FR3134451A1

FR3134451A1 - Détection et correction de biais de mesure dans des données mesurées au moyen d’équipements d’essais interchangeables de même type

Info

Publication number: FR3134451A1
Application number: FR2203265A
Authority: FR
Inventors: Jérome Henri Noël LACAILLE; Alex Charles MOURER
Original assignee: Safran Aircraft Engines SAS
Current assignee: Safran Aircraft Engines SAS
Priority date: 2022-04-08
Filing date: 2022-04-08
Publication date: 2023-10-13
Anticipated expiration: 2042-04-08
Also published as: FR3134451B1

Abstract

DÉTECTION ET CORRECTION D E BIAIS DE MESURE DANS DES DONNÉES MESURÉES AU MOYEN D’ÉQUIPEMENTS D’ESSAIS INTERCHANGEABLES DE MÊME TYPE Un aspect de l’invention concerne un procédé de détection (1) de biais de mesure induits dans des données par un ensemble d’équipements d’essais interchangeables, le procédé comprenant la réalisation, une pluralité de fois, sur un agent de classification, des étapes suivantes : diviser (132) l’ensemble des données de mesure en des données d’apprentissage et des données de validation ;entrainer (133) l’agent de classification à partir des données d’apprentissage ;estimer (134) la qualité de classification des données de validation par l’agent de classification dans des groupes distincts, chaque groupe étant associé à un équipement d’essais ; les biais de mesure étant détectés lorsqu’une métrique calculée à partir de la qualité de classification est supérieure ou égale à un seuil. Figure à publier avec l’abrégé : Figure 8

Description

DÉTECTION ET CORRECTION DE BIAIS DE MESURE DANS DES DONNÉES MESURÉES AU MOYEN D’ÉQUIPEMENTS D’ESSAIS INTERCHANGEABLES DE MÊME TYPE

DOMAINE TECHNIQUE DE L’INVENTION

Le domaine technique de l’invention est celui de la caractérisation de pièces mécaniques destinées à être montées dans un aéronef, tels qu’un moteur ou un turbomoteur, lesdites pièces mécaniques étant caractérisées au moyen d’équipements d’essais interchangeables de même type, c’est-à-dire qui peuvent être remplacées par un autre équipement d’essais de même type. Le domaine technique concerne plus particulièrement la détection de biais de mesure dans des données mesurées au moyen d’un ensemble d’équipement d’essais interchangeables. Le domaine technique de l’invention concerne également la correction de ces données.

ARRIÈRE-PLAN TECHNOLOGIQUE DE L’INVENTION

À chaque fois qu'une pièce mécanique, par exemple un moteur pour aéronef, est fabriqué, il est caractérisé au moyen d’un équipement d'essais afin de déterminer si ses caractéristiques sont conformes avec des caractéristiques attendues. Dans la positive, ladite pièce mécanique est installée et utilisée, par exemple dans un aéronef. Dans la négative, des actions de corrections peuvent être prises pour déterminer et remédier à la cause de la non-conformité.

Plusieurs équipements d’essais peuvent être mis en œuvre pour réaliser l’acquisition des données de mesures d’une pièce mécanique. Dans le cas d’un moteur, les équipements d’essais utilisés peuvent, par exemple et de manière non limitative, être un banc de mesure, une nacelle, une buse d’entrée d’air et une tuyère principale. Certains équipements ont la particularité d’être interchangeables, c’est-à-dire qu’ils peuvent être remplacés par un équipement de même type (ou de même catégorie). L’acquisition de données sur un turbomoteur peut par exemple être réalisée au moyen d’une première nacelle ou au moyen d’une deuxième nacelle, montée en lieu et place de la première nacelle.

Utiliser des équipements d’essais interchangeables permet de mutualiser des équipements complexes et/ou onéreux entre plusieurs lignes de caractérisation. Le désavantage est que les essais ne sont pas toujours réalisés dans des conditions rigoureusement identiques. Les équipements d’essais interchangeables sont par exemple choisis parmi un ensemble d’équipements d’essais interchangeables en fonction de leurs disponibilités (temporelle ou géographique). Ainsi, les caractéristiques de différentes pièces mécaniques sont obtenues avec des équipements d’essais sensiblement différents. Par exemple, une première pluralité de moteurs est caractérisée avec une première nacelle et une seconde pluralité de moteurs est caractérisée avec une deuxième nacelle (les autres équipements, tels que le banc, la buse et la tuyère, pouvant rester inchangés). Or, chaque équipement d’essai peut induire un biais de mesure qui peut avoir un effet non négligeable sur les données de chaque pièce et empêcher ainsi leur comparaison.

