FR3052273A1 - Prediction de pannes dans un aeronef - Google Patents
Prediction de pannes dans un aeronef Download PDFInfo
- Publication number
- FR3052273A1 FR3052273A1 FR1655040A FR1655040A FR3052273A1 FR 3052273 A1 FR3052273 A1 FR 3052273A1 FR 1655040 A FR1655040 A FR 1655040A FR 1655040 A FR1655040 A FR 1655040A FR 3052273 A1 FR3052273 A1 FR 3052273A1
- Authority
- FR
- France
- Prior art keywords
- behavior
- aircraft
- parameter
- segment
- learning
- 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
- 230000006399 behavior Effects 0.000 claims abstract description 90
- 230000010006 flight Effects 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 29
- 238000012423 maintenance Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 239000002243 precursor Substances 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001594 aberrant effect Effects 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- G05B23/0221—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
L'invention propose d'identifier des précurseurs à tous les phénomènes qui peuvent avoir un impact sur la mise en service d'un aéronef. Elle concerne un système de prédiction de pannes dans un aéronef, comportant un processeur (3) configuré pour analyser un comportement courant d'au moins un paramètre de vol dudit aéronef pour détecter toute déviation dudit comportement courant par rapport à un modèle de comportement (14) prédéterminé dudit paramètre, ledit modèle de comportement étant déterminé à partir d'une pluralité de suites de données d'apprentissage relatives audit paramètre recueillies au cours des vols d'un ensemble d'aéronefs.
Description
PRÉDICTION DE PANNES DANS UN AÉRONEF DOMAINE DE L'INVENTION
La présente invention se rapporte au domaine de détection de prémices de pannes dans un aéronef. En particulier, l'invention concerne un procédé et un système de prédiction de pannes pour anticiper les opérations de maintenance d'un aéronef.
Chaque aéronef comporte un système de détection de pannes BITE (Built-in Test Equipement) pour détecter et isoler tout équipement en panne. En outre, les commandes de vols critiques sont surveillées par un système de surveillance FWS (Flight Warning System) qui signale toute panne ou anomalie à l'équipage. L'alerte transmise avant le vol par le FWS indique l'impact d'un évènement sur l'opérabilité de l'aéronef permettant à l'équipage de déterminer le statut de mise en service de l'aéronef.
Les données transmises par les systèmes BITE et FWS sont acquises et traitées par le système de supervision centralisé CMS (Central Maintenance System) des différents composants de l'aéronef.
Les fonctions du système de supervision centralisée CMS sont hébergées sur deux calculateurs identiques. Le CMS agrège et traite des données d'anomalies issues d'une chaîne de différents composants afin de générer le diagnostic de l'anomalie.
Les résultats des différents diagnostics réalisés par le CMS sont sauvegardés dans une base de données embarquée et sont également affichés sur une interface de bord via des unités de contrôle et d'affichage MCDU (Multipurpose Control and Display Units).
En outre, des messages d'alertes ou d'anomalies sont transmis aux stations au sol via un système de message nommé ACARS (Aircraft Communication Addressing and Reporting System) pour être traités dans le cas d'anomalies évidentes et sinon pour être archivés dans des bases de données. Ces messages sont transmis au sol sous forme de rapports pendant le vol CFR (Current Flight Report) ou en fin de vol PFR (Post Flight Report).
Le système de surveillance CMS fournit ainsi des informations utiles à la maintenance et aux pilotes pour savoir si un aéronef peut être utilisé en toute sécurité ou s'il faut bloquer l'aéronef afin de réaliser des maintenances avant de le mettre en service.
Ce système de surveillance est très efficace et procure une sécurité maximale à l'aéronef. Toutefois, dans certains cas, des pilotes peuvent être pris de court par une alerte de panne inattendue avant le vol pouvant entraîner des retards ou même des annulations de vols.
Par ailleurs, le système de surveillance s'appuie sur des règles prédéfinies à l'avance pour détecter les pannes. Cependant, il peut exister des phénomènes qu'on ne soupçonne pas actuellement et qui peuvent éventuellement avoir un impact. L'objet de la présente invention est par conséquent de proposer un procédé ou un système pour identifier des précurseurs à tous les phénomènes qui peuvent avoir un impact sur l'opérabilité d'un aéronef permettant ainsi de planifier les opérations de maintenance longtemps à l'avance afin d'éviter les problèmes de retards ou annulations de vols.
OBJET ET RÉSUMÉ DE L'INVENTION
La présente invention concerne un procédé de prédiction de pannes dans un aéronef, comportant une analyse d'un comportement courant d'au moins un paramètre de vol dudit aéronef pour détecter toute déviation dudit comportement courant par rapport à un modèle de comportement préconstruit dudit paramètre, ledit modèle de comportement étant construit lors d'une phase préalable d'apprentissage à partir d'une pluralité de suites de données d'apprentissage relatives audit paramètre recueillies au cours des vols d'un ensemble d'aéronefs.
Ceci permet d'identifier très tôt des précurseurs de pannes permettant ainsi de ne pas être pris de court par une panne inattendue et par conséquent, d'anticiper les maintenances et de faire des planifications longtemps à l'avance tout en assurant une disponibilité optimale de l'aéronef sans retards de vols. En outre, ce procédé permet de détecter sans aucun à priori des comportements atypiques ou des prémices de pannes non soupçonnées qui peuvent avoir un impact sur la disponibilité de l'aéronef.
Selon un mode de réalisation de l'invention, la détection de toute déviation de comportement d'un paramètre de vol comporte les étapes suivantes : - recueillir à chaque vol courant une suite de données courante issue des mesures relatives audit paramètre ; - segmenter ladite suite de données courante en un nombre prédéterminé de segments pour la transformer en une chaîne de segments courante, ledit nombre de segments étant défini par le modèle de comportement ; - aligner les segments de ladite chaîne de segments courante par rapport à une chaîne de segments de référence définie par le modèle de comportement ; -attribuer des mesures caractéristiques prédéterminées à ladite chaîne de segments courante pour générer un vecteur de mesures courant ; et - calculer une distance entre ledit vecteur de mesures courant et un vecteur de mesures de référence défini par le modèle de comportement, la valeur de ladite distance étant représentative d'un comportement normal ou dévié dudit paramètre de vol.
Ceci permet d'estimer la probabilité d'occurrence de panne avec une grande précision.
Avantageusement, le procédé comporte en outre le calcul d'un score de comportement anormal dudit paramètre de vol.
Ceci permet de caractériser le niveau de dégradation et d'estimer le délai entre la détection de prémices de panne et l'occurrence réelle de la panne.
