FR3089500A1 - système D’AIDE A LA RESOLUTION de PANNES D’AERONEFS - Google Patents
système D’AIDE A LA RESOLUTION de PANNES D’AERONEFS Download PDFInfo
- Publication number
- FR3089500A1 FR3089500A1 FR1872386A FR1872386A FR3089500A1 FR 3089500 A1 FR3089500 A1 FR 3089500A1 FR 1872386 A FR1872386 A FR 1872386A FR 1872386 A FR1872386 A FR 1872386A FR 3089500 A1 FR3089500 A1 FR 3089500A1
- Authority
- FR
- France
- Prior art keywords
- statistical
- big data
- module
- question
- databases
- 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
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 101100013558 Arabidopsis thaliana FTSH2 gene Proteins 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 101100503482 Arabidopsis thaliana FTSH5 gene Proteins 0.000 description 2
- 101150082136 VAR1 gene Proteins 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000000876 binomial test Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000001558 permutation test Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6227—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database where protection concerns the structure of data, e.g. records, types, queries
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
-
- 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
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45071—Aircraft, airplane, ship cleaning manipulator, paint stripping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Hardware Design (AREA)
- Fuzzy Systems (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
système D’AIDE A LA RESOLUTION de PANNES D’AERONEFS Un système d’aide à la résolution de pannes d’aéronefs par inférence statistique de mégadonnées comporte un équipement sécurisé (120) incluant une pluralité de bases de données (132, 133, 134) stockant des mégadonnées concernant des variables supervisées lors de surveillances d’aéronefs ainsi qu’un module agrégateur (121). Le système comporte aussi un module analyste (110), hors de l’équipement sécurisé (120), en communication avec le module agrégateur (121). Le module analyste (110) est utilisé pour définir une question statistique à traiter par le module agrégateur (121), qui effectue une inférence statistique sur les mégadonnées stockées dans la pluralité de bases de données (132, 133, 134) pour répondre à la question statistique. Le module agrégateur (121) vérifie que le résultat de l’inférence statistique anonymise les mégadonnées concernées, et transmet le résultat de l’inférence statistique au module analyste (110). Ainsi, la confidentialité des mégadonnées est respectée. Figure à publier avec l’abrégé : Fig. 1
Description
Description
Titre de l'invention : système D’AIDE A LA RESOLUTION de PANNES D’AERONEFS
Domaine technique
[0001] La présente invention concerne un système d’aide à la résolution de pannes d’aéronefs par inférence statistique de mégadonnées.
Technique antérieure
[0002] Une fois que des aéronefs sont mis en service, des pannes et incidents peuvent survenir et nécessiter des investigations pour en déterminer les causes et/ou les conditions de survenue, que ce soit pour des questions de navigabilité ou pour des questions d’amélioration de conception, de fabrication ou de procédure d’utilisation. Ces investigations sont typiquement effectuées par un groupe d’experts, généralement appartenant à des entités différentes, telles que des organisations de compagnies aériennes, des bureaux d’études d’avionneurs, des organisations de sous-traitance et d’équipementiers.
[0003] Pour permettre de réaliser ces investigations, des données opérationnelles sont collectées et stockées dans des bases de données. Au vu de la quantité d’aéronefs pour lesquels de telles données opérationnelles sont collectées, on parle de mégadonnées (ou parfois de données massives), et plus généralement de « Big Data » en reprenant la langue anglo-saxonne. Ces données opérationnelles représentent donc un volume d’informations à traiter qui dépasse l’intuition et les capacités humaines d’analyse, et même celles des outils informatiques classiques de gestion de base de données.
[0004] Pour pouvoir améliorer l’efficacité de la résolution de pannes d’aéronefs et notamment à cause du fait que les incidents sont très rares dans l’aviation, il est souhaitable de pouvoir effectuer une inférence statistique sur des mégadonnées issues de divers horizons. Pour rappel, l’inférence statistique consiste à induire des caractéristiques inconnues d’une population à partir d’un extrait de cette population. Les caractéristiques de l’extrait reflètent alors, avec une certaine probabilité d’erreur, les caractéristiques de la population.
[0005] La propriété de ces mégadonnées pose toutefois une difficulté majeure dans cette approche, puisque les propriétaires de ces mégadonnées peuvent refuser un accès direct à tout ou partie de leur contenu. Par exemple, il peut être souhaitable d’effectuer l’inférence statistique sur la base de mégadonnées environnementales en accès libre (e.g., mégadonnées météorologiques), de mégadonnées environnementales avec accès payant (e.g., mégadonnées de radar de vol), de mégadonnées d’aéronefs en service (dont le propriétaire est la compagnie aérienne exploitante), de mégadonnées d’aéronefs avant mise en service (dont le propriétaire est l’avionneur)...
[0006] Il est souhaitable de pallier cet inconvénient de l’état de la technique. Il est ainsi souhaitable de fournir des résultats d’inférence statistique à des questions statistiques (« statistical queries » en langue anglo-saxonne) pour permettre d’améliorer l’efficacité des investigations d’experts dans la résolution de pannes d’aéronefs en utilisant un maximum de sources de mégadonnées, sans remettre en cause tout niveau de confidentialité souhaitée concernant le contenu de ces mégadonnées.
Exposé de l’invention
[0007] Un objet de la présente invention est de proposer un système d’aide à la résolution de pannes d’aéronefs par inférence statistique de mégadonnées, comportant une pluralité de bases de données stockant des mégadonnées concernant des variables supervisées lors de surveillances d’aéronefs ainsi qu’un dispositif implémentant un module agrégateur en charge d’interroger les bases de données dans le cadre d’une inférence statistique. Ledit système comporte en outre : un équipement sécurisé incluant le dispositif implémentant le module agrégateur ainsi que la pluralité de bases de données de sorte à empêcher un accès extérieur aux mégadonnées ; et un dispositif implémentant un module analyste, hors de l’équipement sécurisé, en communication avec le module agrégateur. De plus, le module analyste comporte : des moyens pour définir une question statistique, la question statistique requérant de rechercher une éventuelle corrélation entre au moins un événement relatif à une panne et au moins une dite variable parmi les mégadonnées de la pluralité de bases de données ; et des moyens pour transmettre la question statistique au module agrégateur. De plus, le module agrégateur comporte : des moyens pour effectuer une inférence statistique sur les mégadonnées stockées dans la pluralité de bases de données pour répondre à la question statistique ; des moyens pour vérifier que le résultat de l’inférence statistique anonymise les mégadonnées concernées ; des moyens pour transmettre le résultat de l’inférence statistique au module analyste dans le cas où le résultat de l’inférence statistique anonymise les mégadonnées concernées ; et des moyens pour rejeter la question statistique dans le cas où le résultat de l’inférence statistique n’anonymise pas les mégadonnées concernées. Ainsi, l’efficacité des investigations d’experts dans la résolution de pannées d’aéronefs est améliorée en utilisant un maximum de sources de mégadonnées, sans remettre en cause tout niveau de confidentialité souhaitée concernant le contenu de ces mégadonnées.