Le brevet EP 3 454 034 décrit une méthode d’identification de tendances de production à travers le suivi temporel d’une mesure appliquée à la caractérisation de moteurs pour aéronef. La méthode consiste notamment à modéliser une évolution temporelle d’une donnée de mesure et estimer un écart (c’est à dire un biais de mesure) entre l’évolution temporelle de la donnée de mesure et sa valeur effective. La donnée de mesure est ensuite corrigée du biais estimé. Cette méthode permet ainsi de pouvoir comparer des mesures obtenues sur différents équipements d’essais. En revanche, cette opération nécessite une modélisation, à priori, de l’évolution temporelle des données mesures, ce qui peut pénaliser la détection des biais de mesure. Par exemple, cette méthode ne permet pas de savoir si un biais de mesure est effectivement introduit par un équipement d’essais ou non et s’il y a lieu de corriger les données de mesure.

Par biais de mesure dans une donnée, on entend une différence entre la valeur attendue de cette donnée et la valeur effectivement mesurée de cette donnée par un équipement d’essai particulier.

Il existe donc un besoin détecter un biais de mesure dans des données mesurées au moyen d’un ensemble d’équipements d’essais interchangeables sans nécessiter la modélisation de l’évolution temporelle des données.

Pour cela, l’invention concerne un procédé de détection de biais de mesure induits dans un ensemble de données de mesure par un ensemble d’équipements d’essais interchangeables de même type, l’ensemble des données de mesure étant mesuré sur une pluralité de pièces mécaniques, chaque donnée étant mesurée sur une pièce mécanique de la pluralité de pièces mécaniques au moyen d’un équipement d’essais interchangeable de l’ensemble d’équipements d’essais interchangeables, chaque pièce mécanique de la pluralité de pièces mécaniques étant associée à une donnée de mesure de l’ensemble des données de mesure, au moins deux équipements d’essais interchangeables de l’ensemble d’équipements d’essais interchangeables étant utilisés pour mesurer l’ensemble des données de mesure, le procédé comprenant les étapes suivantes :

réaliser une pluralité de fois, par exemple cent fois, sur un agent de classification :
- répartir aléatoirement les données de mesure ;
- diviser l’ensemble des données de mesure en un premier sous-ensemble de données de mesure, dites « données d’apprentissage » et un deuxième sous-ensemble de données de mesure, dites « données de validation » ;
- entrainer l’agent de classification, de manière supervisée, à partir des données d’apprentissage de sorte qu’il soit capable de les classer dans une pluralité de groupes distincts, chaque groupe distinct étant associé à un équipement d’essais interchangeable de l’ensemble d’équipements d’essais interchangeables ;
- estimer, pour chaque groupe distinct, un score représentatif de la qualité de classification des données de validation par l’agent de classification ;
déterminer une métrique à partir d’au moins un score estimé, les biais de mesure étant détectés lorsque la métrique est supérieure ou égale à un seuil.

Par équipements d’essais interchangeables de même type, on entend des équipements d’essais configurés pour réaliser la même fonction.

Par agent de classification, on entend une intelligence artificielle configurée pour classer des données dans des groupes distincts.

La qualité de classification est proportionnelle à un taux de données correctement classées dans chaque groupe distinct. Autrement dit, chaque donnée est classée dans le groupe associé à l’équipement d’essais interchangeable au moyen duquel elle a été obtenue.

L’agent de classification peut classer les données de validation s’il est en mesure de discerner des signatures particulières dans lesdites données, chaque signature particulière étant associée à un groupe distinct. Lorsque l’agent de classification est en mesure de fournir une classification de bonne qualité des données de validation, alors le degré de dépendance entre les données de validation et les signatures particulières est élevé. Autrement dit, il est aisé pour l’agent de classer ces données correctement. Au contraire, lorsque l’agent de classification fournit une classification de moindre qualité, alors le degré de dépendance entre les données de validation et les signatures particulières est faible, voire nul. Les signatures particulières transparaissent peu ou pas dans les données de validation et l’agent n’est pas en mesure de classer correctement les données. Les scores représentatifs de la qualité de classification calculés à chaque itération indiquent donc le degré de dépendance des données de validation vis-à-vis de la pluralité de signatures particulières.

Puisque chaque groupe distinct est associé à un équipement d’essais interchangeable, alors chaque signature particulière permettant le classement est attribuable à un biais de mesure introduit par l’équipement d’essais interchangeable. La qualité de la classification indique donc le degré de dépendance de chaque donnée de validation vis-à-vis de l’équipement d’essais interchangeable au moyen duquel elle a été obtenue.

Ainsi, si la qualité de classification est faible, alors les biais de mesure introduits par les équipements d’essais interchangeables sont faiblement, voire pas, distinguables. En revanche, si la qualité de classification est élevée, alors les biais de mesure introduits par les équipements d’essais interchangeables sont élevés et influencent fortement les données à classer.