Avantageusement, le procédé comporte en outre une identification d'un ensemble de vols dudit aéronef présentant un comportement dévié et des actions de maintenance réalisées au cours dudit ensemble de vols.
Ceci permet de faire une planification précise des futures maintenances afin de bien gérer la remise en service des aéronefs.
Avantageusement, chaque suite de données d'apprentissage ou courante comporte des données temporelles issues d'un enregistreur de vol et/ou des messages de pannes indexés temporellement issus d'un système de supervision centralisé.
Ceci permet d'avoir plusieurs sources d'informations augmentant la précision de la détection de prémices de pannes.
Selon un mode de réalisation de la présente invention, la construction du modèle de comportement relatif à un paramètre donné comporte les étapes suivantes : - recueillir à chacun des vols de l'ensemble des aéronefs au moins une suite de données d'apprentissage issue des mesures relatives audit paramètre formant ainsi au cours des vols de l'ensemble des aéronefs ladite pluralité de suites de données d'apprentissage ; -segmenter chaque suite de données d'apprentissage en un nombre optimal de segments pour la transformer en une chaîne de segments d'apprentissage, le nombre optimal de segments définissant ledit nombre prédéterminé de segments associé audit paramètre ; - transformer ledit ensemble de suites de données d'apprentissage en un ensemble correspondant de chaînes de segments d'apprentissage ; - sélectionner une chaîne de segments centrale parmi ledit ensemble de chaînes de segments d'apprentissage, la chaîne de segments centrale définissant ladite chaîne de segments de référence ; - aligner les segments dudit ensemble de chaînes de segments d'apprentissage en se repérant par rapport à ladite chaîne de segments de référence ; - générer un vecteur de mesures d'apprentissage pour chaque chaîne de segments d'apprentissage en attribuant des mesures caractéristiques prédéterminées à chaque segment d'apprentissage et/ou à l'ensemble de segments de chaque chaîne de segments d'apprentissage,; - calculer une distance d'apprentissage entre chaque vecteur de mesures d'apprentissage et un vecteur de mesures de référence associé à ladite chaîne de segments de référence ; et - partitionner l'ensemble des vecteurs de mesures d'apprentissage selon des intervalles consécutifs en fonction des distances d'apprentissage définissant ainsi un intervalle de comportement normal et des intervalles de comportement atypique.
Ceci permet d'utiliser un grand volume d'informations pour générer un modèle de comportement précis, fiable, robuste et facile à utiliser pour mettre en évidence tout comportement atypique d'un paramètre relatif à un nouveau vol et permet par conséquent, d'analyser les causes du comportement atypique et de prévenir des futures pannes.
Avantageusement, ladite chaîne de segments centrale correspond au medoïde dudit ensemble de chaînes de segments.
Avantageusement, le procédé comporte en outre les étapes suivantes : -sauvegarder ladite chaîne de segments de référence, les distances entre les vecteurs de mesure et le vecteur de mesure de référence et le partitionnement desdits vecteurs de mesures, - afficher un graphique représentatif du modèle de comportement. L'invention vise également un système de prédiction de pannes dans un aéronef, comportant un processeur configuré pour analyser un comportement courant d'au moins un paramètre de vol dudit aéronef pour détecter toute déviation dudit comportement courant par rapport à un modèle de comportement prédéterminé (par exemple, un modèle théorique) dudit paramètre, ledit modèle de comportement étant déterminé à partir d'une pluralité de suites de données d'apprentissage relatives audit paramètre recueillies au cours des vols d'un ensemble d'aéronefs. L'invention vise aussi un système de surveillance comprenant des systèmes avioniques de maintenance et de gestion ainsi que le système de prédiction de pannes selon les caractéristiques ci-dessus.
Ceci permet très tôt de faire une planification précise de la maintenance afin de bien gérer la remise en service des aéronefs.
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 prédiction de pannes dans un aéronef, selon un mode de réalisation de l'invention ; - les Figs. 2 et 3 illustrent de manière schématique une construction d'un modèle de comportement, selon un mode de réalisation de l'invention ; - la Fig. 4 illustre un affichage d'un graphique représentatif du modèle de comportement associé à un paramètre donné, selon un mode de réalisation de l'invention ; - la Fig. 5 illustre un procédé de prédiction de pannes dans un aéronef en relation avec le système de la Fig. 1, selon un mode de réalisation préféré de l'invention ; - la Fig. 6 illustre un graphique représentant un ensemble de vols successifs d'un aéronef spécifique, selon un mode de réalisation de l'invention ; - la Fig. 7 illustre le comportant d'un paramètre spécifique au cours d'un ensemble de vols successifs d'un aéronef spécifique entre deux aéroports spécifiques, selon un autre mode de réalisation de l'invention ; et - la Fig. 8 illustre un système de surveillance comprenant le système de prédiction de pannes, selon un mode de réalisation de l'invention.
DESCRIPTION DÉTAILLÉE DE MODES DE RÉALISATION
Le principe de l'invention consiste à exploiter au mieux l'historique de comportement de paramètres d'un très grand nombre de vols d'une pluralité d'aéronefs afin de détecter automatiquement et sans à priori des prémices de pannes sur un aéronef.
La Fig. 1 illustre de manière schématique un système de prédiction de pannes dans un aéronef, selon un mode de réalisation de l'invention.
Le système de prédiction 1 de pannes comporte un module d'acquisition 2 de données, un processeur 3, des unités de stockage 4 et une interface 5 d'entrée et de sortie.
Le module d'acquisition 2 est configuré pour récupérer des données issues de mesures relatives à des paramètres de vol de l'aéronef 6.
En effet, au cours de chaque vol, l'aéronef 6 procède à l'enregistrement d'informations sur différents paramètres avioniques. Un système d'acquisition 7 centralise et formate toutes les données issues des différents capteurs, calculateurs embarqués, ou d'autres instruments et les transfère à des enregistreurs de vol 8 (FDR) (Flight Data Recorders) via des liens dédiés. Les données peuvent être discrètes (par exemple, des états de détection logique, des indicateurs, des états d'interrupteurs ou relais, etc.), analogiques (par exemple des données de potentiomètres), ou des données de synchronisations, etc.
En outre, un système de supervision centralisé 9 (CMS) traite les données émises par les systèmes de détection de pannes 10 (BITE) et de surveillance 11 (FWS) et génère des rapports ou messages de pannes.
Ainsi, le module d'acquisition 2 est configuré pour récupérer les données ordonnées (en général indexées temporellement) relatives aux paramètres de vol issues d'au moins un enregistreur de vol 8 et/ou les messages de pannes indexés de manière ordonnée issus du système de supervision centralisé 9 (CMS).