[0008] Selon un mode de réalisation particulier, la question statistique inclut un contexte définissant un cadre de recherche dans les mégadonnées de la pluralité de bases de données, le contexte précisant si l’inférence statistique porte sur l’ensemble des aéronefs pour lesquels des mégadonnées sont présentes dans la pluralité de bases de données ou sur un sous-ensemble uniquement, et le module agrégateur comporte des moyens pour limiter l’inférence statistique audit contexte.
[0009] Selon un mode de réalisation particulier, le module agrégateur comporte des moyens pour vérifier que le contexte n’est pas défini par rapport à des paramètres de mégadonnées exclus par souci de confidentialité et des moyens pour rejeter la question statistique dans le cas où le contexte n’est pas défini par rapport à des paramètres de mégadonnées exclus par souci de confidentialité.
[0010] Selon un mode de réalisation particulier, le module agrégateur vérifie que la pluralité de bases de données contient au moins K fois plus d’échantillons dans le contexte que d’occurrences de chaque événement considéré dans la question statistique, K étant un entier positif non nul.
[0011] Selon un mode de réalisation particulier, le module analyste comporte des moyens pour exporter une interface utilisateur graphique fournissant les composantes suivantes : des composantes de type « Contexte » pour définir le contexte ; des composantes de type « Evénement » pour sélectionner au moins un événement pour former la question statistique ; des composantes de type « Variable » pour sélectionner au moins une dite variable pour former la question statistique ; et des composantes de type « Combineur » pour formuler la question statistique à partir des composantes de type « Contexte », de type « Evénement » et de type « Variable ». L’interface utilisateur graphique fournit en outre les opérateurs suivants : des opérateurs de type « Logique » pour effectuer des opérations combinatoires entre des composantes de type « Variable » ; des opérateurs de type « Temporel » pour fixer des cadres temporels à des composantes de type « Variable » et à des composantes de type « Evénement » ; et des opérateurs de type « Union » pour fusionner des composantes de type « Variable », pour unir des composantes de type « Evénement », et pour unir des composantes de type « Contexte » ; des opérateurs de type « Filtre » pour filtrer des composantes de type « Variable », pour filtrer des composantes de type « Evénement », et pour filtrer des composantes de type « Contexte ».
[0012] Selon un mode de réalisation particulier, ladite pluralité de bases de données est complétée par au moins une base de données stockant des mégadonnées en accès libre.
[0013] Selon un mode de réalisation particulier, le module agrégateur comporte des moyens pour stocker dans au moins une base de données dédiée de l’équipement sécurisé des informations privées fournies via le module analyste, et le module agrégateur effectue l’inférence statistique en outre en exploitant lesdites informations privées.
[0014] Selon un mode de réalisation particulier, le module agrégateur fournit au module analyste le résultat de l’inférence statistique sous forme d’une table de contingence pour chaque variable visée par la question statistique.
[0015] Selon un mode de réalisation particulier, le module analyste comporte : des moyens pour déterminer, pour chaque table de contingence, des valeurs de déviation de probabilité, par rapport à une répartition théorique d’observations de la variable concernée ; des moyens pour déterminer, pour chaque table de contingence, des valeurs de puissance statistique ; et des moyens pour effectuer une classification du contenu des tables de contingence en fonction desdites valeurs de déviation de probabilité et des valeurs de puissance statistiques, la classification indique si le contenu en question montre que la variable considérée est corrélée ou non avec le ou les événements ciblés par la question statistique, ou si le résultat d’inférence est non concluant.
[0016] Selon un mode de réalisation particulier, le module analyste comporte des moyens pour effectuer une visualisation de type tracé volcanique du contenu de chaque table de contingence.
[0017] Un autre objet de la présente invention est de proposer un procédé d’aide à la résolution de pannes d’aéronefs par inférence statistique de mégadonnées, le procédé étant implémenté par un système comportant une pluralité de bases de données stockant des mégadonnées concernant des variables supervisées lors de surveillances d’aéronefs ainsi qu’un dispositif implémentant un module agrégateur en charge d’interroger les bases de données dans le cadre d’une inférence statistique. Ledit système comporte en outre : un équipement sécurisé incluant le dispositif implémentant le module agrégateur ainsi que la pluralité de bases de données de sorte à empêcher un accès extérieur aux mégadonnées ; et un dispositif implémentant un module analyste, hors de l’équipement sécurisé, en communication avec le module agrégateur. Alors, le procédé comporte les étapes suivantes implémentées par le module analyste : définir une question statistique, la question statistique requérant de rechercher une éventuelle corrélation entre au moins un événement relatif à une panne et au moins une dite variable parmi les mégadonnées de la pluralité de bases de données ; et transmettre la question statistique au module agrégateur. De plus, le procédé comporte les étapes suivantes implémentées par le module agrégateur : effectuer une inférence statistique sur les mégadonnées stockées dans la pluralité de bases de données pour répondre à la question statistique ; vérifier que le résultat de l’inférence statistique anonymise les mégadonnées concernées ; transmettre le résultat de l’inférence statistique au module analyste dans le cas où le résultat de l’inférence statistique anonymise les mégadonnées concernées ; et rejeter la question statistique dans le cas où le résultat de l’inférence statistique n’anonymise pas les mégadonnées concernées.
Brève description des dessins
[0018] Les caractéristiques de l’invention mentionnées ci-dessus, ainsi que d’autres, appa raîtront plus clairement à la lecture de la description suivante d’au moins un exemple de réalisation, ladite description étant faite en relation avec les dessins joints, parmi lesquels :
[0019] [fig.l] illustre schématiquement un système d’aide à la résolution de pannes d’aéronefs selon la présente invention ;
[0020] [fig.2] illustre schématiquement un agencement matériel d’un dispositif du système d’aide à la résolution de pannes d’aéronefs selon un mode de réalisation particulier ;
[0021] [fig.3] illustre schématiquement une question statistique formulée par combinaison de composantes et d’opérateurs, dans un mode de réalisation particulier de l’invention ;
[0022] [fig.4] illustre schématiquement un organigramme d’un algorithme de définition et de soumission de question statistique implémenté par un module analyste du système d’aide à la résolution de pannes d’aéronefs ;
[0023] [fig.5] illustre schématiquement un organigramme d’un algorithme d’un algorithme de traitement de question statistique implémenté par un module agrégateur du système d’aide à la résolution de pannes d’aéronefs ; et
[0024] [fig.6] illustre schématiquement un organigramme d’un algorithme de traitement de tables de contingence implémenté par le module analyste du système d’aide à la résolution de pannes d’aéronefs, dans un mode de réalisation particulier de la présente invention.
