FR3068493A1 - Prediction de pannes dans un aeronef - Google Patents
Prediction de pannes dans un aeronef Download PDFInfo
- Publication number
- FR3068493A1 FR3068493A1 FR1755960A FR1755960A FR3068493A1 FR 3068493 A1 FR3068493 A1 FR 3068493A1 FR 1755960 A FR1755960 A FR 1755960A FR 1755960 A FR1755960 A FR 1755960A FR 3068493 A1 FR3068493 A1 FR 3068493A1
- Authority
- FR
- France
- Prior art keywords
- anomaly
- event
- events
- occurrence
- 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.)
- Pending
Links
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
- G05B23/0224—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
- G05B23/0229—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 knowledge based, e.g. expert systems; genetic algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
L'invention propose un procédé et un système de prédiction d'anomalies dans un aéronef, comportant : - un module d'acquisition (3) configuré pour recueillir, au cours d'un vol dudit aéronef (11), une liste d'évènements courants indexés suivant un axe temporel, et - un processeur (5) configuré pour : - comparer les évènements courants survenant dans une fenêtre temporelle d'observation prédéterminée dudit vol à un ensemble d'évènements pertinents liés à au moins une anomalie et consignés précédemment dans une base de données (17), ladite base de données étant construite lors d'une phase préalable d'apprentissage à partir d'une pluralité de listes d'évènements recueillies au cours des vols d'un ensemble d'aéronefs, et - détecter tout évènement courant prédisant l'apparition d'une anomalie en identifiant les évènements similaires à des évènements pertinents appartenant audit ensemble d'évènements pertinents.
Description
PRÉDICTION DE PANNES DANS UN AÉRONEF
DOMAINE DE L'INVENTION
La présente invention se rapporte au domaine de prédiction d'anomalies dans un aéronef. En particulier, l'invention concerne un procédé et un système de prédiction d'anomalies ou de pannes permettant de réaliser des opérations de maintenance préventives sur l'aéronef.
Chaque aéronef comporte un système de détection de pannes BITE (Built-in Test Equipement) pour détecter et isoler tout équipement en panne ainsi qu'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 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. En outre, des messages d'alertes ou d'anomalies sont transmis aux stations au sol pour être traités dans le cas d'anomalies évidentes et sinon pour être archivés dans des bases de données.
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 recevoir une alerte de panne inattendue juste avant le vol, pouvant entraîner des retards ou même des annulations de vols.
L'objet de la présente invention est par conséquent de proposer un procédé ou un système pour identifier des évènements précurseurs à l'apparition d'une anomalie qui peut avoir un impact sur l'opérabilité d'un aéronef permettant ainsi de réaliser des opérations de maintenance préventives 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 d'anomalies dans un aéronef, comportant les étapes suivantes :
-recueillir au cours d'un vol dudit aéronef, une liste d'évènements courants indexés suivant un axe temporel,
-comparer les évènements courants survenant dans une fenêtre temporelle d'observation prédéterminée dudit vol à un ensemble d'évènements pertinents liés à au moins une anomalie et consignés précédemment dans une base de données, ladite base de données étant construite lors d'une phase préalable d'apprentissage à partir d'une pluralité de listes d'évènements recueillies au cours des vols d'un ensemble d'aéronefs, et
-détecter tout évènement courant prédisant l'apparition d'une anomalie en identifiant les évènements similaires à des évènements pertinents appartenant audit ensemble d'évènements pertinents.
Ceci permet d'identifier des évènements précurseurs d'anomalies ou de pannes permettant ainsi de ne pas être pris de court par une panne inattendue et par conséquent, de réaliser des maintenances préventives. En outre, ce procédé est très simple et ne demande que très peu de temps ou de ressources de calcul.
