FR3120145A1 - Procédé d’évaluation de l’usure d’une pièce d’une turbomachine - Google Patents

Abstract

La présente invention concerne un procédé d’évaluation de l’usure d’une pièce d’une turbomachine d’un aéronef comprenant : a) Une étape de collecte d’un ensemble de données comprenant des données de vol relatives à des paramètres de fonctionnement d’un aéronef, et des données supplémentaires, relatives à des vols réalisés par l’aéronef ; b) Une étape de calcul au moyen d’un réseau de neurones d’une valeur indicative d’un taux d’exposition instantanée d’une pièce de la turbomachine de l’aéronef à l’usure à partir de l’ensemble de données collectées pour chaque vol réalisé par l’aéronef ; c) Une étape d’évaluation au moyen d’un modèle de probabilité paramétrique du niveau d’usure de la pièce à partir d’une valeur indicative du taux d’exposition cumulée de la pièce, la valeur indicative du taux d’exposition cumulée étant calculée à partir des valeurs indicatives du taux d’exposition calculées par le réseau de neurones pour chaque vol réalisé par l’aéronef. Figure pour l’abrégé : figure 2

Description

Procédé d’évaluation de l’usure d’une pièce d’une turbomachine

DOMAINE TECHNIQUE GENERAL

L’invention concerne le domaine de la surveillance et de la maintenance prédictive des composants d’aéronef, en anglais « Health monitoring ». Plus particulièrement, elle concerne un procédé d’évaluation de l’usure d’une pièce d’une turbomachine notamment d’un aéronef.

ETAT DE L’ART

Au cours du fonctionnement d’une turbomachine, de nombreuses pièces sont sujettes à diverses formes d’usure pouvant affecter la durée de vie des turbomachines, on peut par exemple citer la corrosion, les criques, les déformations etc. Cependant, ces dégradations ayant lieux sur des pièces internes des turbomachines, il est très difficile d’évaluer ces dégradations. Les méthodes actuelles d’évaluation de l’usure des pièces d’une turbomachine nécessitent donc soit un démontage de la turbomachine, soit une inspection par endoscopie.

Cependant, ces inspections sont complexes et nécessitent la mise en œuvre de moyens spécifiques. Elles ne peuvent donc être mises en œuvre que dans des ateliers de maintenance équipés spécifiquement, ce qui implique une immobilisation de l’aéronef, des équipements spécialisés ainsi que des opérateurs qualifiés pour réaliser ces opérations d’inspections, rendant l’opération très couteuse. En outre, l’usure pouvant apparaitre de manière différente sur chacune des pièces, il est nécessaire afin de détecter l’apparition d’usure d’inspecter chacune d’entre elles individuellement.

Il en résulte que ces opérations d’inspections ont lieu uniquement suite à la détection d’une anomalie ou lors de visites de maintenance périodiques, elles ne sont donc pas adaptées pour détecter l’apparition d’usure sur les pièces internes d’une turbomachine.

PRESENTATION DE L’INVENTION

L’invention pallie au moins les inconvénients précités et permet de surveiller l’apparition d’usure sur les pièces interne d’une turbomachine afin de réduire les couts de maintenance des turbomachines, tout en augmentant leur fiabilité en détectant en amont l’apparition de disfonctionnements. Une telle compréhension de l’usure permettant alors d’anticiper des endommagements plus graves mais aussi d’allonger les délais entre inspections périodiques.

À cet effet, l’invention propose, selon un premier aspect, un procédé d’évaluation de l’usure d’une pièce d’une turbomachine d’un aéronef comprenant :

a) Une étape E1 de collecte d’un ensemble de données comprenant des données de vol relatives à des paramètres de fonctionnement d’un aéronef, et des données supplémentaires, relatives à des vols réalisés par l’aéronef ;

b) Une étape E2 de calcul au moyen d’un réseau de neurones d’une valeur indicative d’un taux d’exposition instantanée d’une pièce de la turbomachine de l’aéronef à l’usure à partir de l’ensemble de données collectées pour chaque vol réalisé par l’aéronef ;

c) Une étape E3 d’évaluation au moyen d’un modèle de probabilité paramétrique du niveau d’usure de la pièce à partir d’une valeur indicative du taux d’exposition cumulée de la pièce, la valeur indicative du taux d’exposition cumulée étant calculée à partir des valeurs indicatives du taux d’exposition calculées par le réseau de neurones pour chaque vol réalisé par l’aéronef.