[0025] EXPOSE DETAILLE DE MODES DE REALISATION
[0026] La Fig. 1 illustre schématiquement un système d’aide à la résolution de pannes d’aéronefs selon la présente invention.
[0027] Le système d’aide à la résolution de pannes d’aéronefs comporte un premier dispositif mettant en œuvre un module analyste (« analyst module » en langue anglosaxonne) ANA 110.
[0028] Le système d’aide à la résolution de pannes d’aéronefs comporte un second dispositif mettant en œuvre un module agrégateur (« aggregator module » en langue anglosaxonne) AGG 121. Le second dispositif s’inscrit dans un équipement sécurisé SEC 120.
[0029] Par exemple, le premier dispositif est un ordinateur PC (« Personal Computer » en langue anglo-saxonne) et le second dispositif est un supercalculateur.
[0030] Le module agrégateur AGG 121 accède à une pluralité de bases de données DB 130. Au moins une de ces bases de données contient des mégadonnées concernant des variables supervisées lors de surveillances d’aéronefs, et plus particulièrement relatives à des incidents survenus sur ces aéronefs, et dont les contenus ne doivent pas, et ne sont pas, exposés en dehors de l’environnement de l’équipement sécurisé SEC 120. L’équipement sécurisé SEC 120 empêche tout accès extérieur aux mégadonnées. Sur la Fig. 1, les bases de données DB2 132, DB3 133, DB4 134 contiennent ainsi des mégadonnées à accès restreint limité à l’équipement sécurisé SEC 120. A noter que le module analyste ANA 110) est en dehors de l’équipement sécurisé SEC 120.
[0031] Une ou plusieurs bases de données DB1 131, contenant des mégadonnées dont les contenus sont en accès libre, peuvent enrichir la pluralité de bases de données DB 130. Par exemple, la bases de données DB1 131 contient des mégadonnées météorologiques indiquant quelles étaient les conditions météorologiques à tel ou tel endroit à tel ou tel instant.
[0032] Le premier dispositif mettant en œuvre le module analyste ANA 110 et le second dispositif mettant en œuvre le module agrégateur AGG 121 sont reliés par un lien de communication. Les informations à caractère confidentiel de la pluralité de bases de données DB 130 ne sortant pas de l’environnement de l’équipement sécurisé SEC 120, ce lien de communication n’a pas besoin d’être sécurisé. Le module agrégateur AGG 121 et les bases de données DB2 132, DB3 133 et DB4 134 peuvent être reliés par des tunnels sécurisés, ce qui permet de répartir l’équipement sécurisé SEC 120 sur plusieurs sites.
[0033] Le module analyste ANA 110 fournit une interface d’entrée permettant de définir une question statistique (« statistical query » en langue anglo-saxonne). La question statistique requiert de rechercher parmi les mégadonnées de la pluralité de bases de données DB 130 une éventuelle corrélation entre au moins un événement relatif à une panne et au moins une variable supervisée dans le cadre de la surveillance des aéronefs. La question statistique inclut préférentiellement un contexte définissant un cadre de recherche dans les mégadonnées de la pluralité de bases de données DB 130, le contexte précisant si l’inférence statistique porte sur l’ensemble des aéronefs pour lesquels des mégadonnées sont présentes dans la pluralité de bases de données DB 130 ou sur un sous-ensemble uniquement.
[0034] Selon un exemple, cette interface d’entrée est un fichier dans lequel est formulée la question statistique. Préférentiellement, le premier dispositif est équipé d’un écran et d’une interface de commande, telle qu’un ensemble souris - clavier. Ainsi, un opérateur humain peut formuler la question statistique en combinant différentes composantes et opérateurs en utilisant comme interface d’entrée une interface utilisateur graphique GUI (« Graphical User Interface » en langue anglo-saxonne) exportée par le module analyste ANA 110. Ainsi, l’interface GUI du module analyste ANA 110 fournit les composantes suivantes :
[0035] 1. Contexte
[0036] 2. Evénement
[0037] 3. Variable
[0038] 4. Combineur
[0039] Les composantes « Contexte » permettent de définir un contexte d’aéronef à considérer dans la pluralité de bases de données DB 130, par exemple : tous les aéronefs, aéronefs en montée, modèles d’aéronefs spécifiques...
[0040] Les composantes « Evénement » permettent de sélectionner des événements à retrouver dans la pluralité de bases de données DB 130, par exemple : liste d’horodatage des occurrences, défaut particulier par exemple identifié par un code spécifique...
[0041] Les composantes « Variable » permettent de sélectionner des paramètres à évaluer en inférence statistique vis-à-vis d’un ou plusieurs événements définis, par exemple : âge de l’aéronef ou d’une pièce en particulier, données d’un capteur particulier, atterrissage brutal, vibrations... Chaque paramètre est associé à au moins une condition vis-à-vis d’une valeur ou d’un champ de valeurs pour définir un statut que l’on peut exprimer à tout moment à partir des paramètres de tout échantillon de population du contexte considéré par « vrai », « faux » ou « inconnu ». Selon un exemple, une variable de basse altitude LOW_ALTITUDE porte sur le paramètre d’altitude associé à la condition « < 1000 pieds » (environ 300 mètres), une variable d’altitude moyenne MIDDLE_ALTITUDE porte sur le paramètre d’altitude associé à la condition « > 1000 pieds » (environ 300 mètres) et « < 25000 pieds » (7620 mètres), et une variable de haute altitude HIGH_ALTITUDE porte sur le paramètre d’altitude associé à la condition « > 25000 pieds » (7620 mètres). Selon un autre exemple, une variable de jeunesse YOUNG porte sur le paramètre d’âge associé à la condition « < 730 jours », une variable d’âge moyen MIDDLE_AGE porte sur le paramètre d’âge associé à la condition « > 730 jours » et « < 4380 jours », et une variable de vieillesse OLD porte sur le paramètre d’âge associé à la condition « > 4380 jours ».