La métrique fournit une indication quant à l’influence des équipements d’essais interchangeables sur les données de mesure. Le seuil permet de définir une influence des équipements d’essai sur les données de mesure que l’on considère détectable. Autrement dit, le seuil permet d’ajuster une sensibilité de détection du procédé de détection. Par exemple, un seuil élevé permet de réduire la sensibilité de détection des biais de mesure, tandis qu’un seuil bas augmente la sensibilité de détection.

Le procédé permet donc de détecter des biais de mesure dans des données de mesures. Il permet ainsi de déterminer s’il est utile de réaliser une correction des données de mesure ou non.

Le seuil est avantageusement strictement supérieur à une métrique prédéterminée et préférentiellement supérieur ou égal à 1,2 fois la métrique prédéterminée. Ladite métrique prédéterminée correspondant par exemple à un classement aléatoire des données de validation. De préférence, le seuil est supérieur ou égal à 60%.

Avantageusement, la métrique est déterminée à partir d’une moyenne des scores estimés lors de la dernière itération de l’étape d’estimation. Selon un développement, la métrique peut également être déterminée à partir d’une moyenne des scores estimés lors de chaque itération de l’étape d’estimation.

Avantageusement, le rapport entre le nombre de données d’apprentissage et le nombre de données de validation est compris entre 1,5 et 10 et préférentiellement entre 2 et 3, par exemple sensiblement égal à 2,3. Par sensiblement égal, on entend égal à 10% près, voire à 5% près.

Avantageusement, l’agent de classification est basé sur un modèle d’analyse discriminante linéaire ou sur un modèle de forêts aléatoires.

Avantageusement, le procédé de détection comprend, avant la réalisation, une pluralité de fois, sur l’agent de classification, des étapes de répartition, division, entraînement et estimation, les étapes suivantes :

ajuster une fonction temporelle sur les données de mesure de manière à obtenir une fonction temporelle ajustée, dite « tendance de production », la fonction temporelle étant dépendante des instants où chaque donnée de mesure a été mesurée ; et
soustraire la tendance de production des données de mesure.

Les biais de mesure introduits par les équipements d’essais interchangeables ne sont pas censés dépendre de l’instant où une mesure est réalisée. Ainsi, retirer la tendance de production des données de mesure permet de supprimer une information qui n’est pas attribuable aux équipements d’essais interchangeables tout en évitant que la classification ne soit influencée par cette variation. En revanche, soustraire la tendance de production aux données de mesure ne corrige pas les biais de mesure attribuables aux équipements d’essais interchangeables.

Avantageusement, l’ajustement de la fonction temporelle sur les données de mesure est réalisé suivant une méthode des moindres carrés.

Avantageusement, la fonction temporelle à ajuster est définie par morceau. Il s’agit par exemple d’une spline, de préférence cubique.

Avantageusement, la fonction temporelle dépend également d’un paramètre de lissage, avantageusement pris en compte lors de l’ajustement de la fonction temporelle sur les données de mesure.

Avantageusement, le procédé de détection comprend, avant l’étape d’ajustement de la fonction temporelle sur les données de mesure, les étapes suivantes :

sélectionner un équipement d’essais interchangeable, dit « équipement de référence », parmi l’ensemble d’équipements d’essais interchangeables ; et
isoler les données de mesure, dites « données de référence », obtenues au moyen dudit équipement de référence,

la fonction temporelle étant ajustée sur les données de référence.

Avantageusement, chaque pièce mécanique est un moteur d’aéronef.

Avantageusement, l’ensemble d’équipements d’essais interchangeables est un ensemble de nacelles ou un ensemble de bancs ou un ensemble de buses d’air ou un ensemble de tuyères principales.

Avantageusement, les données de mesure sont des données de poussées, de débit ou de température.

Avantageusement, l’invention concerne également un programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé de détection selon l’invention.

Avantageusement, l’invention concerne aussi un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé de détection selon l’invention.

L’invention concerne également un procédé de correction de biais de mesure induits dans un ensemble de données de mesure par un ensemble d’équipements d’essais interchangeables de même type, l’ensemble des données de mesure étant mesuré sur une pluralité de pièces mécaniques, chaque donnée étant mesurée sur une pièce mécanique de la pluralité de pièces mécaniques au moyen d’un équipement d’essais interchangeable de l’ensemble d’équipements d’essais interchangeables, chaque pièce mécanique de la pluralité de pièces mécaniques étant associée à une donnée de mesure de l’ensemble des données de mesure, au moins deux équipements d’essais interchangeables de l’ensemble d’équipement d’essais interchangeables étant utilisés pour mesurer l’ensemble des données de mesure, le procédé comprenant les étapes suivantes :