Certaines caractéristiques préférées mais non limitatives du procédé selon le premier aspect sont les suivantes, prises individuellement ou en combinaison :

• le réseau de neurones est défini par un ensemble de poids et le modèle de probabilité paramétrique par des paramètres, lesdits poids du réseau de neurones et lesdits paramètres du modèle de probabilité paramétrique étant déterminés simultanément lors d’une phase d’entrainement selon une méthode d’apprentissage par rétropropagation de gradient ;
• le réseau de neurones utilisé comprend un sous-réseau de type complètement connecté ou convolutif ;
• le réseau de neurones utilisé comprend un sous-réseau de type réseau de neurones récurrent ;
• le modèle paramétrique est une loi de Weibull ;
• l’étape b) comprend un réseau de neurone différent pour chacune des pièces, et à l’étape c) le même modèle de probabilité paramétrique est utilisé pour chacune des pièces ;
• toutes les pièces de la pluralité de pièces sont constitué en tout ou partie du même matériau.

Selon un deuxième aspect, l’invention propose un dispositif d’évaluation de l’usure d’une pièce d’une turbomachine d’un aéronef comprenant :

- des moyens de collecte de données configurés pour collecter un ensemble de données comprenant des données de vol relatives à des paramètres de fonctionnement d’un aéronef, et des données supplémentaires, relatives à des vols réalisés par l’aéronef ;

- des moyens de calculs configurés pour :

calculer au moyen d’un réseau de neurones une valeur indicative d’un taux d’exposition instantanée d’une pièce de la turbomachine de l’aéronef à l’usure à partir de l’ensemble de données collectées pour chaque vol réalisé par l’aéronef,

évaluer au moyen d’un modèle de probabilité paramétrique un niveau d’usure de la pièce à partir d’une valeur indicative du taux d’exposition cumulée de la pièce, la valeur indicative du taux d’exposition cumulée étant calculée à partir des valeurs indicatives du taux d’exposition calculées par le réseau de neurones pour chaque vol réalisé par l’aéronef ;

- des moyens de stockage configurés pour stocker un ensemble de poids définissant le réseau de neurones, ainsi que des paramètres définissant le modèle de probabilité paramétrique.

Selon un troisième et quatrième aspect, l’invention propose un produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé d’évaluation de l’usure d’une pièce selon le premier aspect ; et un moyen de stockage lisible par un équipement informatique sur lequel un produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé d’évaluation de l’usure d’une pièce selon le premier aspect.

PRESENTATION DES FIGURES

D’autres caractéristiques et avantages de la présente invention apparaîtront à la lecture de la description qui va suivre d’un mode de réalisation préférentiel. Cette description sera donnée en référence aux dessins annexés dans lesquels :

la est une vue schématique d’un système adapté pour mettre en œuvre un procédé d’évaluation de l’usure d’une pièce selon l’invention ;

[Fig. 2] la représente les étapes d’un procédé d’évaluation de l’usure d’une pièce d’une turbomachine selon l’invention ;

la représente une architecture d’un modèle d’évaluation d’usure d’une pièce pour la mise en œuvre de l’invention ;

la représente une architecture d’un modèle d’évaluation d’usure d’une pluralité de pièces pour la mise en œuvre de l’invention.

DESCRIPTION DETAILLEE

Architecture

Selon deux aspects complémentaires de l’invention, sont proposés :

- Un procédé d’évaluation de l’usure d’une pièce d’une turbomachine d’un aéronef à l’aide d’un réseau de neurones et d’un modèle paramétrique ;

- Un procédé d’entrainement du réseau de neurones et du modèle paramétrique selon le premier aspect à partir d’une base de données comprenant des informations relatives à des aéronefs.