[0042] Des variables de même type (âge, altitude...) peuvent être regroupées dans des mêmes composantes « Variable ». Par exemple, les variables YOUNG, MIDDLE_AGE et OLD peuvent être regroupées dans une même composante, afin de définir aisément une question statistique qui porte sur une inférence statistique qui couvre simultanément ces trois tranches d’âge considérées.
[0043] Les composantes « Combineur » permettent d’assembler les composantes « Evénement » et les composantes « Variable » dans une population de mégadonnées définie par les composantes « Contexte » afin de formuler une question statistique, typiquement : « Existe-t-il une corrélation entre VARIABLES et EVENEMENTS considérant le CONTEXTE défini ? ».
[0044] En complément des composantes ci-dessus, l’interface GUI du module analyste ANA 110 fournit préférentiellement des opérateurs, qui permettent de complexifier et donc d’affiner la question statistique :
[0045] 1. Logique (ET logique, OU logique, OU EXCLUSIF...)
[0046] 2. Temporel (durée minimum, rémanence...)
[0047] 3. Union
[0048] 4. Filtre
[0049] Les opérateurs « Logique » permettent d’effectuer une opération combinatoire entre des composantes « Variable ».
[0050] Les opérateurs « Temporel » permettent de fixer un cadre temporel à une composante « Evénement » ou à une composante « Variable ».
[0051] Les opérateurs « Union » permettent de faire des fusions de composantes « Contexte », des fusions de composantes « Evénement », et des fusions de composantes « Variable ».
[0052] Les opérateurs « Filtre » permettent de faire des filtrages de composantes « Contexte », des filtrages de composantes « Evénement », et des filtrages de composantes « Variable ».
[0053] Un exemple est schématiquement illustré sur la Fig. 3. Une composante « Contexte », libellée CTXT 310, y est définie. Par exemple, la composante CTXT 310 limite le contexte d’inférence statistique à un type d’aéronef en particulier, par exemple aux aéronefs de la famille Airbus A350.
[0054] Une composante « Evénement », libellée EVT 320, y est définie. Un certain type d’événement est ainsi sélectionné, représentatif d’une panne en particulier. Par exemple, la composante EVT 320 identifie une panne de pompe EDP (« Engine Driven Pump » en langue anglo-saxonne).
[0055] Une composante « Variable », libellée VAR1 331, y est définie. Un premier paramètre est ainsi sélectionné pour être évalué en inférence statistique vis-à-vis de l’événement décrit dans la composante EVT 320. Par exemple, ce premier paramètre concerne l’âge. Une autre composante « Variable », libellée VAR2 332, y est définie. Un second paramètre est ainsi sélectionné pour être évalué en inférence statistique visà-vis de l’événement décrit dans la composante EVT 320. Par exemple, ce second paramètre concerne l’altitude.
[0056] Un opérateur « Union », libellée U 350, y est défini. L’opérateur U 350 s’applique sur la composante VAR2 332 après application de l’opérateur T 340 et sur la composante VA1 331. Les paramètres d’âge et d’altitude sont alors simultanément évalués en inférence statistique.
[0057] Une composante « Combineur », libellée COMB 360, y est définie. La composante COMB 360 définit la question statistique : « Existe-t-il une corrélation entre VAR1 ou
VAR2 et EVT considérant le contexte CTXT ? ». Cet exemple permet de tenter de déterminer si les pannes de pompe EDP sont statistiquement liées à l’âge de la pompe EDP et/ou à des questions de pression atmosphérique.
[0058] Une fois formulée, la question statistique est transmise par le module analyste ANA 110 au module agrégateur AGG 121. Le module agrégateur AGG 121 traite alors la question statistique en analysant les mégadonnées stockées dans la pluralité de bases de données DB 130. Cet aspect est détaillé ci-après en relation avec la Fig. 5.
[0059] Le module analyste ANA 110 fournit une interface de sortie permettant de fournir la réponse à la question statistique posée. Selon un exemple, cette interface de sortie est un fichier. Préférentiellement, l’interface GUI du module analyste ANA 110 fournit la réponse à la question statistique posée, par exemple sous forme de visualisation de type tracé volcanique (« Volcano Plot » en langue anglo-saxonne). Cela permet d’identifier plus facilement et rapidement les variables d’intérêt, particulièrement lorsque la question statistique porte sur une combinaison d’une multitude de variables. Cet aspect est détaillé ci-après en relation avec la Fig. 6.
[0060] Dans un mode de réalisation particulier, une ou plusieurs bases de données dédiées de la pluralité de bases de données DB 130 servent à enrichir le contexte de la question statistique avec des informations privées. Cet enrichissement peut se faire par le module analyste ANA 110, via lequel les données privées sont fournies au module agrégateur AGG 121 qui se charge ensuite de stocker les données privées dans une dite base de données dédiée. La ou les bases de données dédiées sont incluses dans l’équipement sécurisé SEC 120 et ne peuvent être accédées ensuite que dans le cadre d’une inférence statistique, afin d’en respecter la confidentialité. Par exemple, supposons qu’un expert souhaite étudier l’impact du rayonnement solaire sur des équipements d’aéronefs pour lesquels des pannes ont été relevées. L’expert dispose d’un modèle permettant de calculer le flux solaire en fonction de l’horaire et de la position géographique, mais l’expert n’a pas accès direct à suffisamment de données de position d’aéronefs ayant subi cette panne. L’expert peut alors importer le modèle en tant que données privées et ainsi enrichir les mégadonnées avec le paramètre de flux solaire. Les mégadonnées résultantes ne sont toujours pas accessibles directement à l’expert, mais des questions statistiques peuvent alors être posées sur une éventuelle corrélation entre l’effet du flux solaire et ou plusieurs événements relatifs aux pannes relevées.
[0061] La Fig. 2 illustre schématiquement un agencement matériel d’un dispositif DEV 200 du système d’aide à la résolution de pannes d’aéronefs. Le premier dispositif mettant en œuvre le module analyste ANA 110 et/ou le second dispositif mettant en œuvre le module agrégateur AGG 121 peuvent être construits selon cet agencement matériel.
[0062] Le dispositif DEV 200 comporte, reliés par un bus de communication 210 : un processeur 201 ; une mémoire vive 202 ; une mémoire morte 203, par exemple de type ROM (« Read Only Memory » en langue anglo-saxonne) ou EEPROM (« Electrically-Erasable Programmable Read Only Memory » en langue anglosaxonne) ; une unité de stockage 204, telle qu’un disque dur HDD (« Hard Disk Drive » en langue anglo-saxonne), ou un lecteur de support de stockage, tel qu’un lecteur de cartes SD (« Secure Digital » en langue anglo-saxonne) ; un gestionnaire d’interfaces d’entrées-sorties 205.