Le processeur 3 est configuré pour analyser le comportement d'au moins un paramètre de vol de l'aéronef 6 pour détecter toute déviation de comportement du paramètre par rapport à un modèle de comportement 14 de référence préconstruit et sauvegardé dans les unités de stockage 4.
Par ailleurs, l'interface 5 est configurée pour afficher les résultats de l'analyse illustrant tout écart de comportement de chaque paramètre par rapport à chaque modèle de comportement 14 correspondant.
En outre, les unités de stockage 4 sont configurées pour sauvegarder les données acquises durant le vol, les résultats de l'analyse ainsi que le modèle de comportement 14 de référence.
On notera que le modèle de comportement 14 d'un paramètre est construit lors d'une phase préalable d'apprentissage à partir d'une pluralité de suites de données d'apprentissage relatives audit paramètre recueillies au cours des vols d'une pluralité d'aéronefs. Par suite de données, on entend des données présentant une indexation ordonnée de type temporelle.
La présente invention propose ainsi d'analyser des données ordonnées de manière globale et/ou locale suivant différentes perspectives afin de détecter des données qui sont significativement différentes d'un ensemble d'autres données labellisées comme étant normales.
La Fig. 2 illustre de manière schématique un système de construction du modèle de comportement, selon un mode de réalisation de l'invention.
En outre, la Fig. 3 illustre en relation avec la Fig. 2, un procédé de construction du modèle de comportement associé à un paramètre, selon un mode de réalisation de l'invention.
La construction du modèle de comportement 14 consiste à sélectionner, pour chaque paramètre donné, un groupe de vols d'un ensemble d'aéronefs 16 ayant un comportement normal (au moins, vis-à-vis dudit paramètre) et à enregistrer leurs données ordonnées afin d'extraire des caractéristiques spécifiques permettant de générer le modèle de comportement 14. Ce modèle 14, une fois construit peut ensuite être utilisé pour chaque nouveau vol afin de déterminer si le paramètre associé au nouveau vol présente un comportement anormal par rapport au modèle de comportement 14.
De manière analogue au système de prédiction 1 de pannes, le système de construction 21 du modèle de comportement 14 comporte un module d'acquisition d'apprentissage 22, un processeur d'apprentissage 23, des unités de stockage d'apprentissage 24 et une interface d'apprentissage 25.
Dans la suite, on exposera la construction d'un modèle de comportement 14 associé à un paramètre spécifique mais bien entendu, le procédé est le même pour la construction de chacun des paramètres de vol. A l'étape El, le module d'acquisition d'apprentissage 22 est configuré pour recueillir à chacun des vols de l'ensemble des aéronefs 16 au moins une suite de données d'apprentissage issue des mesures relatives au paramètre. Ainsi, au cours des vols de l'ensemble des aéronefs 16, le module d'acquisition d'apprentissage 22 recueille une pluralité de suites de données d'apprentissage.
Chaque suite de données d'apprentissage comporte des données temporelles issues d'un enregistreur de vol d'un aéronef correspondant et/ou des messages de pannes indexés temporellement issus du système de supervision centralisé de l'aéronef correspondant.
On notera que chaque vol peut avoir une durée différente, un parcours différent et des phases de vol différentes des autres vols. Ainsi, les données ordonnées issues des différents vols n'ont pas forcément les mêmes longueurs ni les mêmes caractéristiques aux mêmes moments compliquant par conséquent, la comparaison entre ces différentes données.
En outre, les données issues des vols d'une grande population d'aéronefs 16 représentent une masse énorme d'informations qui ne peut pas être analysée directement.
En effet, à l'étape E2 et afin de réduire la dimension des données, le processeur d'apprentissage 23 est configuré pour segmenter chaque suite de données d'apprentissage en un nombre optimal de segments sl...sk présentant une bonne approximation de la suite de données de départ.
Avantageusement, le processeur d'apprentissage 23 est d'abord configuré pour calculer pour chaque vol de manière indépendante, un nombre minimal de segments associé au paramètre. Le nombre minimal de segments pour chaque vol est calculé selon un processus itératif en fixant au départ un nombre initial de segments et en analysant la convergence des segments vers la suite de données à chaque itération. A titre d'exemple, le critère de convergence correspond à un écart minimal entre la courbe formée par la suite de données et celle formée par les segments. Cet écart peut être déterminé en calculant tout simplement l'aire entre les deux courbes.
Afin de vérifier qu'on a atteint le nombre minimal de segments, on peut appliquer une stratégie de gains à résultat nul (non-positif gain, en anglais) qui consiste à supprimer les segments qui n'apportent pas (ou presque pas) de précision supplémentaire à la convergence.
Une fois qu'un nombre minimal de segments est calculé pour chaque vol, le processeur d'apprentissage 23 est configuré pour analyser la distribution de tous les nombres minimaux de segments des différents vols afin de déterminer un seul nombre optimal n de segments sl...sn acceptable pour tous les vols. Autrement dit, pour un paramètre donné, le processeur d'apprentissage 23 calcule un seul nombre optimal de segments n (qu'on appellera dans la suite nombre prédéterminé de segments) valable pour tous les vols de tous les aéronefs 16. Chaque nombre prédéterminé n de segments associé à chaque paramètre est sauvegardé dans les unités de stockage d'apprentissage 14 pour pouvoir être utilisé lors de la détection de prémices de pannes à chaque nouveau vol.
Ainsi, la segmentation transforme chaque suite de données d'apprentissage en une courbe constituée d'une chaîne de segments d'apprentissage, chaque segment n'étant défini que par deux points qui peuvent en plus être partagés par les segments voisins. Par exemple, si une suite de données indexée par 3000 points est découpée en six segments, on obtient alors une sous-suite de seulement 7 points au lieu de 3000. A l'étape E3, le processeur d'apprentissage 23 est configuré pour utiliser l'unique nombre prédéterminé n (i.e. le nombre optimal) de segments associé à un paramètre donné pour segmenter à nouveau chaque suite de données d'apprentissage.
Ainsi, le processeur d'apprentissage 23 transforme chaque ensemble de suites de données d'apprentissage en un ensemble correspondant de chaînes de segments d'apprentissage cl...cp qui est ensuite sauvegardé dans les unités de stockage d'apprentissage 24. A l'étape E4, le processeur d'apprentissage 23 est configuré pour sélectionner une chaîne de segments centrale Ml parmi l'ensemble de chaînes de segments d'apprentissage déterminé à l'étape précédente.