Avantageusement, la construction de ladite base de données lors d'une phase préalable d'apprentissage comporte les étapes suivantes :
-recueillir ladite pluralité de listes d'évènements indexés suivant des axes temporels correspondants,
-identifier les anomalies répertoriées dans ladite pluralité de listes d'évènements,
-déterminer un ensemble d'occurrences de chaque type d'anomalie,
-placer pour chaque type d'anomalie une première fenêtre temporelle d'apprentissage prédéterminée suivant un premier index temporel déterminé situé avant chaque occurrence de ladite anomalie définissant ainsi un premier laps de temps entre la première fenêtre temporelle d'apprentissage et chaque occurrence de ladite anomalie,
-calculer pour chaque évènement recueilli, un premier taux d'occurrence dudit évènement dans ladite première fenêtre temporelle d'apprentissage,
-calculer un deuxième taux d'occurrence dudit évènement en dehors de l'avènement de ladite anomalie, et
-enregistrer ledit évènement dans la base de données comme étant un évènement pertinent lorsque le quotient entre le premier taux et le deuxième taux est supérieur à un seuil prédéterminé.
Ceci permet de déterminertous les évènements qui ont un lien avec l'anomalie.
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 d'anomalies sur un aéronef, selon un mode de réalisation de l'invention ;
- la Fig. 2 illustre de manière schématique un système de construction d'une base de données à partir d'une pluralité de listes d'évènements recueillies au cours des vols d'un ensemble d'aéronefs, selon un mode de réalisation de l'invention ;
- la Fig. 3 illustre en relation avec la Fig. 2 un procédé de construction de la base de données lors d'une phase préalable d'apprentissage, selon un mode de réalisation de l'invention ;
- les Fig. 4A-4D illustrent un procédé de détermination d'une largeur optimale d'une fenêtre d'apprentissage, selon un mode de réalisation de l'invention ; et
- la Fig. 5 illustre un exemple d'une fenêtre d'apprentissage placée avant une anomalie, selon un mode de réalisation de l'invention.
DESCRIPTION DÉTAILLÉE DE MODES DE RÉALISATION
Le principe de l'invention consiste à exploiter les évènements d'un très grand nombre de vols d'une pluralité d'aéronefs afin d'identifier les évènements pronostiquant l'apparition d'une ou de plusieurs anomalie(s) sur un aéronef.
La Fig. 1 illustre de manière schématique un système de prédiction d'anomalies sur un aéronef, selon un mode de réalisation de l'invention.
Le système de prédiction 1 d'anomalies comporte un module d'acquisition 3 de données, un processeur 5, des unités de stockage 7 et une interface 9 d'entrée et de sortie.
Le module d'acquisition 3 est configuré pour recueillir au cours d'un vol d'un aéronef une liste d'évènements courants indexés suivant un axe temporel.
En effet, au cours de chaque vol, l'aéronef 11 procède à l'enregistrement de différents évènements avioniques. Un système d'acquisition centralise et formate tous les évènements ou données issues des différents capteurs, calculateurs embarqués, ou d'autres instruments et les transfère à des enregistreurs de vol ou registres de vol 13 (log record) de type PFR, DFDR, DAR et SAR qui répertorient les évènements qui ont eu lieu sur l'aéronef 11. Les évènements peuvent être discrets (par exemple, des états de détection logique, des indicateurs de dépassement d'une valeur de mesure, des états d'interrupteurs ou relais, etc.) ou analogiques.
En outre, un système de supervision centralisé 15 traite les données émises par des systèmes de détection de pannes et de surveillance de l'aéronef 11 et génère des rapports ou messages d'anomalies.
Ainsi, le module d'acquisition 3 est configuré pour récupérer les évènements courants (y compris les anomalies) indexés temporellement de manière ordonnée depuis les différents registres de vol 13 et/ou du système de supervision centralisé 15.
Le processeur 5 est configuré pour comparer les évènements courants survenant dans une fenêtre temporelle d'observation prédéterminée à un ensemble d'évènements pertinents ou significatifs liés à au moins une anomalie et consignés précédemment dans une base de données 17. La fenêtre temporelle d'observation est sélectionnée de manière optimale et peut avoir une largeur comprise entre une seconde et une dizaine de minutes.
On notera que la base de données 17 est construite lors d'une phase préalable d'apprentissage à partir d'une pluralité de listes d'évènements recueillies au cours des vols d'un ensemble d'aéronefs.
En outre, le processeur 5 est configuré pour détecter tout évènement courant prédisant l'apparition d'une anomalie en identifiant les évènements similaires à des évènements pertinents appartenant à l'ensemble d'évènements pertinents consignés dans la base de données 17.