[0063] Pour le premier dispositif mettant en œuvre le module analyste ANA 110, le gestionnaire d’interfaces d’entrées-sorties 205 permet de communiquer avec le second dispositif mettant en œuvre le module agrégateur AGG 121. Préférentiellement, le gestionnaire d’interfaces d’entrées-sorties 205 permet d’interagir avec un opérateur humain, comme déjà décrit.
[0064] Pour le second dispositif mettant en œuvre le module agrégateur AGG 121, le gestionnaire d’interfaces d’entrées-sorties 205 permet de communiquer avec le premier dispositif mettant en œuvre le module analyste ANA 110, ainsi qu’avec la pluralité de bases de données DB 130.
[0065] Le processeur 201 est capable d’exécuter des instructions chargées dans la mémoire vive 202 à partir de la mémoire morte 203, d’une mémoire externe, d’un support de stockage (tel qu’une carte SD), ou d’un réseau de communication. Lorsque le dispositif DEV 200 est mis sous tension, le processeur 201 est capable de lire de la mémoire vive 202 des instructions et de les exécuter. Ces instructions forment un programme d’ordinateur causant l’implémentation, par le processeur 201, de tout ou partie de l’algorithme et des étapes décrits ci-après.
[0066] Tout ou partie des algorithmes et étapes décrits ci-après peut ainsi être implémenté sous forme logicielle par exécution d’un ensemble d’instructions par une machine programmable, par exemple un processeur de type DSP (« Digital Signal Processor » en langue anglo-saxonne) ou un microcontrôleur, ou être implémenté sous forme matérielle par une machine ou un composant dédié, par exemple un composant FPGA ou ASIC. D’une manière générale, le dispositif DEV 200 comporte de la circuiterie électronique adaptée et configurée pour implémenter, sous forme logicielle et/ou matérielle, les algorithmes et étapes décrits ci-après en relation avec le dispositif DEV 200 en question.
[0067] La Fig. 4 illustre schématiquement un organigramme d’un algorithme de définition et de soumission de question statistique implémenté par le module analyste ANA 110.
[0068] Dans une étape 400, le module analyste ANA 110 définit une question statistique. [0069] L’étape 400 peut être détaillée par un ensemble d’étapes 401 à 405.
[0070] Dans l’étape 401, le module analyste ANA 110 acquiert une définition de contexte, préférentiellement par le biais d’une composante « Contexte » ou de plusieurs corn11 posantes « Contexte » reliées par un opérateur.
[0071] Dans l’étape 402, le module analyste ANA 110 acquiert une sélection d’au moins un événement, préférentiellement par le biais d’une composante « Evénement » ou de plusieurs composantes « Evénement » reliées par un opérateur. Lorsque plusieurs événements sont ainsi sélectionnés, ces événements sont typiquement suspectés d’avoir la même cause de déclenchement.
[0072] Une liste d’événements à la disposition du module analyste ANA 110 peut dépendre du contexte défini à l’étape 401, c’est-à-dire que le contexte ne doit pas avoir d’échantillons de mégadonnées pour lesquels aucune information concernant cet événement a été répertoriée. Par exemple, si les événements ont été enregistrés uniquement pour un modèle d’aéronef, le contexte ne devrait contenir que des échantillons de mégadonnées pour ce modèle d’aéronef. Dans un mode de réalisation particulier, une fois le contexte défini, le module analyste ANA 110 interroge le module agrégateur AGG 121 pour déterminer quels événements ont été tracés pour le contexte défini, le module agrégateur AGG 121 scrutant (ou ayant scruté) la pluralité de base de données DB 130 pour ce faire.
[0073] Dans l’étape 403, le module analyste ANA 110 acquiert une sélection d’au moins une variable, préférentiellement par le biais d’une composante « Variable » ou de plusieurs composantes « Variable » reliées par un ou plusieurs opérateurs « Logique » ou « Union » ou « Eiltre ».
[0074] Dans l’étape 404, le module analyste ANA 110 peut acquérir une définition de cadre temporel à une ou plusieurs variables et/ou à un ou plusieurs événements, préférentiellement par le biais d’un ou plusieurs opérateurs « Temporel ».
[0075] Dans l’étape 405, le module analyste ANA 110 acquiert une définition de combinaison du contexte (étape 401), du ou des événements (étape 402), de la ou des variables (étape 403), et éventuellement du cadre temporel (étape 404), afin de formuler la question statistique.
[0076] L’étape 400 est suivie d’une étape 410, dans laquelle le module analyste ANA 110 transmet au module agrégateur AGG 121 la question statistique formulée à l’étape 400. Le procédé appliqué par le module agrégateur AGG 121 est détaillé ci-après en relation avec la Eig. 5. Puis, le module analyste ANA 110 se met en attente d’un retour du module agrégateur AGG 121.
[0077] Alors, dans une étape 420, le module analyste ANA 110 obtient le retour du module agrégateur AGG 121 concernant la question statistique transmise à l’étape 410. Comme détaillé ci-après, le module agrégateur AGG 121 peut avoir formulé un rejet ou avoir retourné un résultat statistique. Le module analyste ANA 110 effectue alors le traitement approprié (visualisation, enregistrement dans un fichier...). Un mode de réalisation particulier est détaillé ci-après en relation avec la Eig. 6.
[0078] La Fig. 5 illustre schématiquement un organigramme d’un algorithme d’un algorithme de traitement de question statistique implémenté par le module agrégateur AGG 121.
[0079] Dans une étape 501, le module agrégateur AGG 121 reçoit la question statistique transmise par le module analyste ANA 110 à l’étape 410.
[0080] Dans une étape 502, le module agrégateur AGG 121 vérifie l’acceptabilité de la question statistique. Le module agrégateur AGG 121 vérifie notamment que le contexte n’est pas défini par rapport à des paramètres de mégadonnées exclus par souci de confidentialité. Par exemple, des contextes limités à des aéronefs en particulier (identifiés par leur numéro de série de fabricant MSN (« Manufacturer Serial Number » en langue anglo-saxonne)) ou d’une compagnie aérienne en particulier peuvent être interdits. Selon un autre exemple, le module agrégateur AGG 121 vérifie que la pluralité de bases de données DB 130 contient beaucoup plus d’échantillons dans le contexte défini que d’occurrences de chaque événement considéré dans la question statistique. En d’autres termes, le module agrégateur AGG 121 vérifie que la pluralité de bases de données DB 130 contient au moins K fois plus d’échantillons dans le contexte défini que d’occurrences de chaque événement considéré dans la question statistique, K étant un entier positif non nul par exemple égal à 100 ou 1000. Selon encore un autre exemple, le module agrégateur AGG 121 vérifie que la population de mégadonnées concernée par le contexte de la question statistique est suffisante pour permettre d’assurer que le résultat de l’inférence statistique ne nuise pas à la confidentialité des mégadonnées, c’est-à-dire que la population de mégadonnées ainsi concernée est supérieure à un seuil prédéfini.