Ces procédés sont mis en œuvre au sein d’une architecture telle que représentée par la , grâce à une base de données 5 permettant d’enregistrer des données de vol relatives au fonctionnement des turbomachines d’un aéronef 3 lors de leur fonctionnement. La base de données est en communication avec un serveur d’apprentissage 1 (mettant en œuvre le procédé d’apprentissage) et un client 2, par exemple un terminal d’un utilisateur tel qu’un ordinateur personnel. Il est tout à fait possible que certains ou la totalité de ces équipements soient confondus, par exemple le serveur d’apprentissage peut être regroupé avec le client 2, et peut de même comprendre la base de données 5. L’ensemble de ces équipements communique à l’aide d’un réseau d’échange de données 4, par exemple le réseau Internet.

Comme indiqué, la base de données 5 est configurée pour stocker les données de vol, ainsi que des données supplémentaires relatives au vol en lui-même.

On précise que l’on entend par données de vols, les données qui comprennent par exemple des paramètres correspondant à la température extérieure, l’altitude, la vitesse instantanée, la vitesse par rapport au sol, la température du compresseur, le flux de carburant, etc. ainsi que des données d’identification relatives à l’aéronef (modèle, poids etc.).

On précise que l’on entend par données supplémentaires, des données qui concernent l’environnement dans lequel évolue l’aéronef, ces données comprennent par exemple des paramètres environnementaux correspondant à des données météo, des données relatives à la qualité de l’air (notamment des données de pollution), des données de maintenance, des données de position, des données de pollution aux aéroport de départ et d’arrivées, des données d’horodatage pouvant comprendre les dates et heures de départ, de décollage, d’atterrissage et d’arrivée, ainsi que des données relatives au type de carburant.

Afin de centraliser ces données, la base de données 5 peut être en communication avec l’aéronef 3 au cours du vol afin de récupérer les données de vol en temps réel et, de façon avantageuse, les données supplémentaires. De manière alternative, il est aussi possible de récupérer les données de vol à un autre moment, par exemple lorsque l’aéronef est au sol ou bien uniquement à intervalles de temps réguliers, évitant ainsi la nécessité d’une connexion permanente entre l’aéronef et la base de données 5. La base de données 5, peut être soit un serveur indépendant comprenant des moyens de traitement de données et de stockage propres, soit un serveur de fichier (par exemple un serveur NAS), soit un système de gestion de base de données intégré au serveur d’apprentissage.

Les équipements 1 et 2 sont typiquement des équipements informatiques distants reliés au réseau d’échange de données 4, chacun comprenant des moyens de traitement de données, respectivement 11, 21 de type processeur, et des moyens de stockage de données 12,22 tel qu’une mémoire informatique, par exemple un disque.

Estimation de l’usure d’une pièce

En référence auxfigures 2 et 3a, le procédé d’évaluation de l’usure d’une pièce mis en œuvre à l’aide de l’architecture décrite précédemment comprend les étapes décrites ci-dessous.

Une première étape E1 consiste à collecter un ensemble de données relatives aux vols réalisés par un aéronef dont on veut évaluer l’usure d’une pièce, l’ensemble de données comprenant les données de vol ainsi que les données supplémentaires. Un vecteur de valeurs numériques est ainsi construit pour chaque vol réalisé par l’aéronef (avec et le nombre total de vols réalisé par l’aéronef, ou bien seulement les n derniers vols réalisé par l’aéronef). Ce vecteur est constitué de valeurs , avec et le nombre total de paramètres correspondant chacun à des valeurs représentatives de paramètres de fonctionnement de l’aéronef ou de paramètres relatifs au vol en lui-même.

L’ensemble de vecteurs correspond à la suite des vols effectués par l’aéronef.

