043463B1 (fr) 2015-11-05 2015-11-05 Systeme et procede de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthese d'une confirmation d'alarme

Country Status (4)

Country Link
US (1) US10775270B2 (fr)
FR (1) FR3043463B1 (fr)
GB (1) GB2558489B (fr)
WO (1) WO2017077247A1 (fr)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110262939B (zh) * 2019-05-14 2023-07-21 苏宁金融服务(上海)有限公司 算法模型运行监控方法、装置、计算机设备和存储介质
CN111160393B (zh) * 2019-12-04 2023-06-09 北京宇航系统工程研究所 基于数据驱动的运载火箭健康评估模型模块化建模方法
FR3106362B1 (fr) * 2020-01-20 2022-07-01 Safran Aircraft Engines Procédé de surveillance d'une séquence de démarrage d'une turbomachine et système de surveillance mettant en œuvre ce procédé
FR3108744B1 (fr) * 2020-03-31 2023-05-19 Thales Sa Procédé et système d'évaluation d'un système de prédiction de dépose d'un équipement
EP3945384A1 (fr) * 2020-07-30 2022-02-02 Siemens Energy Global GmbH & Co. KG Procédé et système à commande de moteur à écoulement continu à optimisation automatique
CN114017136A (zh) * 2021-11-02 2022-02-08 浙江大唐国际绍兴江滨热电有限责任公司 一种联合循环发电机组的软光字牌报警方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030195718A1 (en) * 2002-04-12 2003-10-16 Crowder George E. Method and device for machinery diagnostics and prognostics

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6216066B1 (en) * 1998-07-01 2001-04-10 General Electric Company System and method for generating alerts through multi-variate data assessment
ITCO20120008A1 (it) * 2012-03-01 2013-09-02 Nuovo Pignone Srl Metodo e sistema per monitorare la condizione di un gruppo di impianti
US9476798B2 (en) * 2014-02-21 2016-10-25 General Electric Company On-line monitoring of hot gas path components of a gas turbine

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030195718A1 (en) * 2002-04-12 2003-10-16 Crowder George E. Method and device for machinery diagnostics and prognostics

Also Published As

Publication number Publication date
WO2017077247A1 (fr) 2017-05-11
US20180313721A1 (en) 2018-11-01
GB201806814D0 (en) 2018-06-13
GB2558489A (en) 2018-07-11
GB2558489B (en) 2021-09-08
US10775270B2 (en) 2020-09-15
FR3043463B1 (fr) 2017-12-22

Similar Documents

Publication Publication Date Title
EP3350660B1 (fr) Système et procédé d'aide à la decision pour la maintenance d'une machine avec apprentissage d'un modèle de décision supervisé par avis d'experts
WO2017077247A1 (fr) Système et procédé de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthèse d'une confirmation d'alarme
EP2912526B1 (fr) Système de surveillance d'un ensemble de composants d'un équipement
EP2599039B1 (fr) Procede et systeme d'analyse de donnees de vol enregistrees au cours d'un vol d'un avion
EP3215903B1 (fr) Outil de validation d'un système de surveillance d'un moteur d'aéronef
FR2970358A1 (fr) Pronostic de duree avant maintenance par fusion entre modelisation et simulation, pour equipements electroniques embarques dans un aeronef
FR2989500A1 (fr) Procede, dispositifs et programme d'ordinateur d'aide a l'analyse de la tolerance aux pannes d'un systeme d'un aeronef, utilisant des graphes d'evenements redoutes
US10592870B2 (en) System and method to analyze and detect anomalies in vehicle service procedures
US8843347B2 (en) Method, monitoring system and computer program product for monitoring the health of a monitored system utilizing an associative memory
FR3035232A1 (fr) Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe
EP3619408B1 (fr) Système et procédé de surveillance d'une turbomachine à détection d'anomalie corrigée par un facteur d'usure
FR3027417A1 (fr) Procede et systeme de generation de rapports d'alertes dans un aeronef
FR3012636A1 (fr) Procede de non-regression d'un outil de conception d'un systeme de surveillance de moteur d'aeronef
EP3559767A1 (fr) Procédé de caractérisation d'une ou plusieurs défaillances d'un système
FR3026882A1 (fr) Procede de determination d'au moins un equipement defaillant d'un aeronef et systeme correspondant
FR2957170A1 (fr) Outil de conception d'un systeme de surveillance d'un moteur d'aeronef
Leoni et al. A new comprehensive monitoring and diagnostic approach for early detection of mechanical degradation in helicopter transmission systems
FR3118502A1 (fr) Procédé de construction et d’entraînement d’un détecteur de la présence d’anomalies dans un signal temporel, dispositifs et procédé associés
FR3003986A1 (fr) Procede de detection et de prise en compte d'un changement abrupt d'au moins un indicateur de surveillance d'un dispositif.
Bense Prognosis and health monitoring systems for aircraft engines
WO2024063787A1 (fr) Système de gestion d'apprentissage et d'inférence de comportement de structure d'actifs
FR3076634A1 (fr) Procede d'analyse de symptomes de panne de plateformes, et systeme associe

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20170512

PLFP Fee payment

Year of fee payment: 3

CD Change of name or company name

Owner name: SAFRAN AIRCRAFT ENGINES, FR

Effective date: 20180809

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