[0081] Dans une étape 503, le module agrégateur AGG 121 détermine si la vérification de l’acceptabilité de la question statistique est positive. Si tel est le cas, une étape 505 est effectuée ; sinon, le module agrégateur AGG 121 rejette la question statistique auprès du module analyste ANA 110 dans une étape 504 et il est mis fin à l’algorithme.
[0082] Dans une étape 505, le module agrégateur AGG 121 interroge la pluralité de bases de données DB 130 pour répondre à la question statistique. Le temps de traitement induit augmente linéairement avec la quantité d’échantillons considérés dans la population du contexte défini dans la question statistique. Le module agrégateur AGG 121 effectue une inférence statistique pour répondre à la question statistique.
[0083] La distribution théorique d’un événement dans une population est équivalente à celle d’un dé jeté, où le résultat du jet de dé est l’occurrence de l’événement (« vrai », « faux » ou « inconnu »). Connaître la proportion de « vrai », « faux » ou « inconnu » dans la population considérée permet d’effectuer des tests binomiaux. Un test binomial est un test exact de significativité statistique de déviations par rapport à une répartition théorique d’observations.
[0084] Etant donné que l’intervalle de temps d’occurrence ou l’incertitude de l’instant d’occurrence d’un événement peut couvrir plusieurs échantillons, chaque échantillon a un poids de 1/n par rapport à cet événement, où n est la quantité d’échantillons couverts par l’événement en question. Cette approche permet avantageusement de produire un comptage moyen dans un calcul de tables de contingence (valeurs flottantes). Pour rappel, des tables de contingence sont des matrices, potentiellement multivariables, qui montrent la distribution fréquentielle de la ou des variables considérées. Le module agrégateur AGG 121 effectue alors les agrégations suivantes sur les échantillons de contexte pour chaque variable de la question statistique :
[0085] - Quantité de « vrai » ; et
[0086] - Quantité de « faux ».
[0087] De plus, le module agrégateur AGG 121 effectue les agrégations suivantes sur les échantillons apparaissant pendant l’occurrence de chaque événement :
[0088] - Somme des poids des échantillons avec la variable à « vrai » ; et
[0089] - Somme des poids des échantillons avec la variable à « faux ».
[0090] Dans une étape 506, le module agrégateur AGG 121 vérifie que le résultat de l’inférence statistique effectuée à l’étape 505 anonymise les mégadonnées concernées, c’est-à-dire qu’il n’est pas possible d’en déduire par exemple de quelle compagnie aérienne sont issues les mégadonnées qui ont servi à obtenir ce résultat. Dans un mode de réalisation particulier, le module agrégateur AGG 121 anonymise le résultat. Par exemple, des pseudonymes génériques peuvent être utilisés pour masquer l’origine des mégadonnées. Un nom de compagnie aérienne peut ainsi être remplacé par le terme AIRLINE suivi d’un numéro aléatoirement affecté par le module agrégateur AGG 121. Cette approche ne peut toutefois être utilisée que lorsque les quantités d’échantillons pour des compagnies aériennes sont du même ordre dans le contexte défini, pour éviter de pouvoir remonter au nom de la compagnie aérienne en question en s’appuyant sur la quantité d’échantillons.
[0091] Dans une étape 507, le module agrégateur AGG 121 détermine si la vérification que le résultat de l’inférence statistique anonymise les mégadonnées concernées (ou qu’elles ont été anonymisées). Si tel est le cas, une étape 509 est effectuée ; sinon, le module agrégateur AGG 121 rejette la question statistique auprès du module analyste ANA 110 dans une étape 508 et il est mis fin à l’algorithme.
[0092] Dans l’étape 509, le module agrégateur AGG 121 envoie au module analyste ANA 110 le résultat de l’inférence statistique, c’est-à-dire la réponse à la question statistique. Préférentiellement, le résultat de l’inférence statistique prend la forme d’une table de contingence pour chaque variable visée par la question statistique.
[0093] La Fig. 6 illustre schématiquement un organigramme d’un algorithme de traitement de tables de contingence implémenté par le module analyste ANA 110, dans un mode de réalisation particulier de la présente invention.
[0094] Dans une étape 601, le module analyste ANA 110 reçoit le résultat de l’inférence statistique réalisée par le module agrégateur AGG 121 sous forme d’une table de contingence pour chaque variable indiquée dans la question statistique précédemment formulée par le module analyste ANA 110 (voir Fig. 4).
[0095] Dans une étape 602, le module analyste ANA 110 détermine, pour chaque table de contingence, des valeurs de déviation de probabilité, appelées valeurs-p (« p-values » en langue anglo-saxonne) par rapport à une répartition théorique d’observations de la variable concernée.
[0096] Dans une étape 603, le module analyste ANA 110 détermine, pour chaque table de contingence, des valeurs de puissance statistique (« test strength » en langue anglosaxonne).
[0097] Dans une étape 604, le module analyste ANA 110 effectue une classification du contenu des tables de contingence en fonction desdites valeurs de déviation de probabilité et des valeurs de puissance statistiques. La classification indique si le contenu en question montre que la variable considérée est corrélée ou non avec le ou les événements ciblés par la question statistique, ou si le résultat d’inférence est non concluant. Lorsque les valeurs de déviation de probabilité sont inférieures à un seuil prédéfini TH1, par exemple de 5%, la variable en question et l’événement ou les événements considérés dans la question statistique précédemment formulée par le module analyste ANA 110 (voir Fig. 4) sont considérés comme corrélés. Si les valeurs de puissance statistique sont supérieures à un seuil prédéfini TH2, par exemple de 80%, la variable en question et l’événement ou les événements considérés dans la question statistique précédemment formulée par le module analyste ANA 110 (voir Fig. 4) sont considérés comme décorrélés. Dans les autres cas, le résultat est considéré comme non concluant par manque d’information dans la pluralité de bases de données DB 130.