détecter des biais de mesure dans l’ensemble des données de mesure au moyen du procédé de détection selon l’invention ;

lorsque des biais de mesure sont détectés, réaliser, pour chaque équipement d’essai interchangeable de l’ensemble d’équipements d’essais interchangeables, les étapes suivantes :

isoler les données de mesure obtenues au moyen dudit équipement d’essais interchangeable ;
identifier les pièces mécaniques dont sont issues lesdites données isolées ;
ajuster une fonction temporelle sur lesdites données isolées en fonction des instants où chaque donnée isolée a été mesurée, de manière à obtenir une fonction temporelle ajustée correspondant à un biais de mesure induit par ledit équipement d’essais interchangeable dans les données isolées ; et
soustraire ledit biais de mesure des dites données isolées de manière à former des données isolées corrigées ;

les données de mesure corrigées des biais de mesure sont formées par chaque donnée isolée corrigée.

On peut ainsi comparer les données de mesure corrigées entre elles, même si elles sont obtenues avec des équipements d’essais interchangeables différents.

Avantageusement, la fonction temporelle est définie par morceau. Il s’agit par exemple d’une spline, de préférence cubique. Une spline cubique est aisément ajustable sur les données de mesure lorsque celles-ci comprennent des périodes pendant lesquelles des équipements d’essais sont en maintenance. En effet, un équipement d’essai interchangeable peut être immobilisé pendant une période de maintenance. Les données de mesure ne sont donc plus mesurées au moyen de cet équipement pendant la période de maintenance. De plus, le biais introduit par cet équipement d’essai après la période de maintenance peut être différent du biais précédent la période de maintenance. La spline cubique permet donc la prise en compte de l’effet des périodes de maintenance des équipements sur les données de mesure.

La spline est avantageusement lissée.

Avantageusement, le procédé de correction comprend également, les étapes complémentaires :

retirer une tendance de production des données de mesure isolées avant de réaliser les étapes de correction ; et
ajouter ladite tendance de production aux données de mesure corrigées des biais de mesure.

La conservation d’une tendance de production permet de comparer des données de mesure corrigées entre elles pour discriminer une éventuelle dérive de production.

Avantageusement, le procédé de correction comprend également l’étape suivante :

vérifier la correction des biais de mesure au moyen du procédé de détection selon l’invention, les données considérées par ledit procédé de détection étant les données de mesure corrigées des biais de mesure.

Les biais de mesure peuvent être induits par un ensemble d’équipements d’essais interchangeables de même type. Avantageusement, l’étape de détection des biais de mesure est réalisée pour chaque ensemble d’équipements d’essais interchangeables de même type. Les étapes de correction sont avantageusement réalisées pour chaque équipement d’essais interchangeable de chaque ensemble d’équipements d’essais interchangeables.

Les données de mesure sont ainsi corrigées séquentiellement en retirant tour à tour les biais de mesure associés à chaque ensemble d’équipements d’essais interchangeables.

Avantageusement, l’invention concerne également un programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé de correction selon l’invention.

Avantageusement, l’invention concerne aussi un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé de correction selon l’invention.

BRÈVE DESCRIPTION DES FIGURES

L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent. Les figures sont présentées à titre indicatif et nullement limitatif de l’invention. Sauf précision contraire, un même élément apparaissant sur des figures différentes présente une référence unique.

représente schématiquement un exemple de dispositif de caractérisation comprenant des équipements d’essais interchangeables et des ensembles d’équipements d’essais interchangeables du même type.

représente un exemple de fréquence d’utilisation de chaque équipement d’essais interchangeable d’un ensemble d’équipements d’essais interchangeables de même type, en particulier un ensemble de nacelles.

représente un exemple de fréquence d’utilisation de chaque équipement d’essais interchangeable d’un ensemble d’équipements d’essais interchangeables de même type, en particulier un ensemble de buses d’air.

représente un exemple de fréquence d’utilisation de chaque équipement d’essais interchangeable d’un ensemble d’équipements d’essais interchangeables de même type, en particulier un ensemble de bancs.

représente un exemple de fréquence d’utilisation de chaque équipement d’essais interchangeable d’un ensemble d’équipements d’essais interchangeables de même type, en particulier un ensemble de tuyères primaires.

représente un exemple de variance calculée pour une pluralité de données de mesure obtenues sur une pluralité de pièces mécaniques et en fonction de quatre ensembles d’équipements d’essais interchangeables.

représente un exemple de données de mesure, labellisées « CF18-6 », en fonction des instants des essais, obtenues sur une pluralité de pièces mécaniques et au moyen d’un ensemble d’équipements d’essais interchangeables, en l’occurrence un ensemble de nacelles.