Avantageusement, le processeur 5 est configuré pour estimer un temps d'avertissement avant l'apparition de l'anomalie. En effet, en consultant la base de données 17, le processeur 5 est configuré pour déterminer le laps de temps entre chaque évènement pertinent similaire à l'évènement détecté et l'anomalie d'intérêt prédite par ces évènements pertinents. Le temps d'avertissement estimé par le processeur 5 correspond par exemple à la moyenne des différents laps de temps.
Les résultats déterminés par le processeur 5 sont avantageusement affichés sur l'interface 9 et enregistrés dans les unités de stockage 7. En outre, les unités de stockage 7 sont configurées pour sauvegarder des programmes d'ordinateur comportant des codes d'instructions adaptés pour mettre en œuvre le procédé selon l'invention lorsque ces codes sont implémentés par le processeur 5.
La Fig. 2 illustre de manière schématique un système de construction d'une base de données à partir d'une pluralité de listes d'évènements recueillies au cours des vols d'un ensemble d'aéronefs, selon un mode de réalisation de l'invention. La Fig. 3 illustre en relation avec la Fig. 2 un procédé de construction de la base de données lors d'une phase préalable d'apprentissage, selon un mode de réalisation de l'invention.
La construction de la base de données 17 consiste à recueillir une pluralité de listes d'évènements issus des vols d'un ensemble d'aéronefs 11 afin d'extraire des évènements pertinents indicatifs de l'occurrence des futurs anomalies. Cette base de données 17, une fois construite, peut ensuite être utilisée pour chaque nouveau vol afin de prévoir les anomalies.
De manière analogue au système de prédiction 1 d'anomalie, le système de construction 101 de la base de données 17 comporte un module d'acquisition d'apprentissage 103 et un processeur d'apprentissage 105.
A l'étape SI, le module d'acquisition d'apprentissage 103 est configuré pour recueillir une pluralité de listes d'évènements Ei-En issus des vols d'un ensemble d'aéronefs
11. On notera que ces évènements sont indexés suivant des axes temporels correspondants.
Chaque liste d'évènements comporte des données temporelles issues d'un registre de vol 13 d'un aéronef 11 correspondant et/ou des messages d'anomalies indexés temporellement issus du système de supervision centralisé 15 de l'aéronef 11 correspondant.
A l'étape S2, le processeur d'apprentissage 105 est configuré pour identifier les anomalies Ai-Am répertoriées dans la pluralité de listes d'évènements recueillis à l'étape précédente.
A l'étape S3, le processeur d'apprentissage 105 est configuré pour déterminer l'ensemble d'occurrences de chaque type d'anomalie Ai. Dans la suite, on exposera le procédé pour un type d'anomalie donné (ou d'intérêt) A, mais bien entendu, le procédé est le même pour chaque type d'anomalie.
A l'étape S4, le processeur d'apprentissage 105 est configuré pour placer pour une anomalie donnée A, une première fenêtre temporelle d'apprentissage Fl prédéterminée suivant un premier index temporel déterminé. Ce premier index temporel est situé avant chaque occurrence de l'anomalie A, définissant ainsi un premier laps de temps Tl entre la première fenêtre temporelle d'apprentissage Fl et chaque occurrence de cette anomalie A,.
A l'étape S5, le processeur d'apprentissage 105 est configuré pour calculer pour chaque évènement recueilli, un premier taux d'occurrence τΐ de cet évènement dans la première fenêtre temporelle d'apprentissage Fl. Plus particulièrement, pour calculer le premier taux d'occurrence τΐ d'un évènement donné Ej, on compte le nombre d'occurrence de l'évènement Ej dans toutes les premières fenêtres temporelles d'apprentissage relatives à l'anomalie (voir Figs. 4A et 4B).
A l'étape S6, le processeur d'apprentissage 105 est configuré pour calculer un deuxième taux d'occurrence τ2 de l'évènement Ej en dehors de l'avènement de l'anomalie Ai. On notera que le deuxième taux d'occurrence τ2 peut être normalisé selon une période temporelle égale à la largeur de la première fenêtre temporelle d'apprentissage Fl. Pour calculer le deuxième taux d'occurrence τ2 de l'évènement donné Ej, on compte le nombre d'occurrence de l'évènement pendant l'ensemble des vols en dehors de l'apparition de l'anomalie (voir également Figs. 4A et 4B).