[0098] Dans une étape 605, le module analyste ANA 110 peut effectuer une visualisation de type tracé volcanique (« Volcano Plot » en langue anglo-saxonne). Un tracé volcanique est un type de diagramme de dispersion qui trace la significativité statistique (en ordonnées, axe Y) en fonction de l’effet statistique (en abscisses, axe X) appelé « fold change » en langue anglo-saxonne. Sur le tracé volcanique, les ordonnées (axe Y) représentent typiquement l’opposé du log w des valeurs-p et les abscisses (axe X) le log 2 de l’effet statistique.
Claims (1)
- Système d’aide à la résolution de pannes d’aéronefs par inférence statistique de mégadonnées, comportant une pluralité de bases de données (132, 133, 134) stockant des mégadonnées concernant des variables supervisées lors de surveillances d’aéronefs ainsi qu’un dispositif implémentant un module agrégateur (121) en charge d’interroger les bases de données (132, 133, 134) dans le cadre d’une inférence statistique, caractérisé en ce que ledit système comporte en outre :- un équipement sécurisé (120) incluant le dispositif implémentant le module agrégateur (121) ainsi que la pluralité de bases de données (132, 133, 134) de sorte à empêcher un accès extérieur aux mégadonnées ; et- un dispositif implémentant un module analyste (110), hors de l’équipement sécurisé (120), en communication avec le module agrégateur (121) ;en ce que le module analyste (110) comporte :- des moyens pour définir (400) une question statistique, la question statistique requérant de rechercher une éventuelle corrélation entre au moins un événement relatif à une panne et au moins une dite variable parmi les mégadonnées de la pluralité de bases de données (132, 133, 134) ; et- des moyens pour transmettre (410) la question statistique au module agrégateur (121) ;et en ce que le module agrégateur (121) comporte :- des moyens pour effectuer (505) une inférence statistique sur les mégadonnées stockées dans la pluralité de bases de données (132, 133, 134) pour répondre à la question statistique ;- des moyens pour vérifier (506) que le résultat de l’inférence statistique anonymise les mégadonnées concernées ;- des moyens pour transmettre (509) le résultat de l’inférence statistique au module analyste (110) dans le cas où le résultat de l’inférence statistique anonymise les mégadonnées concernées ; et- des moyens pour rejeter (508) la question statistique dans le cas où le résultat de l’inférence statistique n’anonymise pas les mégadonnées concernées.Système selon la revendication 1, dans lequel la question statistique inclut un contexte définissant un cadre de recherche dans les mégadonnées de la pluralité de bases de données (132, 133, 134), le
contexte précisant si l’inférence statistique porte sur l’ensemble des aéronefs pour lesquels des mégadonnées sont présentes dans la pluralité de bases de données (132, 133, 134) ou sur un sous-ensemble uniquement, et le module agrégateur (121) comporte des moyens pour limiter l’inférence statistique audit contexte. [Revendication 3] Système selon la revendication 2, dans lequel le module agrégateur (121) comporte des moyens pour vérifier (502) que le contexte n’est pas défini par rapport à des paramètres de mégadonnées exclus par souci de confidentialité et des moyens pour rejeter (504) la question statistique dans le cas où le contexte n’est pas défini par rapport à des paramètres de mégadonnées exclus par souci de confidentialité. [Revendication 4] Système selon la revendication 2 ou 3, dans lequel le module agrégateur (121) vérifie que la pluralité de bases de données contient au moins K fois plus d’échantillons dans le contexte que d’occurrences de chaque événement considéré dans la question statistique, K étant un entier positif non nul. [Revendication 5] Système selon l’une quelconque des revendications 2 à 4, dans lequel le module analyste (110) comporte des moyens pour exporter une interface utilisateur graphique fournissant les composantes suivantes : - des composantes de type « Contexte » pour définir le contexte ; - des composantes de type « Evénement » pour sélectionner au moins un événement pour former la question statistique ; - des composantes de type « Variable » pour sélectionner au moins une dite variable pour former la question statistique ; et - des composantes de type « Combineur » pour formuler la question statistique à partir des composantes de type « Contexte », de type « Evénement » et de type « Variable », l’interface utilisateur graphique fournissant en outre les opérateurs suivants : - des opérateurs de type « Logique » pour effectuer des opérations combinatoires entre des composantes de type « Variable » ; - des opérateurs de type « Temporel » pour fixer des cadres temporels à des composantes de type « Variable » et à des composantes de type « Evénement » ; et - des opérateurs de type « Union » pour fusionner des composantes de type « Variable », pour unir des composantes de type « Evénement », et pour unir des composantes de type « Contexte » ; - des opérateurs de type « Filtre » pour filtrer des composantes de type « Variable », pour filtrer des composantes de type « Evénement », et pour filtrer des composantes de type « Contexte ». [Revendication 6] Système selon l’une quelconque des revendications 1 à 5, dans lequel ladite pluralité de bases de données est complétée par au moins une base de données (131) stockant des mégadonnées en accès libre. [Revendication 7] Système selon l’une quelconque des revendications 1 à 6, dans lequel le module agrégateur (121) comporte des moyens pour stocker dans au moins une base de données dédiée de l’équipement sécurisé des informations privées fournies via le module analyste (110), et dans lequel le module agrégateur (121) effectue l’inférence statistique en outre en exploitant lesdites informations privées. [Revendication 8] Système selon l’une quelconque des revendications 1 à 7, dans lequel le module agrégateur (121) fournit au module analyste le résultat de l’inférence statistique sous forme d’une table de contingence pour chaque variable visée par la question statistique. [Revendication 9] Système selon la revendication 8, dans lequel le module analyste (110) comporte : - des moyens pour déterminer (602), pour chaque table de contingence, des valeurs de déviation de probabilité, par rapport à une répartition théorique d’observations de la variable concernée ; - des moyens pour déterminer (603), pour chaque table de contingence, des valeurs de puissance statistique ; - des moyens pour effectuer (604) une classification du contenu des tables de contingence en fonction desdites valeurs de déviation de probabilité et des valeurs de puissance statistiques, la classification indique si le contenu en question montre que la variable considérée est corrélée ou non avec le ou les événements ciblés par la question statistique, ou si le résultat d’inférence est non concluant. [Revendication 10] Système selon la revendication 8 ou 9, dans lequel le module analyste (110) comporte