Lors d’une deuxième étape E2, un réseau de neurones, par exemple un réseau de type complètement connecté (en anglais, Fully-connected neural network, FCNN), défini par et défini par l’ensemble de ses poids , est appliqué à chacun des vecteurs obtenus lors de l’étape précédente E1. Le réseau calcule une valeur indicative correspondant à un taux d’exposition instantané de la pièce à l’usure selon la formule :

Cette valeur indicative du taux d’exposition de la pièce à l’usure lors d’un vol peut alors être assimilée à une durée, dans le sens où elle peut être cumulée par une simple somme pour obtenir une valeur indicative de l’exposition de la pièce à l’usure pour un ensemble de vols. Elle permet également de prendre en compte d’autres informations en plus de celle correspondant à la durée, puisque son calcul est réalisé par un réseau de neurones à partir d’un ensemble des données collectées comprenant les données de vol ainsi que les données supplémentaires. La valeur indicative du taux d’exposition calculée tient alors compte des conditions dans lesquelles les vols ont été effectués.

Comme les données d’entrée comprises dans le vecteur peuvent disposer d’une topologie spécifique, c’est-à-dire des dépendances entre différentes valeurs (par exemple les différentes valeurs de pression et de température mesurées par les capteurs de la turbomachine dépendent notamment de se vitesse de rotation, de son rendement etc.), une architecture neuronale adaptée comme des réseaux convolutifs peut être utilisée, ce type d’architecture étant particulièrement adapté pour traiter les données comprenant des dépendances. Ce peut être le cas quand en entrée on dispose de données temporelles (durant le vol) ou spatiales (en fonction de la position dans le moteur).

Une troisième étape E3 consiste à utiliser un modèle de probabilité paramétrique , typiquement une loi de Weibull communément utilisée pour estimer la durée de vie d’un équipement, afin d’évaluer le niveau d’usure de la pièce. La densité de la loi de Weibull est définie de la façon suivante :

Avec appelé paramètre de forme, et appelé paramètre d’échelle de la distribution. La valeur correspond au taux d’exposition total pendant la vie de la turbomachine, obtenu à partir des valeurs indicatives du taux d’exposition cumulées du réseau de neurones à l’étape E2.

Il paraitra toutefois évident que n’importe quel modèle adapté peut être utilisé (par exemple une loi exponentielle). Ce modèle de probabilité paramétrique prend comme valeur d’entrée les valeurs indicatives du taux d’exposition cumulées de l’exposition d’une pièce à l’usure calculée pour chacun des vols réalisés par l’aéronef lors de l’étape E2 précédente. Le niveau d’usure est ainsi calculé selon la formule :

où et sont respectivement les probabilités et fonctions de répartition de la loi de Weibull .

Le niveau d’usure ainsi calculé peut alors prendre plusieurs formes, soit une valeur indicative d’un pourcentage d’usure de la pièce (0% : la pièce est neuve, 100% la pièce n’est plus fonctionnelle), soit une valeur binaire indicative d’un statut fonctionnel ou dysfonctionnel de la pièce.

Le niveau d’usure obtenu peut être utilisé afin de décider de réaliser une inspection plus poussée de la pièce pour identifier si elle doit être remplacée ou non. Ce procédé permet ainsi de réduire le nombre d’inspections systématiques réalisées sur la turbomachine et de ne les réaliser que lorsqu’elles sont vraiment pertinentes, réduisant ainsi les temps d’immobilisations et les coûts de maintenance.

La valeur telle que s’apparente à un compteur de potentiel (CDM ou Cumulative Damage Model en anglais), mais contrairement aux calculs effectués habituellement, celui-ci dépend non pas d’un temps ou d’un nombre de cycles mais du résultat d’un cumul de taux d’exposition par vol estimé spécifiquement pour le problème d’usure considéré.