A l'étape S7, le processeur d'apprentissage 105 est configuré pour enregistrer l'évènement dans la base de données 17 comme étant un évènement pertinent Ep (i.e. ayant un lien avec l'anomalie) lorsque le quotient entre le premiertauxet le deuxième taux est supérieur à un seuil S prédéterminé qui peut par exemple être de l'ordre de 1,4 ou 1,5.
On notera que les étapes S5-S7 sont répétées pour chaque évènement et les étapes S4-S7 sont répétées pour chaque type d'anomalie.
Afin d'illustrer le procédé de construction de la base de données 17, considérons un capteur de température (non représenté) monté sur l'aéronef 11 et donnant de manière aléatoire une valeur de température erronée d'une zone de l'aéronef. On sait que la valeur donnée par ce capteur défectueux est erronée car le système de supervision centralisé 15 de l'aéronef 11 compare la valeur du capteur à celle de deux autres capteurs adaptés pour également indiquer la température de la même zone de l'aéronef 11. Cette anomalie est consignée dans un fichier du registre 13 (ou log) de l'aéronef qui enregistre également l'heure et la date de son apparition.
Afin d'anticiper et de prédire l'apparition de ce genre d'anomalie, on consulte les enregistrements de vols 13 où cette anomalie a déjà eu lieu. Le processeur d'apprentissage 105 applique les étapes précédentes pour recenser, dans une fenêtre temporelle d'apprentissage précédant cette anomalie, tous les évènements présents dans le fichier du registre 13 de l'aéronef. Chaque occurrence d'un évènement (autre que l'anomalie) ayant eu lieu pendant cette fenêtre temporelle est comptabilisé.
Supposons à titre d'exemple, que sur un ensemble de 10 vols (choisis), l'anomalie (valeur de capteur de température erronée) a été observée 17 fois. En outre, supposons que sur une plage de 20 minutes (d'une fenêtre d'apprentissage) avant l'apparition de chaque occurrence des 17 anomalies (i.e. pendant une durée totale de 340 minutes), un autre évènement précédant l'anomalie a été observé 12 fois. Cet autre évènement est par exemple le fait qu'un signal électrique binaire (par exemple, défini par deux états de tension 0V et +5V) sur l'aéronef changeait intempestivement d'état. Dans ce cas, le taux d'occurrence d'apparition de cet évènement (changement d'état du signal binaire) avant l'apparition de l'anomalie est 12 : 340 qui est à peu près égal à 0,035.
Par ailleurs, supposons que ce même évènement (changement d'état du signal binaire) a été observé 100 fois durant l'ensemble des 10 vols (de 220 minutes chacun) en dehors de l'apparition de l'anomalie (i.e. en retranchant les 20 minutes avant chaque apparition des 17 anomalies). Dans ce cas, le taux d'occurrence d'apparition de cet évènement pendant l'ensemble des 10 vols en dehors de l'apparition de l'anomalie est 100 : 2200 qui est à peu près égal à 0,01. Le taux d'occurrence d'apparition de cet évènement (changement d'état du signal binaire) avant l'apparition de l'anomalie (plage de 20 minutes) est alors 0,035 : 0,01 = 35. Ainsi, l'évènement de changement d'état du signal binaire est lié à l'anomalie car il arrivait en moyenne sur une plage temporelle identique 35 fois plus souvent avant l'anomalie du capteur que lorsqu'il n'y avait pas d'anomalie et par conséquent sera considéré comme un évènement pertinent.
En revanche, on notera que tout autre évènement avant l'anomalie ayant un taux d'occurrence très proche du taux d'occurrence en dehors de l'anomalie n'est pas retenu comme étant pertinent.
Avantageusement, le procédé de construction de la base de données comporte des étapes supplémentaires permettant d'évaluer les impacts ou conséquences de l'anomalie sur d'autres systèmes de l'aéronef.