Avantageusement, la chaîne de segments centrale Ml est déterminée en calculant le medoïde de l'ensemble de chaînes de segments d'apprentissage. Le medoïde est une chaîne de segments appartenant à l'ensemble de chaînes de segments et qui représente un écart de similitude minimal avec toutes les autres chaînes de segments. Il correspond à peu près à la chaîne de segments médiane de l'ensemble de chaînes de segments. La chaîne de segments centrale Ml, qu'on appellera dans la suite chaîne de segments de référence Ml, définit ainsi une référence par rapport à laquelle les autres chaînes de segments sont alignées. Cette chaîne de segments de référence Ml est sauvegardée dans les unités de stockage d'apprentissage 24 pour pouvoir être utilisée lors de la détection de prémices de pannes à chaque nouveau vol.
En effet, à l'étape E5, le processeur d'apprentissage 23 est configuré pour aligner les segments de l'ensemble de chaînes de segments d'apprentissage cl...cp en prenant comme repère d'alignement, la chaîne de segments de référence Ml. Cette dernière joue le rôle d'un modèle pour l'ensemble de chaînes de segments cl...cp. A titre d'exemple, le processeur d'apprentissage 23 est configuré pour appliquer un algorithme de déformation temporelle dynamique DTW (Dynamic Time Warping) par rapport à la chaîne de segments de référence Ml (DTW-Medoïde). L'alignement facilite la tâche de comparaison entre les différents segments. On notera par ailleurs que l'alignement peut éventuellement modifier la segmentation initiale des suites de données d'apprentissage.
Toutefois, certaines caractéristiques des données initiales peuvent être perdues par la segmentation. Alors, afin de récupérer une partie de cette information perdue, on attribue des métriques extraites des données ordonnées initiales à chaque segment ou à chaque chaîne de segments d'apprentissage cl...cp.
En effet, à l'étape E6, le processeur d'apprentissage 23 est configuré pour générer un vecteur de mesures d'apprentissage VI...Vp pour chaque chaîne de segments d'apprentissage cl...cp en attribuant des mesures caractéristiques prédéterminées individuellement à chaque segment d'apprentissage et/ou globalement à l'ensemble de segments de chaque chaîne de segments d'apprentissage. Les mesures caractéristiques prédéterminées comportent par exemple des mesures de pentes, de moyennes, de variances, de déviations standards, de minimums, de maximums, de vitesses angulaires, de paramètres de fréquence etc.
Les vecteurs de mesures d'apprentissage VI...Vp peuvent être considérés comme des séries chronologiques multivariées augmentant un peu la dimension des chaînes de segments d'apprentissage. On notera que chaque vecteur de mesure d'apprentissage VI...Vp associé à un paramètre donné représente un vol.
Cette étape (étape E6) correspond alors à un processus de méta-segmentation consistant à calculer à chaque vol quelques variables explicatives de manière locale (i.e. par segment) ou de manière globale (i.e. pour la totalité de la chaîne de segments). Chaque variable apporte une nouvelle dimension qui permet d'augmenter la précision de construction du modèle de comportement 14.
Avantageusement, pour chaque vol et chaque paramètre, le processeur d'apprentissage 23 est configuré pour calculer des percentiles Qo, Qi, Q2, Q3, 0.4 sur les vecteurs de mesures d'apprentissage sachant que le comportement normal est défini dans l'intervalle [Qo, Q4]. Les valeurs de percentiles sont sauvegardées dans les unités de stockage d'apprentissage 24.
Avantageusement, à l'étape E7, le processeur d'apprentissage 23 est configuré pour normaliser les vecteurs de mesures d'apprentissage associés à l'ensemble de chaînes de segments d'apprentissage cl...cp. Les vecteurs de mesures d'apprentissage normalisés sont sauvegardés dans les unités de stockage d'apprentissage 24. A l'étape E8, le processeur d'apprentissage 23 est configuré pour calculer une distance d'apprentissage dl...dp entre chaque vecteur de mesures d'apprentissage VI...Vp (éventuellement normalisé) et un vecteur de mesures de référence Vm associé à la chaîne de segments de référence Ml.
Avantageusement, le processeur d'apprentissage 23 utilise une mesure de distance euclidienne. En variante, dans le cas où les vecteurs de mesures sont linéairement indépendants, on peut utiliser une distance de type Mahalanobis qui prend alors en compte la corrélation entre les différents vecteurs. Les distances d'apprentissage (euclidienne et/ou de Mahalanobis) sont sauvegardées dans les unités de stockage d'apprentissage. A l'étape E9, le processeur d'apprentissage 23 est configuré pour partitionner l'ensemble des vecteurs de mesures d'apprentissage selon des intervalles consécutifs en fonction des distances d'apprentissage. Ce partitionnement définit un intervalle de comportement normal In et un ou plusieurs intervalle(s) de comportement atypique la.
Avantageusement, on peut utiliser les percentiles Qo, Qi, Q2, Q3, Q4 calculés précédemment sur les vecteurs de mesures associés à l'ensemble de chaînes de segments pour définir l'intervalle de comportement normal sachant qu'en dehors de cet intervalle, le comportement sera considéré comme anormal.
Ainsi, toutes les analyses et données (chaîne de segments de référence Ml, distances entre les vecteurs de mesure dl...dp, vecteur de mesure de référence Vm, le partitionnement des vecteurs de mesures) sauvegardées dans les unités de stockage d'apprentissage 24 constituent un modèle de comportement 14 précis, fiable et robuste.
Avantageusement, un graphique représentatif du modèle de comportement est affiché sur l'interface d'apprentissage 25.
En effet, la Fig. 4 illustre un affichage d'un graphique représentatif du modèle de comportement associé à un paramètre donné, selon un mode de réalisation de l'invention.
Ce graphique représente les différents vols d'apprentissage et leurs distances par rapport à un vol de référence. Chaque vol est représenté par un point correspondant à un vecteur de mesure d'apprentissage L'axe des abscisses indique les dates des différents vols et l'axe des ordonnées indique la distance de chaque vol par rapport au vol de référence. L'axe des ordonnées est divisé en deux intervalles In, la : le premier In définissant une population de vols ayant un comportement normal pour le paramètre en question et le deuxième la définissant les vols ayant un comportement atypique. Ce graphique illustre ainsi le positionnement de chaque vol relativement aux autres et surtout par rapport à la population de vols normaux. Plus un vol est éloigné de la population normale, plus son comportement est jugé anormal.
On notera par ailleurs que ce graphique est divisé en plusieurs colonnes (distinguées par les traits verticaux) représentant plusieurs aéronefs correspondants. Selon cet exemple, il y a huit colonnes représentant huit aéronefs et chaque colonne indique les vols successifs de chaque aéronef correspondant. En effet, les vols de chaque aéronef sont ordonnés dans le temps selon l'axe des abscisses à l'intérieur de la colonne correspondante.