représente schématiquement un mode de mise en œuvre d’un procédé de détection selon l’invention

représente un exemple de données de mesure, labellisées « CF18-6 », en fonction des instants des essais, obtenues sur une pluralité de pièces mécaniques et au moyen d’un équipement d’essais interchangeable particulier, en l’occurrence une nacelle.

représente schématiquement un mode de mise en œuvre d’un procédé de correction selon l’invention

représente un exemple de données de mesure obtenues au moyen d’un ensemble d’équipements d’essais interchangeables, lesdites données de mesures n’étant pas corrigées des biais de mesure.

représente un exemple de données de mesure obtenues au moyen d’un ensemble d’équipements d’essais interchangeables, lesdites données de mesures étant corrigées des biais de mesure par la mise en œuvre du procédé de la . L’échelle de l’ordonnée de la est identique à l’échelle de l’ordonnée de la .

DESCRIPTION DÉTAILLÉE

La représente schématiquement un montage permettant de réaliser au moins une mesure sur une pièce mécanique 90. Il s’agit par exemple d’un dispositif de caractérisation ou dispositif d’essai, configuré pour réaliser une étude de conformité d’un moteur pour aéronef.

La pièce mécanique 90 est par exemple une turbomachine pour aéronef, par exemple un moteur ou un turbomoteur pour aéronef. Il peut également s’agir d’une pièce structurelle telle qu’un arbre, une plaque, une tôle ou un assemblage de tels éléments. Il peut également s’agir d’un dispositif électronique comprenant par exemple un calculateur, un actionneur ou encore une sonde. Par exemple, le dispositif de caractérisation peut être utilisé pour réaliser des mesures définies telles que des mesures de poussée, de débit ou encore de température sur un moteur d’aéronef.

Le dispositif de caractérisation comprend, dans cet exemple, quatre équipements d’essais 811, 820, 830, 840 de types différents, en interaction avec la pièce mécanique 90. Il s’agit ici d’une nacelle 811, d’un banc de mesure 820, d’une buse d’air 830 et d’une tuyère primaire 840. Ces équipements servent par exemple à simuler l’interaction de la pièce mécanique 90 avec un aéronef, par exemple d’un turbomoteur avec un aéronef. De la sorte, les données mesurées sur la pièce mécanique 90 sont plus fidèles à un cas d’utilisation de ladite pièce mécanique 90. Le dispositif de caractérisation peut bien évidement comprendre un seul ensemble d’équipements d’essais ou plus de quatre ensembles d’équipements d’essais sans que cela n’affecte le principe de l’invention décrite ici. Le dispositif de caractérisation peut également comprendre des équipements complémentaires non interchangeables, tels qu’une tuyère secondaire.

Chaque équipement d’essais est dit interchangeable en ce qu’il peut être remplacé par un autre équipement de même type ou de même catégorie. Chaque équipement d’essais interchangeable (que l’on appellera également seulement équipement interchangeable ou équipement) fait partie d’un ensemble d’équipements d’essais interchangeables de même type. Un ensemble d’équipements interchangeables comprend donc plusieurs équipements du même type. La montre par exemple que la nacelle 811 a été sélectionnée parmi un ensemble 81 de trois nacelles 811, 812, 813 (dont la nacelle mise en œuvre dans l’équipement d’essai). Chacune des nacelles dudit ensemble 81 peut être montée sur le dispositif de caractérisation. Chacun des autres équipements d’essais interchangeables 820, 830, 840 du dispositif de caractérisation est sélectionné, selon le même principe, parmi un ensemble 82, 83, 84 d’équipements interchangeables. Chaque ensemble 81, 82, 83, 84 d’équipements interchangeables comprend alors une pluralité d’équipements interchangeables (c’est-à-dire plusieurs équipements du même type). Par exemple : l’ensemble 81 de nacelles comprend trois nacelles 811, 812, 813 ; l’ensemble 82 de bancs comprend deux bancs ; l’ensemble 83 de buses comprend trois buses ; et l’ensemble 84 de tuyères primaires comprend trois tuyères primaires.

La pièce mécanique 90 caractérisée au moyen du dispositif de caractérisation de la est sélectionnée parmi une pluralité 9 de pièces mécaniques 90. Dans un exemple appliqué à la caractérisation de turbomoteurs, le nombre de pièces mécaniques est par exemple égal à 591. Chaque pièce mécanique 90 est, par exemple, caractérisée au moyen d’un dispositif de caractérisation assemblé à partir des quatre ensembles 81, 82, 83, 84 d’équipements d’essais interchangeables.