Entrainement du réseau de neurones et du modèle paramétrique

Afin d’entrainer le réseau de neurone ainsi que le modèle précédemment décrit, une base d’entrainement peut être constituée à partir des données de vols stockées dans la base de données décrite précédemment et des données d’usure ponctuelles obtenues lors d’inspections des turbomachines considéré. Ces données d’usure ponctuelles peuvent correspondre par exemple à une note représentant l’état d’usure de la pièce, ou à une classification, par exemple « usée » et « non usée ».

On obtient alors des exemples d’entrainements comprenant des données de vol et des données supplémentaires relatives à l’ensemble des vols réalisés par l’aéronef ainsi que des données correspondant à l’inspection des pièces. Ces exemples sont alors utilisés afin de calculer un niveau d’usure selon le procédé précédemment décrit. Une fonction de coût (par exemple l’entropie croisée, écart de Kullback-Leiber) est ensuite calculée afin d’estimer l’erreur réalisée par le modèle de probabilité paramétrique. Les poids du réseau de neurones ainsi que les paramètres de forme et d’échelle de la loi de Weibull sont ensuite optimisés selon une méthode d’apprentissage par descente de gradient, ou une variante de cet algorithme (ADAM, AdaGrad, RMSPropo, etc.), afin de minimiser les valeurs de la fonction de coût.

Cas de l’estimation de l’usure d’une pluralité de pièces identiques

Afin d’évaluer l’usure d’une pluralité de pièces de matériau similaire mais disposées à des endroits différents, une variante du procédé pour évaluer l’usure de ces pièces, représenté en figure 3b est proposée. La première étape est similaire à l’étape E1 précédemment décrite à savoir collecter un ensemble de données relatives aux vols réalisés par un aéronef et définir un vecteur de valeurs numériques pour chacun des vols i. Mais la deuxième étape E2 introduit des réseaux de neurones différents mais d’architectures similaires (avec des poids différents). Chacun de ces réseaux produit une valeur indicative cumulée du taux d’exposition à l’usure pour chacune des pièces. La troisième étape E3 utilise le même modèle de probabilité paramétrique (paramètres d’échèle et de forme identiques) pour chacune des pièces afin de calculer un niveau d’usure adapté à chacune des pièces à partir de la valeur indicative cumulée du taux d’exposition relatifs à l’usure de chacune des pièces. Le modèle de probabilité paramétrique utilisé est le même que celui développé lors de l’étape E3 du procédé d’évaluation de l’usure d’une seule pièce.

Cette variante permet ainsi de tenir compte du fait que des pièces similaires, subissant lors du fonctionnement de l’aéronef, en théorie la, même usure, ne seront pas usées de la même façon si elles sont soumises à des conditions de fonctionnement différentes.

Ainsi, le niveau d’usure de chacune des pièces est calculé selon la fonction suivante :

Avec le réseau de neurones associé à la pièce .

Comme les pièces étudiées sont similaires, ce calcul parallèle permet de capitaliser les informations issues des différentes pièces pour augmenter le volume de données disponible pour l’apprentissage et donc améliorer l’estimation des paramètres de la distribution de loi utilisée en sortie (par exemple, ici la loi de Weibull avec les paramètres et ).

En outre, afin de modéliser le fait que l’usure d’une pièce au cours d’un vol peut dépendre de l’état actuel de la pièce et donc des vols réalisés précédemment, le réseau de neurones utilisé peut être modifié afin de comprendre un sous-réseau de type réseau de neurone récurrent (par exemple en incluant un bloc de type LSTM ou GRU) calculant ainsi une valeur supplémentaire, appelée vecteur d’état caché (variable latente ou en anglais hidden state vector) représentatif de l’état du moteur. Cette variante permet ainsi de mieux représenter le fonctionnement réel des mécanismes d’usure ayant lieux lors du fonctionnement du moteur.