Ce graphique permet ainsi de mettre en évidence de manière très simple tout comportement atypique d'un paramètre relatif à un nouveau vol par rapport aux vols normaux et permet par conséquent d'analyser les causes du comportement atypique et surtout de prévenir des futures pannes.
Avantageusement, avant de réaliser des tests pour des nouveaux vols, le processeur d'apprentissage 23 est configuré pour réaliser des analyses statistiques sur les différents vols d'apprentissage sur la base de la dispersion des percentiles Qo, Qi, Q2, Q3, Q4. On supprime les points jugés aberrants correspondant aux vols qui ont des comportements très atypiques par rapport à la majorité des autres vols tout en évitant d'éliminer des vols extrêmes mais valables.
La Fig. 5 illustre un procédé de prédiction de pannes dans un aéronef en relation avec le système de la Fig. 1, selon un mode de réalisation préféré de l'invention.
Le procédé de prédiction de pannes comporte des étapes similaires au procédé de construction du modèle de comportement. Toutefois, le procédé de prédiction de pannes applique le modèle de comportement 14 sur les données d'un nouveau vol pour détecter toute déviation de comportement d'un paramètre de vol par rapport aux vols normaux du modèle de comportement 14. Dans la suite, on expose le procédé de prédiction de pannes pour un paramètre donné mais bien entendu, le procédé est applicable pour chaque paramètre de vol.
Initialement, le modèle de comportement 14 (comprenant le nombre prédéterminé de segments, la chaîne de segments de référence, les mesures caractéristiques prédéterminées, etc.) est sauvegardé dans les unités de stockage 4. A l'étape E21, le module d'acquisition 2 est configuré pour recueillir à chaque vol courant une suite de données courante issue des mesures relatives au paramètre correspondant.
Chaque suite de données courante comporte des données temporelles issues d'un enregistreur de vol 8 de l'aéronef et/ou des messages de pannes indexés temporellement issus d'un système de supervision centralisé 9 de l'aéronef. A l'étape E22, le processeur 3 est configuré pour segmenter la suite de données courante selon le nombre prédéterminé de segments défini par le modèle de comportement 14. Cette segmentation transforme la suite de données courante en une courbe ou chaîne de segments courante S. A l'étape E25, le processeur 3 est configuré pour aligner les segments de la chaîne de segments courante C (en appliquant par exemple la technique DTW) par rapport à la chaîne de segments de référence Ml. On rappelle que cette dernière a été définie lors de la construction du modèle de comportement 14 et sert comme référence pour l'alignement des segments. A l'étape E26, le processeur est configuré pour attribuer des mesures caractéristiques ou explicatives prédéterminées à la chaîne de segments courante C pour générer un vecteur de mesures courant V. Les mesures caractéristiques prédéterminées sont les mêmes que celles qui ont été utilisées pour construire le modèle de comportement 14. Les mesures caractéristiques (pente, moyenne, variance, déviation standard, minimum, maximum, vitesse angulaire, fréquence) sont attribuées à chaque segment et/ou à l'ensemble de segments de la chaîne de segments courante. A l'étape E28, le processeur 3 est configuré pour calculer une distance d (euclidienne et/ou de Mahalanobis) entre le vecteur de mesures courant V et le vecteur de mesures de référence Vm défini par le modèle de comportement. La valeur de cette distance est représentative d'un comportement normal ou anormal du paramètre de vol.
La valeur de la distance d entre le vecteur de mesures courant V et le vecteur de mesures de référence Vm permet de représenter le vol courant par un point sur le graphique représentatif du modèle de comportement 14 qui peut être affiché sur l'interface 5.
Avantageusement, le processeur 3 est configuré pour calculer un score de comportement anormal du paramètre de vol.
En effet, en utilisant les percentiles Qo, Qi, Ch, Ch, Ch, le processeur 3 calcule le score K d'un paramètre d'un vol représenté par un point v selon l'algorithme suivant : K=0 pour v < Qo alors K=(v - Qi)/(Cb- Qi) sinon si v > Q4 alors K=(v- Q3)/(Cb- Qi).
Le score K permet de quantifier le niveau d'anomalie et par conséquent, d'estimer le délai entre la détection de l'anomalie et l'occurrence réelle de la panne. Plus la valeur du score K est élevée plus l'anomalie est importante.
Avantageusement, différents graphiques peuvent être utilisés pour représenter les scores de différents vols d'un aéronef.
La Fig. 6 illustre un graphique représentant un ensemble de vols successifs d'un aéronef spécifique, selon un mode de réalisation de l'invention. L'axe des ordonnées représente la valeur du score K (ou la distance d). Ce graphique identifie les vols Vi, Vj, Vk dont le paramètre présente un comportement atypique ainsi que les actions et dates de maintenance réalisées au cours de ces vols.
La Fig. 7 illustre le comportement d'un paramètre spécifique au cours d'un ensemble de vols successifs d'un aéronef spécifique entre deux aéroports spécifiques, selon un autre mode de réalisation de l'invention.
Les vols successifs sont représentés ici par des traits sur un axe horizontal. Le trait clair ou blanc tw représente un vol durant lequel aucun comportement atypique n'a été détecté. Le trait foncé tb représente un vol durant lequel un comportement atypique a été identifié. Finalement, le trait gris tg représente un vol durant lequel un comportement atypique a été détecté mais avec un score K faible en comparaison aux traits noirs.
Ces traits clairs tw, gris tg et foncés tb définissent des marqueurs fiables de l'état de dégradation d'un système de l'aéronef associé au paramètre spécifique. En particulier, le trait gris tg peut être considéré comme un précurseur d'une dégradation. En outre, en consultant l'historique de la maintenance, on peut identifier les actions de maintenance qui ont produit les meilleurs dépannages facilitant ainsi la tâche des opérateurs de maintenance pour toute nouvelle recherche de pannes.
La Fig. 8 illustre un système de surveillance comprenant le système de prédiction de pannes, selon un mode de réalisation de l'invention.
Le système de surveillance 31 comporte le système de prédiction 1 de pannes ainsi que des systèmes avioniques 33 de maintenance et de gestion existants comprenant un système de planification de vols (Flight Scheduled System), un système d'information sur la maintenance (Maintenance Information System), un manuel de recherche de pannes TSM (Trouble Shooting Manual), un manuel de maintenance d'aéronef AMM (Aircraft Maintenance Manuel), et une liste d'équipements minimaux MEL (Minimum Equipement List). Ce système de surveillance 31 combine les informations générées par le système de prédiction de pannes avec celles issues des systèmes avioniques de maintenance et de gestion. Cette combinaison d'informations 35 permet aux ingénieurs de maintenance d'identifier les plans de vols d'un aéronef spécifique sur lesquels un comportement atypique a été détecté leur permettant de prendre la bonne action au bon moment afin de minimiser l'interruption de service des vols.