Les équipements d’essais interchangeables sont sélectionnés en fonction de leurs disponibilités, soit parce qu’un des équipements est utilisé dans un autre dispositif de caractérisation, soit parce qu’il est situé sur un autre site. Les , , et représentent un exemple de fréquences d’utilisation d’équipements interchangeables de quatre ensembles d’équipements différents. Il s’agit, en l’occurrence, de nacelles interchangeables, de bancs interchangeables, de buses d’air interchangeables et de tuyères primaires interchangeable. La montre par exemple que 45 % des 591 pièces mécaniques 90 (des turbomoteurs en l’occurrence) ont été caractérisées sur un premier banc tandis que 55 % des 591 pièces mécaniques 90 ont été caractérisées sur un deuxième banc. Les , et montrent que les caractérisations sur chaque banc ont été réalisées avec des configurations de nacelles, buses et tuyères différentes.

Un dispositif de caractérisation, tel qu’illustré à la , assemblé à partir d’équipements interchangeables provenant de quatre ensembles 81, 82, 83, 84, permet avantageusement de réaliser une pluralité de mesures. Appliqué à la caractérisation d’un turbomoteur, il peut s’agir de mesures de :

vitesses de rotation dans deux plans ;
débit massique dans deux plans ;
poussée et/ou puissance ;
coefficient de vitesse et/ou de débit dans une tuyère secondaire ;
pression normalisée ou non, dans deux plans ;
rapport desdites pressions entre les deux plans ;
températures au niveau de plusieurs plans ; et/ou
l’écart desdites températures entre ces plans ou par rapport à une valeur théorique.

Certaines des données mesurées peuvent être corrigées par un modèle, par exemple thermodynamique, rendant compte d’un contexte météorologique.

Les mesures sont avantageusement réalisées dans des conditions de fonctionnement définies de manière à pouvoir comparer les différentes pièces mécaniques 90 en les plaçant dans des conditions identiques. Il s’agit, par exemple, d’un niveau de poussée ou de puissance fixée. Ces conditions de fonctionnement peuvent être appelées « points stabilisés ». Les différentes mesures sont alors réalisées pour plusieurs points stabilisés différents. Les points stabilisés sont généralement considérés dans un ordre croissant de niveau de poussée ou de niveau de puissance.

Étant donné que le nombre de pièces mécaniques 90 peut être élevé, il est possible de calculer une variance associée à chaque ensemble 81, 82, 83, 84 d’équipements d’essais interchangeables.

La représente un exemple de variance calculée pour 591 turbomoteurs et pour chacun des ensembles d’équipements d’essais interchangeables (en l’occurrence un ensemble de nacelles, un ensemble de bancs, un ensemble de buses et un ensemble de tuyères). Un total de 14 mesures a été réalisé sur chacun des 591 turbomoteurs et pour 6 points stabilisés différents (les étiquettes de l’abscisse comprennent le nom d’une mesure concaténée avec un indice du point stabilisé considéré). Dans cet exemple, la variance associée aux nacelles interchangeables atteint, pour certains types de mesure, des valeurs élevées (supérieure à 0,2). Les données permettent d’observer une forte dispersion dans les données de mesures. Toutefois, il n’est pas possible, à première vue, de déterminer s’il s’agit d’une dispersion causée par un des équipements d’essais (par exemple une nacelle particulière) ou si cette dispersion est attribuable à une dérive de fabrication des turbomoteurs.

La représente un coefficient de débit mesuré au niveau d’une tuyère secondaire (nommé « CF18 ») sur 591 moteurs différents. Les mesures ont été réalisées au moyen de trois nacelles interchangeables. À titre illustratif, seul un point stabilisé a été considéré (un numéro du point stabilité est ajouté à l’étiquette de la donnée mesurée en ordonnée). L’abscisse correspond à l’instant où la mesure du coefficient de débit a été réalisée sur chacun des 591 moteurs (dit « instant d’essai »). Les mesures s’étendent ici sur les années 2018 et 2019. Les données (coefficients de débit) montrent une dispersion autour d’une tendance linéaire que l’on appelle tendance de production. La dispersion des données est également différente en fonction des nacelles considérées. Par exemple, les données obtenues au moyen de la nacelle n°1 (représentées par des triangles) présentent une dispersion plus élevée que les données obtenues au moyen de la nacelle n°3 (représentées par des ronds).

L’instant d’essai correspond par exemple au jour ou à l’heure où la donnée de mesure a été obtenue.

Plusieurs considérations peuvent être déduites des mesures telles qu’illustrées par la . Par exemple, les biais de mesure induits par des ensembles d’équipements d’essais interchangeables (donc des équipements d’essais de type différents) sont indépendants, c’est-à-dire qu’ils n’ont pas d’interactions les uns sur les autres. Ils faussent donc indépendamment les données mesurées. L’indépendance des biais de mesure entraînent que ces biais peuvent se cumuler.