des moyens pour effectuer (605) une visualisation de type tracé volcanique du contenu de chaque table de contingence. [Revendication 11] Procédé d’aide à la résolution de pannes d’aéronefs par inférence statistique de mégadonnées, le procédé étant implémenté par un système comportant une pluralité de bases de données (132, 133, 134) stockant des mégadonnées concernant des variables supervisées lors de surveillances d’aéronefs ainsi qu’un dispositif implémentant un module agrégateur (121) en charge d’interroger les bases de données (132, 133, 134) dans le cadre d’une inférence statistique, caractérisé en ce que, ledit système comportant en outre :- un équipement sécurisé (120) incluant le dispositif implémentant le module agrégateur (121) ainsi que la pluralité de bases de données (132, 133, 134) de sorte à empêcher un accès extérieur aux mégadonnées ; et- un dispositif implémentant un module analyste (110), hors de l’équipement sécurisé (120), en communication avec le module agrégateur (121) ;le procédé comporte les étapes suivantes implémentées par le module analyste (110) :- définir (400) une question statistique, la question statistique requérant de rechercher une éventuelle corrélation entre au moins un événement relatif à une panne et au moins une dite variable parmi les mégadonnées de la pluralité de bases de données (132, 133, 134) ; et- transmettre (410) la question statistique au module agrégateur (121) ; et en ce que le procédé comporte les étapes suivantes implémentées par le module agrégateur (121) :- effectuer (505) une inférence statistique sur les mégadonnées stockées dans la pluralité de bases de données (132, 133, 134) pour répondre à la question statistique ;- vérifier (506) que le résultat de l’inférence statistique anonymise les mégadonnées concernées ;- transmettre (509) le résultat de l’inférence statistique au module analyste (110) dans le cas où le résultat de l’inférence statistique anonymise les mégadonnées concernées ; et- rejeter (508) la question statistique dans le cas où le résultat de l’inférence statistique n’anonymise pas les mégadonnées concernées.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1872386A FR3089500A1 (fr) | 2018-12-05 | 2018-12-05 | système D’AIDE A LA RESOLUTION de PANNES D’AERONEFS |
US16/700,240 US20200183926A1 (en) | 2018-12-05 | 2019-12-02 | System for assisting aircraft fault resolution |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1872386A FR3089500A1 (fr) | 2018-12-05 | 2018-12-05 | système D’AIDE A LA RESOLUTION de PANNES D’AERONEFS |
Publications (1)
Publication Number | Publication Date |
---|---|
FR3089500A1 true FR3089500A1 (fr) | 2020-06-12 |
Family
ID=66218221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR1872386A Pending FR3089500A1 (fr) | 2018-12-05 | 2018-12-05 | système D’AIDE A LA RESOLUTION de PANNES D’AERONEFS |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200183926A1 (fr) |
FR (1) | FR3089500A1 (fr) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020241943A1 (fr) * | 2019-05-31 | 2020-12-03 | 주식회사 보아라 | Procédé de désidentification de mégadonnées |
CN114936238A (zh) * | 2022-05-26 | 2022-08-23 | 中煤科工集团重庆智慧城市科技研究院有限公司 | 基于大数据的运维信息管理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169253A1 (en) * | 2015-12-10 | 2017-06-15 | Neustar, Inc. | Privacy-aware query management system |
EP3401829A1 (fr) * | 2017-05-10 | 2018-11-14 | Aircloak GmbH | Systèmes et procédés d'interrogations de base de données statistiques anonymisées au moyen d' éléments de bruit |
-
2018
- 2018-12-05 FR FR1872386A patent/FR3089500A1/fr active Pending
-
2019
- 2019-12-02 US US16/700,240 patent/US20200183926A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169253A1 (en) * | 2015-12-10 | 2017-06-15 | Neustar, Inc. | Privacy-aware query management system |
EP3401829A1 (fr) * | 2017-05-10 | 2018-11-14 | Aircloak GmbH | Systèmes et procédés d'interrogations de base de données statistiques anonymisées au moyen d' éléments de bruit |
Non-Patent Citations (1)
Title |
---|
PHILON NGUYEN ET AL: "Fast correlation analysis on time series datasets", PROCEEDING OF THE 17TH ACM CONFERENCE ON INFORMATION AND KNOWLEDGE MINING, CIKM '08, ACM PRESS, NEW YORK, NEW YORK, USA, 26 October 2008 (2008-10-26), pages 787 - 796, XP058175668, ISBN: 978-1-59593-991-3, DOI: 10.1145/1458082.1458187 * |
Also Published As
Publication number | Publication date |
---|---|
US20200183926A1 (en) | 2020-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10540264B2 (en) | Computerized method and end-to-end “Pilot as a service” system for controlling start-up/enterprise interactions | |
Amalina et al. | Blending big data analytics: Review on challenges and a recent study | |
Alam et al. | Image4act: Online social media image processing for disaster response | |
US11586972B2 (en) | Tool-specific alerting rules based on abnormal and normal patterns obtained from history logs | |
US11042525B2 (en) | Extracting and labeling custom information from log messages | |
Beheshti et al. | iprocess: Enabling iot platforms in data-driven knowledge-intensive processes | |
US20170109639A1 (en) | General Model for Linking Between Nonconsecutively Performed Steps in Business Processes | |
FR3013140A1 (fr) | Systeme et procede de diagnostic de panne aeronef | |
FR3009396A1 (fr) | Procede et programme d'ordinateur d'aide a la maintenance d'equipements d'un aeronef | |
EP3163445A1 (fr) | Mécanisme d'analyse de corrélation lors de la dégradation des performances d'une chaîne applicative | |
WO2015036531A2 (fr) | Système de gestion des connaissances | |
US20170109638A1 (en) | Ensemble-Based Identification of Executions of a Business Process | |
FR3089500A1 (fr) | système D’AIDE A LA RESOLUTION de PANNES D’AERONEFS | |
Zhang et al. | Introducing privacy in screen event frequency analysis for Android apps | |
US20170109640A1 (en) | Generation of Candidate Sequences Using Crowd-Based Seeds of Commonly-Performed Steps of a Business Process | |
EP3021523B1 (fr) | Méthode et système de supervision applicative | |
Rasmi et al. | A new approach for resolving cyber crime in network forensics based on generic process model | |
US11411811B2 (en) | Fault localization for cloud-native applications | |
Bonet et al. | Species richness estimations of the megadiverse scuttle fly genus Megaselia (Diptera: Phoridae) in a wildfire‐affected hemiboreal forest | |
US20190087296A1 (en) | Data layering in a network management system | |
US11178025B1 (en) | Automated incident prioritization in network monitoring systems | |
Khodabandelou et al. | Cots products to trace method enactment: review and selection | |
Fernandes et al. | Impact of Non-Fitting Cases for Remaining Time Prediction in a Multi-Attribute Process-Aware Method. | |
US11914461B1 (en) | Organization segmentation for anomaly detection | |
Bolt Iriondo et al. | Finding process variants in event logs (short paper) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20200612 |
|
PLFP | Fee payment |
Year of fee payment: 3 |