En effet, à l'étape S8, le processeur d'apprentissage 105 est configuré pour placer une deuxième fenêtre temporelle d'apprentissage F2 prédéterminée suivant un deuxième index temporel déterminé. Ce deuxième index temporel est situé après chaque occurrence de l'anomalie A, définissant ainsi un deuxième laps de temps T2 entre chaque occurrence de cette anomalie A, et la deuxième fenêtre temporelle d'apprentissage F2.
A l'étape S9, le processeur d'apprentissage 105 est configuré pour calculer pour chaque évènement recueilli, un troisième taux d'occurrence τ3 d'apparition de l'évènement dans la deuxième fenêtre temporelle d'apprentissage F2.
A l'étape S10, le processeur d'apprentissage 105 est configuré pour calculer un quatrième taux d'occurrence τ4 d'apparition de l'évènement en dehors de l'apparition de l'anomalie. Le quatrième taux d'occurrence τ4 est normalisé selon une période temporelle égale à la deuxième fenêtre temporelle d'apprentissage.
A l'étape SU, le processeur d'apprentissage 105 est configuré pour enregistrer l'évènement dans la base de données 17 comme étant un évènement de contrecoup Ec causé par l'anomalie (ou au moins corrélé avec l'anomalie) lorsque le quotient entre le troisième taux et le quatrième taux est supérieur à un seuil S prédéterminé.
A titre d'exemple, l'anomalie du capteur et l'évènement pertinent de changement d'état de l'exemple ci-dessus permettent de mettre en évidence l'impact de l'anomalie sur un autre système de l'aéronef (par exemple, une dégradation d'un câble électrique avec une impédance défectueuse).
Les Fig. 4A-4D illustrent un procédé de détermination d'une largeur optimale d'une fenêtre d'apprentissage, selon un mode de réalisation de l'invention.
Plus particulièrement, les Figs. 4A-4D font référence à une fenêtre d'apprentissage F11-F15 située avant une même anomalie A, qu'on retrouve à plusieurs moments dans un même vol ou dans plusieurs vols différents. Le procédé est le même pour une fenêtre d'apprentissage située après l'anomalie. En outre, la même largeur optimale peut être utilisée à la fois pour la fenêtre d'apprentissage ainsi que pour la fenêtre d'observation correspondante.
Au départ, le processeur d'apprentissage 105 est configuré pour attribuer une largeur minimale (par exemple, 1 s) à la fenêtre d'apprentissage F11-F15. Ensuite, le module d'acquisition d'apprentissage 103 est configuré pour recueillir une liste d'évènements Ei, E2,...,Eio issus d'un même vol ou des vols d'un ensemble d'aéronefs relatifs à une même anomalie et pour placer une fenêtre temporelle d'apprentissage avant chaque occurrence de l'anomalie A, comme décrit dans les étapes S1-S4 ci-dessus.
En effet, la Fig. 4A montre une fenêtre d'apprentissage Fl de largeur ls placée avant une même anomalie A, apparue à différentes dates dans un même vol ou dans différents vols. L'axe temporel indique l'ordre d'occurrence des différents évènements et selon cet exemple, la fenêtre Fil comporte seulement l'évènement 5, la fenêtre F12 comporte les évènements 4 et 9, etc.
Ensuite, le processeur d'apprentissage 105 est configuré pour calculer un premier taux d'occurrence de chaque évènement dans la fenêtre temporelle d'apprentissage ainsi qu'un deuxième taux d'occurrence de chaque évènement en dehors de l'avènement de l'anomalie comme décrit dans les étapes S5 et S6 de la Fig. 3.
En effet, le diagramme en bâtons vertical de la Fig. 4B illustre pour chaque évènement un rectangle dont la hauteur représente le premier taux d'occurrence de l'évènement et un segment horizontal dont la hauteur représente le deuxième taux d'occurrence de cet évènement.
Le processeur d'apprentissage 105 est ensuite configuré pour calculer le quotient entre le premier taux et le deuxième taux avant d'augmenter la largeur de la fenêtre d'apprentissage et de recommencer les étapes S1-S6 de la Fig. 3.