Par exemple, au cas d'une détection d'un comportement atypique, un aéronef peut être soumis à un MEL après les deux prochains vols. Les opérateurs de maintenance ont ainsi deux vols pour pouvoir réaliser des actions de maintenances anticipatrices ou pour sélectionner le centre de maintenance le plus adéquat tout en commandant les équipements appropriés. Une planification précise de la maintenance peut alors être réalisée optimisant ainsi la gestion de la remise en service des aéronefs.
Claims (10)
- REVENDICATIONS1. Procédé de prédiction de pannes dans un aéronef, caractérisé en ce qu'il comporte une analyse d'un comportement courant d'au moins un paramètre de vol dudit aéronef (6) pour détecter toute déviation dudit comportement courant par rapport à un modèle de comportement (14) préconstruit dudit paramètre, ledit modèle de comportement étant construit lors d'une phase préalable d'apprentissage à partir d'une pluralité de suites de données d'apprentissage relatives audit paramètre recueillies au cours des vols d'un ensemble d'aéronefs (16).
- 2. Procédé selon la revendication 1, caractérisé en ce que la détection de toute déviation de comportement d'un paramètre de vol comporte les étapes suivantes : - recueillir à chaque vol courant une suite de données courante issue des mesures relatives audit paramètre ; - segmenter ladite suite de données courante en un nombre prédéterminé de segments pour la transformer en une chaîne de segments courante (S), ledit nombre de segments étant défini par le modèle de comportement (14) ; - aligner les segments de ladite chaîne de segments courante (S) par rapport à une chaîne de segments de référence (Ml) définie par le modèle de comportement (14) ; -attribuer des mesures caractéristiques prédéterminées à ladite chaîne de segments courante pour générer un vecteur de mesures courant (V) ; et - calculer une distance (d) entre ledit vecteur de mesures courant et un vecteur de mesures de référence défini par le modèle de comportement, la valeur de ladite distance étant représentative d'un comportement normal ou dévié dudit paramètre de vol.
- 3. Procédé selon la revendication 2, caractérisé en ce qu'il comporte en outre le calcul d'un score (K) de comportement anormal dudit paramètre de vol.
- 4. Procédé selon la revendication 2 ou 3, caractérisé en ce qu'il comporte en outre une identification d'un ensemble de vols (Vi, Vj, Vk) dudit aéronef présentant un comportement dévié et des actions de maintenance réalisées au cours dudit ensemble de vols.
- 5. Procédé selon la revendication 1 ou 2, caractérisé en ce que chaque suite de données d'apprentissage ou courante comporte des données temporelles issues d'un enregistreur de vol et/ou des messages de pannes indexés temporellement issus d'un système de supervision centralisé.
- 6. Procédé selon l'une quelconque des revendications 2 à 5, caractérisé en ce que la construction du modèle de comportement relatif à un paramètre donné comporte les étapes suivantes : - recueillir à chacun des vols de l'ensemble des aéronefs au moins une suite de données d'apprentissage issue des mesures relatives audit paramètre formant ainsi au cours des vols de l'ensemble des aéronefs (16) ladite pluralité de suites de données d'apprentissage ; - segmenter chaque suite de données d'apprentissage en un nombre optimal de segments pour la transformer en une chaîne de segments d'apprentissage, le nombre optimal de segments définissant ledit nombre prédéterminé de segments associé audit paramètre ; - transformer ledit ensemble de suites de données d'apprentissage en un ensemble correspondant de chaînes de segments d'apprentissage ; - sélectionner une chaîne de segments centrale (Ml) parmi ledit ensemble de chaînes de segments d'apprentissage, la chaîne de segments centrale définissant ladite chaîne de segments de référence ; - aligner les segments dudit ensemble de chaînes de segments d'apprentissage (cl,...,cp) en se repérant par rapport à ladite chaîne de segments de référence ; - générer un vecteur de mesures d'apprentissage pour chaque chaîne de segments d'apprentissage en attribuant des mesures caractéristiques prédéterminées à chaque segment d'apprentissage et/ou à l'ensemble de segments de chaque chaîne de segments d'apprentissage,; - calculer une distance d'apprentissage entre chaque vecteur de mesures d'apprentissage et un vecteur de mesures de référence associé à ladite chaîne de segments de référence ; et - partitionner l'ensemble des vecteurs de mesures d'apprentissage selon des intervalles consécutifs en fonction des distances d'apprentissage définissant ainsi un intervalle de comportement normal (In) et des intervalles de comportement atypique (la).
- 7. Procédé selon la revendication 6, caractérisé en ce que ladite chaîne de segments centrale correspond au medoïde dudit ensemble de chaînes de segments.
- 8. Procédé selon la revendication 6 ou 7, caractérisé en ce qu'il comporte en outre les étapes suivantes : -sauvegarder ladite chaîne de segments de référence, les distances entre les vecteurs de mesure et le vecteur de mesure de référence et le partitionnement desdits vecteurs de mesures, - afficher un graphique représentatif du modèle de comportement.
- 9. Système de prédiction de pannes dans un aéronef, caractérisé en ce qu'il comporte un processeur (3) configuré pour analyser un comportement courant d'au moins un paramètre de vol dudit aéronef pour détecter toute déviation dudit comportement courant par rapport à un modèle de comportement (14) prédéterminé dudit paramètre, ledit modèle de comportement étant déterminé à partir d'une pluralité de suites de données d'apprentissage relatives audit paramètre recueillies au cours des vols d'un ensemble d'aéronefs.