Il peut exister une variation dépendante du temps des données mesurées que l’on appelle « tendance de production ». La tendance de production dépend de l’instant où chaque donnée est mesurée. Il ne s’agit pas d’un défaut ou d’un biais dans les données mesurées mais d’une information importante sur une dérive de la production/fabrication des pièces mécaniques 90. Il est donc préférable que la tendance de production ne soit pas supprimée des données mesurées lorsque celles-ci sont corrigées des autres biais de mesure.

Chaque type de données mesurées (par exemple une mesure de poussée ou une mesure de débit) peut présenter une tendance de production. En revanche, les tendances de production de plusieurs types de données mesurées sont indépendantes les unes des autres.

Considérons un ensemble de données mesurées sur une pluralité 9 de pièces mécaniques 90 à des instants (où . Chaque donnée est mesurée sur une pièce mécanique 90 différente, c’est à dire sur une pièce mécanique 90 parmi les pièces mécaniques 90. Chaque pièce mécanique 90 est associée à une donnée de mesure . Les mesures sont réalisées au moyen de ensembles 81, 82, 83, 84 comprenant équipements d’essais interchangeables de même type (où ). Chaque donnée mesurée peut alors s’écrire comme : où :

est l’indice de la donnée mesurée sur la pièce mécanique ( étant compris dans ) ;
est une constante représentant la valeur réelle, non biaisées, de la pièce mécanique ;
est le biais de mesure introduit par le au équipement interchangeable parmi les équipements d’essais interchangeables du ensemble d’équipements ( étant compris dans et étant compris dans ) ; et
est la tendance de production des données et correspond à une variation temporelle de l’ensemble des données de mesure par rapport aux instants où chaque donnée a été mesurée.

Au moins deux équipements d’essais interchangeables de chaque ensemble d’équipement d’essais interchangeables sont utilisés pour mesurer l’ensemble des données de mesure

Les biais de mesure pour différents ensembles d’équipements sont considérés comme indépendants les uns des autres. De plus, les tendances de production pour différents types de mesure sont également considérées comme indépendantes les unes des autres.

La détection et/ou la correction des biais de mesure peut donc être réalisée de manière indépendante pour chaque type de mesure et pour chaque ensemble d’équipements d’essais. En ne considérant qu’un seul ensemble d’équipements, les données de mesure deviennent :

À titre illustratif, on considèrera par exemple l’ensemble 81 de nacelles interchangeables 811, 812, 813 de la dans la suite de cet exposé.

Avant de corriger un quelconque biais de mesure, on souhaite d’abord détecter la présence de biais de mesure dans les données de mesure afin de savoir si une correction est nécessaire ou non. En d’autres termes, on souhaite donc savoir si

Dans la positive, les données de mesure ne nécessitent pas de correction. Dans la négative, des biais de mesure sont détectés, alors une correction des données de mesure pourra être réalisée.

La représente schématiquement un procédé de détection 1 selon l’invention. Le procédé de détection 1 permet de détecter des biais de mesure induits dans l’ensemble des données de mesure par les équipements d’essais interchangeables d’un même type d’un ensemble d’équipements. Chaque donnée de mesure est mesurée sur une pièce mécanique 90 parmi la pluralité 9 de pièces mécaniques 90. Chaque donnée de mesure est obtenue au moyen d’un équipement interchangeable parmi les équipements interchangeables de l’ensemble d’équipements interchangeables. Les mesures de débit de la constituent un bon exemple d’un ensemble de données de mesure mesuré sur turbomoteurs 90 au moyen d’un ensemble 81 de trois nacelles interchangeables 811, 812, 813. Chaque donnée de mesure (un point dans cette figure) est associée à un turbomoteur.

Le procédé de détection 1 peut comprendre une première étape de mesure 11 des données. Toutefois, le procédé de détection 1 est également applicable à des données de mesure provenant d’une base de données de mesure déjà constituée.

Les données de mesure peuvent être, en premier lieu, corrigées 12 de la tendance de production . La présence d’une tendance de production dans les données de mesure n’empêche pas la détection des biais de mesure. Toutefois, la correction/suppression 12 de ladite tendance de production permet d’améliorer l’efficacité de la détection des biais. Il est donc avantageux de la retirer.

Le procédé 1 comprend alors avantageusement une étape d’ajustement 123 d’une fonction temporelle sur les données de mesure de manière à obtenir une fonction temporelle ajustée . La fonction temporelle dépend des instants où chaque donnée de mesure a été mesurée. L’ajustement 123 est par exemple réalisé en minimisant le critère suivant :

Ladite fonction ajustée obtenue correspond ainsi à la tendance de production. En d’autres termes :

La fonction temporelle à ajuster est par exemple une fonction linéaire. Toutefois, il est avantageux que la fonction temporelle soit une fonction définie par morceau. En effet, la tendance de production n’a pas de raison de dépendre linéairement du temps (et notamment des instants ). Elle est, par exemple, une fonction polynômiale définie par morceaux, aussi appelée « spline » en anglais (ou « fonction polynômiale définie par morceaux » ou encore « cerce » en français). Une spline d’ordre est continue et est dérivable à l’ordre à chacun de ces nœuds. Une spline d’ordre fournie, par exemple, une bonne estimation de la tendance de production .