La Fig. 4C montre une fenêtre d'apprentissage F11-F15 de largeur 5s placée avant la même anomalie apparue aux différentes dates. En outre, le diagramme de la Fig. 4D illustre pour chaque évènement les premier et deuxième taux d'occurrences de chaque évènement. En comparant les diagrammes des Figs. 4B et 4D, on voit bien que les taux d'occurrence ont changés. Par exemple, les premier et deuxième taux d'occurrences de l'évènement E6 sur la Fig. 4B sont presque égaux tandis que le premier taux d'occurrences de ce même évènement E6 sur la Fig. 4D est nettement plus grand que le deuxième taux d'occurrences. Ainsi, le quotient entre le premier taux et le deuxième taux a été modifié. Dans ce cas, les mêmes étapes ci-dessus sont répétées en augmentant à chaque fois la largeur de la fenêtre d'observation de manière récurrente jusqu'à ce que le quotient ne varie quasiment plus indiquant que la largeur optimale de la fenêtre d'apprentissage a été atteinte.
Avantageusement, chacun des premier et deuxième laps de temps prédéterminés est compris entre une seconde et trois heures et de préférence entre une heure et deux heures.
La Fig. 5 montre une fenêtre d'apprentissage Fl de largeur 10 minutes placée avant une anomalie A, selon un premier laps de temps de 120 minutes. En effet, pour un aéronef, il est avantageux de choisir des laps de temps prédéterminés assez grands (par exemple de l'ordre de deux heures) permettant une fois que l'aéronef est au sol de faire intervenir des techniciens pour réaliser des maintenances préventives avant son redécollage.
Claims (10)
- REVENDICATIONS1. Procédé de prédiction d'anomalies dans un aéronef, caractérisé en ce qu'il comporte les étapes suivantes :-recueillir au cours d'un vol dudit aéronef (11), une liste d'évènements courants indexés suivant un axe temporel,-comparer les évènements courants survenant dans une fenêtre temporelle d'observation prédéterminée dudit vol à un ensemble d'évènements pertinents liés à au moins une anomalie et consignés précédemment dans une base de données, (17) ladite base de données étant construite lors d'une phase préalable d'apprentissage à partir d'une pluralité de listes d'évènements recueillies au cours des vols d'un ensemble d'aéronefs, et-détecter tout évènement courant prédisant l'apparition d'une anomalie en identifiant les évènements similaires à des évènements pertinents appartenant audit ensemble d'évènements pertinents.
- 2. Procédé selon la revendication 1, caractérisé en ce qu'il comporte une consultation de ladite base de données (17) pour estimer un temps d'avertissement avant l'apparition de l'anomalie.
- 3. Procédé selon la revendication 1 ou 2, caractérisé en ce que la construction de ladite base de données lors d'une phase préalable d'apprentissage comporte les étapes suivantes :-recueillir ladite pluralité de listes d'évènements indexés suivant des axes temporels correspondants,-identifier les anomalies répertoriées dans ladite pluralité de listes d'évènements,-déterminer un ensemble d'occurrences de chaque type d'anomalie,-placer pour chaque type d'anomalie une première fenêtre temporelle d'apprentissage (Fl) prédéterminée suivant un premier index temporel déterminé situé avant chaque occurrence de ladite anomalie définissant ainsi un premier laps de temps entre la première fenêtre temporelle d'apprentissage et chaque occurrence de ladite anomalie,-calculer pour chaque évènement recueilli, un premier taux d'occurrence dudit évènement dans ladite première fenêtre temporelle d'apprentissage,-calculer un deuxième taux d'occurrence dudit évènement en dehors de l'avènement de ladite anomalie,-enregistrer ledit évènement dans la base de données (17) comme étant un évènement pertinent lorsque le quotient entre le premier taux et le deuxième taux est supérieur à un seuil prédéterminé.