- 10. Système de surveillance comprenant des systèmes avioniques de maintenance et de gestion caractérisé en ce qu'il comprend en outre le système de prédiction de pannes selon la revendication 9.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1655040A FR3052273B1 (fr) | 2016-06-02 | 2016-06-02 | Prediction de pannes dans un aeronef |
| US15/606,917 US10360741B2 (en) | 2016-06-02 | 2017-05-26 | Predicting failures in an aircraft |
| CN201710405964.8A CN107463161B (zh) | 2016-06-02 | 2017-05-26 | 预测飞行器中的故障的方法和系统以及监控系统 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1655040 | 2016-06-02 | ||
| FR1655040A FR3052273B1 (fr) | 2016-06-02 | 2016-06-02 | Prediction de pannes dans un aeronef |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3052273A1 true FR3052273A1 (fr) | 2017-12-08 |
| FR3052273B1 FR3052273B1 (fr) | 2018-07-06 |
Family
ID=56990529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1655040A Active FR3052273B1 (fr) | 2016-06-02 | 2016-06-02 | Prediction de pannes dans un aeronef |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10360741B2 (fr) |
| CN (1) | CN107463161B (fr) |
| FR (1) | FR3052273B1 (fr) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020115440A1 (fr) * | 2018-12-07 | 2020-06-11 | Safran Aircraft Engines | Système d'environnement informatique pour la surveillance de moteurs d'aéronefs |
| FR3098942A1 (fr) * | 2019-07-17 | 2021-01-22 | Safran Aircraft Engines | Procédé, dispositif, programme d’ordinateur de prédiction de panne/ anomalie de démarrage d’aéronef |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4300464A3 (fr) * | 2016-05-31 | 2024-03-20 | Bombardier Inc. | Affichage de limitations de performances dans une unité d'affichage d'aéronef |
| US10587635B2 (en) * | 2017-03-31 | 2020-03-10 | The Boeing Company | On-board networked anomaly detection (ONAD) modules |
| US10372389B2 (en) * | 2017-09-22 | 2019-08-06 | Datamax-O'neil Corporation | Systems and methods for printer maintenance operations |
| CN107992077A (zh) * | 2017-12-13 | 2018-05-04 | 北京小米移动软件有限公司 | 飞行器故障救援方法及装置 |
| US11720814B2 (en) * | 2017-12-29 | 2023-08-08 | Samsung Electronics Co., Ltd. | Method and system for classifying time-series data |
| CN108957173A (zh) * | 2018-06-08 | 2018-12-07 | 山东超越数控电子股份有限公司 | 一种用于航空电子系统状态的检测方法 |
| CN110910530B (zh) * | 2018-09-11 | 2022-06-07 | 陕西千山航空电子有限责任公司 | 一种具有综合告警功能的飞参系统设计方法 |
| US11341780B2 (en) * | 2018-11-14 | 2022-05-24 | The Boeing Company | Maintenance of an aircraft via similarity detection and modeling |
| CA3128957A1 (fr) * | 2019-03-04 | 2020-03-03 | Bhaskar Bhattacharyya | Detection et classification presque en temps reel d'anomalies de machine a l'aide d'un apprentissage automatique et d'une intelligence artificielle |
| FR3094350B1 (fr) * | 2019-04-01 | 2021-03-12 | Safran Aircraft Engines | Procédé de surveillance d’au moins un moteur d’aéronef |
| FR3095424B1 (fr) * | 2019-04-23 | 2024-10-04 | Safran | Système et procédé de surveillance d’un moteur d’aéronef |
| US11604934B2 (en) * | 2019-05-29 | 2023-03-14 | Nec Corporation | Failure prediction using gradient-based sensor identification |
| US20200385141A1 (en) * | 2019-06-06 | 2020-12-10 | The Boeing Company | Data driven machine learning for modeling aircraft sensors |
| CN110635837B (zh) * | 2019-09-23 | 2022-04-26 | 中电科航空电子有限公司 | 一种支持多种网络传输地空数据的系统及方法 |
| FR3101669B1 (fr) * | 2019-10-07 | 2022-04-08 | Safran | Dispositif, procédé et programme d’ordinateur de suivi de moteur d’aéronef |
| US11816935B2 (en) * | 2019-10-18 | 2023-11-14 | The Boeing Company | Predicting a repair and maintenance activity for an aircraft system |
| US20230032571A1 (en) * | 2019-12-23 | 2023-02-02 | Embraer S.A. | Systems and methods for an agnostic system functional status determination and automatic management of failures |
| US11697510B2 (en) * | 2020-01-30 | 2023-07-11 | The Boeing Company | Monitoring health of safety brakes in auxiliary lift devices |
| FR3120724A1 (fr) * | 2021-03-10 | 2022-09-16 | Psa Automobiles Sa | Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule |
| CN113204914B (zh) * | 2021-04-12 | 2022-06-17 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
| CN114281054B (zh) * | 2021-10-09 | 2024-01-30 | 南京航空航天大学 | 一种基于lstm-cnn的飞机远程故障分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090249129A1 (en) * | 2007-10-12 | 2009-10-01 | David Femia | Systems and Methods for Managing Multi-Component Systems in an Infrastructure |
| US20090254240A1 (en) * | 2008-04-07 | 2009-10-08 | United Parcel Service Of America, Inc. | Vehicle maintenance systems and methods |
| FR2939924A1 (fr) * | 2008-12-15 | 2010-06-18 | Snecma | Identification de defaillances dans un moteur d'aeronef |
| US20110172874A1 (en) * | 2010-01-13 | 2011-07-14 | Gm Global Technology Operations, Inv. | Fault prediction framework using temporal data mining |
| FR2999318A1 (fr) * | 2012-12-12 | 2014-06-13 | Thales Sa | Procede d'evaluation de la surete de fonctionnement d'un systeme complexe |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8112368B2 (en) * | 2008-03-10 | 2012-02-07 | The Boeing Company | Method, apparatus and computer program product for predicting a fault utilizing multi-resolution classifier fusion |
| US8306778B2 (en) * | 2008-12-23 | 2012-11-06 | Embraer S.A. | Prognostics and health monitoring for electro-mechanical systems and components |
| US8370045B2 (en) * | 2009-08-14 | 2013-02-05 | Lockheed Martin Corporation | Starter control valve failure prediction machine to predict and trend starter control valve failures in gas turbine engines using a starter control valve health prognostic, program product and related methods |
| CN101909206A (zh) * | 2010-08-02 | 2010-12-08 | 复旦大学 | 基于视频的智能飞行器追踪系统 |
| FR2987483B1 (fr) * | 2012-02-29 | 2014-03-07 | Sagem Defense Securite | Procede d'analyse de donnees de vol |
| GB2510596B (en) * | 2013-02-08 | 2015-02-18 | Ge Aviat Systems Ltd | Method for predicting a trailing edge flap fault |
| GB2513132B (en) * | 2013-04-16 | 2015-05-27 | Ge Aviat Systems Ltd | Method for predicting a bleed air system fault |
| CN103499921B (zh) * | 2013-09-11 | 2015-12-02 | 西安交通大学 | 变结构模糊系统传感器故障诊断方法 |
| GB2518893B (en) * | 2013-10-07 | 2018-11-21 | Ge Aviat Systems Ltd | Method for predicting an auxiliary power unit fault |