Claims (10)

1. Procédé d’évaluation de l’usure d’au moins une pièce d’une turbomachine d’un aéronef comprenant :
   a) Une étape (E1) de collecte d’un ensemble de données comprenant des données de vol relatives à des paramètres de fonctionnement d’un aéronef, et des données supplémentaires, relatives à des vols réalisés par l’aéronef ;
   b) Une étape (E2) de calcul au moyen d’un réseau de neurones d’une valeur indicative d’un taux d’exposition instantanée d’une pièce de la turbomachine de l’aéronef à l’usure à partir de l’ensemble de données collectées pour chaque vol réalisé par l’aéronef ;
   c) Une étape (E3) d’évaluation au moyen d’un modèle de probabilité paramétrique du niveau d’usure de la pièce à partir d’une valeur indicative du taux d’exposition cumulée de la pièce, la valeur indicative du taux d’exposition cumulée étant calculée à partir des valeurs indicatives du taux d’exposition calculées par le réseau de neurones pour chaque vol réalisé par l’aéronef.
2. Procédé d’évaluation de l’usure d’une pièce selon la revendication 1, dans lequel le réseau de neurones est défini par un ensemble de poids et le modèle de probabilité paramétrique par des paramètres, lesdits poids du réseau de neurones et lesdits paramètres du modèle de probabilité paramétrique étant déterminés simultanément lors d’une phase d’entrainement selon une méthode d’apprentissage par rétropropagation de gradient.
3. Procédé d’évaluation de l’usure d’une pièce selon l’une des revendications 1 ou 2, dans lequel le réseau de neurones utilisé comprend un sous-réseau de type complètement connecté ou convolutif.
4. Procédé d’évaluation de l’usure d’une pièce selon l’une des revendications 1 à 3, dans lequel le réseau de neurones utilisé comprend un sous-réseau de type réseau de neurones récurrent.
5. Procédé d’évaluation de l’usure d’une pièce selon l’une des revendications 1 à 4, dans lequel le modèle paramétrique est une loi de Weibull.
6. Procédé d’évaluation de l’usure, selon l’une des revendications 1 à 5, dans lequel l’étape b) comprend un réseau de neurone différent pour chacune des pièces ;
   et dans lequel à l’étape c) le même modèle de probabilité paramétrique est utilisé pour chacune des pièces.
7. Procédé d’évaluation de l’usure d’une pluralité de pièce selon la revendication 6, dans lequel toutes les pièces de la pluralité de pièces sont constitué en tout ou partie du même matériau.
8. Dispositif d’évaluation de l’usure d’une pièce d’une turbomachine d’un aéronef comprenant :
   - des moyens de collecte de données (5) configurés pour collecter un ensemble de données comprenant des données de vol relatives à des paramètres de fonctionnement d’un aéronef, et des données supplémentaires, relatives à des vols réalisés par l’aéronef ;
   - des moyens de calculs (11, 21) configurés pour :
   calculer au moyen d’un réseau de neurones une valeur indicative d’un taux d’exposition instantanée d’une pièce de la turbomachine de l’aéronef à l’usure à partir de l’ensemble de données collectées pour chaque vol réalisé par l’aéronef,
   évaluer au moyen d’un modèle de probabilité paramétrique un niveau d’usure de la pièce à partir d’une valeur indicative du taux d’exposition cumulée de la pièce, la valeur indicative du taux d’exposition cumulée étant calculée à partir des valeurs indicatives du taux d’exposition calculées par le réseau de neurones pour chaque vol réalisé par l’aéronef ;
   - des moyens de stockage configurés pour stocker un ensemble de poids définissant le réseau de neurones, ainsi que des paramètres définissant le modèle de probabilité paramétrique.
9. Produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé d’évaluation de l’usure d’une pièce selon l’une des revendications 1 à 5, ou d’un procédé d’évaluation de l’usure d’une pluralité de pièce selon l’une des revendications 6 ou 7 lorsque ledit programme est exécuté sur un ordinateur.
10. Moyen de stockage lisible par un équipement informatique sur lequel est enregistré un produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé d’évaluation de l’usure d’une pièce selon l’une des revendications 1 à 5, ou d’un procédé d’évaluation de l’usure d’une pluralité de pièce selon l’une des revendications 6 ou 7 lorsque ledit programme est exécuté sur un ordinateur.