- 4. Procédé selon la revendication 3, caractérisé en ce qu'il comporte en outre les étapes suivantes :-placer une deuxième fenêtre temporelle d'apprentissage (F2) prédéterminée suivant un deuxième index temporel déterminé situé après chaque occurrence de ladite anomalie définissant ainsi un deuxième laps de temps entre chaque occurrence de ladite anomalie et la première fenêtre temporelle d'apprentissage,-calculer pour chaque évènement recueilli un troisième taux d'occurrence d'apparition dudit évènement dans ladite deuxième fenêtre temporelle d'apprentissage,-calculer un quatrième taux d'occurrence d'apparition dudit évènement en dehors de l'apparition de ladite anomalie,-enregistrer ledit évènement dans la base de données (17) comme étant un évènement de contrecoup causé par ladite anomalie lorsque le quotient entre le troisième taux et le quatrième taux est supérieur à un seuil prédéterminé.
- 5. Procédé selon la revendication 3 ou 4, caractérisé en ce qu'il comporte en outre une détermination d'une largeur optimale de la première ou deuxième fenêtre d'apprentissage (Fl, F2) en augmentant la largeur de la fenêtre d'apprentissage de manière récurrente à partir d'une largeur minimale en calculant ledit quotient à chaque itération, la largeur optimale correspondant au cas où ledit quotient ne varie quasiment plus.
- 6. Procédé selon la revendication 3, caractérisé en ce que ledit premier laps de temps prédéterminé est compris entre une seconde et trois heures et de préférence entre une heure et deux heures.
- 7. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce que ladite pluralité d'évènements est issue des enregistreurs de vol de type PFR, DFDR, DAR, SAR.
- 8. Système de prédiction d'anomalies dans un aéronef, caractérisé en ce qu'il comporte :- un module d'acquisition (3) configuré pour recueillir au cours d'un vol dudit aéronef (11), une liste d'évènements courants indexés suivant un axe temporel, et- un processeur (5) configuré pour :- comparer les évènements courants survenant dans une fenêtre temporelle d'observation prédéterminée dudit vol à un ensemble d'évènements pertinents liés à au moins une anomalie et consignés précédemment dans une base de données (17), ladite base de données étant construite lors d'une phase préalable d'apprentissage à partir d'une pluralité de listes d'évènements recueillies au cours des vols d'un ensemble d'aéronefs, et- détecter tout évènement courant prédisant l'apparition d'une anomalie en identifiant les évènements similaires à des évènements pertinents appartenant audit ensemble d'évènements pertinents.
- 9. Système selon la revendication 8, caractérisé en ce qu'il comporte :- un module d'acquisition d'apprentissage (103) configuré pour recueillir ladite pluralité de listes d'évènements indexés suivant des axes temporels correspondants, et- un processeur d'apprentissage (105) configuré pour :-identifier les anomalies répertoriées dans ladite pluralité de listes d'évènements,-déterminer un ensemble d'occurrences de chaque type d'anomalie,-placer pour chaque type d'anomalie une première fenêtre temporelle d'apprentissage prédéterminée suivant un premier index temporel déterminé situé avant chaque occurrence de ladite anomalie définissant ainsi un premier laps de temps entre la 5 première fenêtre temporelle d'apprentissage et chaque occurrence de ladite anomalie,-calculer pour chaque évènement recueilli un premier taux d'occurrence dudit évènement dans ladite première fenêtre temporelle d'apprentissage,-calculer un deuxième taux d'occurrence dudit évènement en dehors de l'avènement de ladite anomalie, et
- 10 -enregistrer ledit évènement dans la base de données comme étant un évènement pertinent lorsque le quotient entre le premier taux et le deuxième taux est supérieur à un seuil prédéterminé.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1755960A FR3068493A1 (fr) | 2017-06-28 | 2017-06-28 | Prediction de pannes dans un aeronef |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1755960A FR3068493A1 (fr) | 2017-06-28 | 2017-06-28 | Prediction de pannes dans un aeronef |
| FR1755960 | 2017-06-28 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3068493A1 true FR3068493A1 (fr) | 2019-01-04 |
Family