| CN103675525B (zh) * | 2013-11-14 | 2017-01-18 | 南京航空航天大学 | 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 |
| WO2015124892A1 (fr) * | 2014-02-21 | 2015-08-27 | Taleris Global Llp | Procédé de prédiction de panne dans un système de régulation de température de cabine d'un aéronef |
| WO2015124889A1 (fr) * | 2014-02-21 | 2015-08-27 | Taleris Global Llp | Procédé de prédiction de panne dans un groupe de climatisation d'un aéronef |
| US10305587B2 (en) * | 2014-05-09 | 2019-05-28 | Sikorsky Aircraft Corporation | Method and apparatus for condition based maintenance of fiber networks on vehicles |
| KR20160025664A (ko) * | 2014-08-27 | 2016-03-09 | 삼성에스디에스 주식회사 | 이상 조기 감지 장치 및 방법 |
| US9435661B2 (en) * | 2014-10-08 | 2016-09-06 | Honeywell International Inc. | Systems and methods for attitude fault detection based on air data and aircraft control settings |
| US10417251B2 (en) * | 2014-10-31 | 2019-09-17 | The Boeing Company | System and method for storage and analysis of time-based data |
| US9550583B2 (en) * | 2015-03-03 | 2017-01-24 | Honeywell International Inc. | Aircraft LRU data collection and reliability prediction |
| CN105427674B (zh) * | 2015-11-02 | 2017-12-12 | 国网山东省电力公司电力科学研究院 | 一种无人机飞行状态实时评估预警系统及方法 |
| US20170261406A1 (en) * | 2016-03-10 | 2017-09-14 | Simmonds Precision Products, Inc. | Physical component fault diagnostics |
| US20170293517A1 (en) * | 2016-04-11 | 2017-10-12 | Simmonds Precision Products, Inc. | Physical component predicted remaining useful life |
-
2016
- 2016-06-02 FR FR1655040A patent/FR3052273B1/fr active Active
-
2017
- 2017-05-26 US US15/606,917 patent/US10360741B2/en active Active
- 2017-05-26 CN CN201710405964.8A patent/CN107463161B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090249129A1 (en) * | 2007-10-12 | 2009-10-01 | David Femia | Systems and Methods for Managing Multi-Component Systems in an Infrastructure |
| US20090254240A1 (en) * | 2008-04-07 | 2009-10-08 | United Parcel Service Of America, Inc. | Vehicle maintenance systems and methods |
| FR2939924A1 (fr) * | 2008-12-15 | 2010-06-18 | Snecma | Identification de defaillances dans un moteur d'aeronef |
| US20110172874A1 (en) * | 2010-01-13 | 2011-07-14 | Gm Global Technology Operations, Inv. | Fault prediction framework using temporal data mining |
| FR2999318A1 (fr) * | 2012-12-12 | 2014-06-13 | Thales Sa | Procede d'evaluation de la surete de fonctionnement d'un systeme complexe |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020115440A1 (fr) * | 2018-12-07 | 2020-06-11 | Safran Aircraft Engines | Système d'environnement informatique pour la surveillance de moteurs d'aéronefs |
| FR3098942A1 (fr) * | 2019-07-17 | 2021-01-22 | Safran Aircraft Engines | Procédé, dispositif, programme d’ordinateur de prédiction de panne/ anomalie de démarrage d’aéronef |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107463161B (zh) | 2021-10-12 |
| US10360741B2 (en) | 2019-07-23 |
| FR3052273B1 (fr) | 2018-07-06 |
| CN107463161A (zh) | 2017-12-12 |
| US20170352204A1 (en) | 2017-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR3052273A1 (fr) | Prediction de pannes dans un aeronef | |
| US11775873B2 (en) | Missing value imputation technique to facilitate prognostic analysis of time-series sensor data | |
| EP2599039B1 (fr) | Procede et systeme d'analyse de donnees de vol enregistrees au cours d'un vol d'un avion | |
| EP2376989B1 (fr) | Identification de defaillances dans un moteur d'aeronef | |
| EP2912526B1 (fr) | Système de surveillance d'un ensemble de composants d'un équipement | |
| EP2627982B1 (fr) | Système de surveillance d'un banc d'essai de moteur d'aeronef | |
| EP3097455B1 (fr) | Procede de prediction d'une anomalie de fonctionnement des equipements d'un aeronef ou d'une flotte d'aeronefs | |
| EP3767467A1 (fr) | Procédé et dispositif de détermination d'une valeur d'indice de performance de prédiction d anomalies dans une infrastructure informatique à partir de valeurs d'indicateurs de performance | |
| EP3767558B1 (fr) | Procede et dispositif de determination d'une duree estimee avant un incident technique dans une infrastructure informatique a partir de valeurs d'indicateurs de performance | |
| 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 | |
| FR3011105A1 (fr) | Procede d'identification d'un equipement defaillant dans un aeronef. | |
| FR3006785A1 (fr) | Procedes de creation d'une base de donnees et d'elaboration d'une carte d'etats de fonctionnement de moteurs d'aeronefs, et un procede de surveillance du fonctionnement d'un moteur d'aeronef associe | |
| FR2933789A1 (fr) | Procedes d'identification de profils de vol dans les operations de maintenance pour aeronef | |
| EP3588387B1 (fr) | Procédé de test d'un système électronique de contrôle du trafic aérien, dispositif électronique et plate-forme associés | |
| FR3037679A1 (fr) | ||
| EP3767468A1 (fr) | Procédé et dispositif de détermination d'une valeur de risque d'incident technique dans une infrastructure informatique à partir de valeurs d'indicateurs de performance | |
| EP3443425B1 (fr) | Procédé de contrôle d'intégrité de l'avionique d'un aéronef, dispositif et produit programme d'ordinateur associés | |
| FR2986879A1 (fr) | Procede et systeme de detection d'anomalies a solutionner dans un aeronef | |
| FR3046265A1 (fr) | Systeme de surveillance d'une installation industrielle ; procedes de configuration et de surveillance associes | |
| FR3118502A1 (fr) | Procédé de construction et d’entraînement d’un détecteur de la présence d’anomalies dans un signal temporel, dispositifs et procédé associés | |
| FR2957170A1 (fr) | Outil de conception d'un systeme de surveillance d'un moteur d'aeronef | |
| WO2018229391A1 (fr) | Plateforme de commande et de suivi des inspections de surfaces d'objets par des robots d'inspection et système d'inspection mettant en oeuvre une telle plateforme | |
| EP4078409A1 (fr) | Procédé et dispositif de supervision d'un système de pistage | |
| FR3068493A1 (fr) | Prediction de pannes dans un aeronef |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20171208 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| 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 |