ID=60450737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1755960A Pending FR3068493A1 (fr) | 2017-06-28 | 2017-06-28 | Prediction de pannes dans un aeronef |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3068493A1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6243628B1 (en) * | 1999-09-07 | 2001-06-05 | General Electric Company | System and method for predicting impending failures in a locomotive |
| US7509537B1 (en) * | 2006-02-02 | 2009-03-24 | Rockwell Collins, Inc. | Prognostic processor system for real-time failure analysis of line replaceable units |
| WO2014093670A1 (fr) * | 2012-12-12 | 2014-06-19 | University Of North Dakota | Analyse de données de vol à l'aide de modèles prédictifs |
| FR3009396A1 (fr) * | 2013-07-31 | 2015-02-06 | Airbus Operations Sas | Procede et programme d'ordinateur d'aide a la maintenance d'equipements d'un aeronef |
-
2017
- 2017-06-28 FR FR1755960A patent/FR3068493A1/fr active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6243628B1 (en) * | 1999-09-07 | 2001-06-05 | General Electric Company | System and method for predicting impending failures in a locomotive |
| US7509537B1 (en) * | 2006-02-02 | 2009-03-24 | Rockwell Collins, Inc. | Prognostic processor system for real-time failure analysis of line replaceable units |
| WO2014093670A1 (fr) * | 2012-12-12 | 2014-06-19 | University Of North Dakota | Analyse de données de vol à l'aide de modèles prédictifs |
| FR3009396A1 (fr) * | 2013-07-31 | 2015-02-06 | Airbus Operations Sas | Procede et programme d'ordinateur d'aide a la maintenance d'equipements d'un aeronef |
Non-Patent Citations (1)
| Title |
|---|
| J. WANG ET AL: "Predictive maintenance based on event-log analysis: A case study", IBM JOURNAL OF RESEARCH AND DEVELOPMENT., vol. 61, no. 1, 1 January 2017 (2017-01-01), US, pages 11:121 - 11:132, XP055464914, ISSN: 0018-8646, DOI: 10.1147/JRD.2017.2648298 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200195678A1 (en) | On-board networked anomaly detection (onad) modules | |
| FR3052273A1 (fr) | Prediction de pannes dans un aeronef | |
| US10754721B2 (en) | Computer system and method for defining and using a predictive model configured to predict asset failures | |
| EP3379359B1 (fr) | Algorithme non supervisé guidé par les données pour analyser des données de capteur pour détecter un fonctionnement de valve anormal | |
| US10650614B2 (en) | Aircraft maintenance event prediction using higher-level and lower-level system information | |
| EP2912526B1 (fr) | Système de surveillance d'un ensemble de composants d'un équipement | |
| FR2970358A1 (fr) | Pronostic de duree avant maintenance par fusion entre modelisation et simulation, pour equipements electroniques embarques dans un aeronef | |
| US20110010130A1 (en) | Health management systems and methods with predicted diagnostic indicators | |
| US20200047914A1 (en) | Methods And Systems For Identifying Associated Events in an Aircraft | |
| US20200175407A1 (en) | Monitored machine performance as a maintenance predictor | |
| US12094257B2 (en) | System and method to auto create aircraft maintenance records by aircraft data | |
| EP3660615B1 (fr) | Système et méthode de surveillance d'un système d'enregistrement à bord | |
| WO2012049396A1 (fr) | Système de surveillance d'un banc d'essai de moteur | |
| FR2991486A1 (fr) | Procede et dispositif d'assistance au suivi de mission d'un aeronef | |
| US20080244326A1 (en) | Prognosis of faults in electronic circuits | |
| CN113343364A (zh) | 航空大数据分析方法及工具 | |
| FR3069086A1 (fr) | Procede d'evaluation d'un taux de variation d'une panne | |
| FR3068493A1 (fr) | Prediction de pannes dans un aeronef | |
| US10787278B2 (en) | Aircraft maintenance message prediction | |
| Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
| EP3443425B1 (fr) | Procédé de contrôle d'intégrité de l'avionique d'un aéronef, dispositif et produit programme d'ordinateur associés | |
| FR3046265A1 (fr) | Systeme de surveillance d'une installation industrielle ; procedes de configuration et de surveillance associes | |
| FR3105544A1 (fr) | Procede et dispositif de supervision d'un systeme de pistage | |
| KR20200069871A (ko) | 사업용 차량의 수집 정보 분석 장치 및 방법 | |
| FR3110794A1 (fr) | Procédé et système d'ordonnancement automatique d'alarmes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLSC | Publication of the preliminary search report |
Effective date: 20190104 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| RX | Complete rejection |
Effective date: 20220217 |