La fonction temporelle , qu’il s’agisse d’une spline ou non, dépend avantageusement d’un paramètre de lissage . Le critère à minimiser peut alors devenir

La fonction temporelle peut être continue, parce qu’elle est, par exemple, due à une dérive de la production des pièces mécaniques 90. Les nœuds de la fonction temporelle peuvent alors être dispersés de manière régulière ou disposés en fonction d’informations connues sur une source de dérive de la tendance de production.

La fonction temporelle peut également être non continue, par exemple non dérivable au niveau de ses nœuds. En effet, un changement dans la méthode de fabrication des pièces mécaniques ou un changement de fournisseur peut entraîner une variation abrupte des données. Les nœuds de la fonction sont donc avantageusement disposés au niveau des variations abrupte des données. Elle comprend par exemple des segments de droites ou des segments de polynômes. Le document EP 3 454 034 donne de plus amples informations concernant la sélection et l’ajustement d’une fonction temporelle sur les données de mesure.

Le procédé 1 comprend avantageusement la soustraction 124 de la tendance de production des données de mesure . En d’autres termes, les données de mesure deviennent

Chaque donnée de mesure obtenue est alors recentrée sur un instant correspondant à un instant de production de la pièce mécanique 90 à partir de laquelle elle a été obtenue.

Le procédé de détection 1 peut également comprendre, avant l’ajustement 123 de la fonction temporelle , la sélection 121 d’un équipement interchangeable 812*, dit « équipement de référence », parmi les équipements d’essais interchangeables 811, 812, 813 de l’ensemble 81. Le procédé de détection 1 comprend alors, de manière subséquente, l’isolement 122 des données de mesure , dites « données de référence », obtenues au moyen de l’équipement de référence 812*. La fonction temporelle est alors avantageusement ajustée sur les données de référence plutôt que sur toutes les données de mesure .

En effet, recourir à un équipement de référence 812* permet de réduire l’influence de différents biais sur la détermination de la tendance de production . En effet, si tous les équipements d’essais interchangeables 811, 812, 813 sont biaisés, la moyenne globale des données peut être également biaisée et il en va de même pour la tendance de production . L’utilisation de l’équipement de référence 812* permet donc d’améliorer la détermination de la tendance de production .

Il est possible de disposer d’une pièce mécanique étalon qui peut être caractérisée périodiquement au moyen de l’équipement de référence 812*. Les nœuds de la fonction temporelle sont alors avantageusement disposés au niveau de chaque instant où la pièce mécanique étalon est caractérisée. La fonction temporelle peut d’ailleurs comprendre des polynômes d’ordre (segments de droite) car la tendance de production est généralement lisse et régulière entre chaque mesure de la pièce étalon.

Dans le cas où plusieurs ensembles 81, 82, 83, 84 d’équipements d’essais interchangeables sont considérés (notre exemple initial), un équipement de référence est avantageusement sélectionné dans chaque ensemble 81, 82, 83, 84. Par exemple, les , , et illustrent une fréquence d’utilisation de nacelles, bancs, buses et tuyères interchangeables. Les équipements de référence pouvant être sélectionnés sont par exemple les équipements les plus fréquemment utilisés. Dans cet exemple, il s’agit de :

la nacelle n°3 ;
la buse n°3 ;
le banc n°2 ; et
la tuyère n°2.

La montre un exemple de tendance de production déterminée sur une nacelle de référence (nacelle n°3 de la ). La tendance de production est obtenue à partir d’une spline cubique lissée.

Le procédé de détection 1 de la permet de détecter les biais de mesure associés à chaque équipement interchangeable d’un ensemble de équipements interchangeables de même type. Pour cela, le procédé 1 met en œuvre une analyse statistique de l’ensemble des données de mesure . Il s’agit en l’occurrence de tenter d’identifier l’équipement interchangeable utilisé pour mesurer une donnée En d’autres termes, il s’agit de déterminer s’il est possible de classifier les données de mesure en fonction de leur degré de dépendance avec les équipements d’essais interchangeables utilisés. Ledit degré de dépendance d’une donnée vis-à-vis d’un équipement est révélateur de la présence d’un biais de mesure associable audit équipement.

Le procédé 1 cherche donc à estimer une probabilité correspondant à la probabilité qu’une donnée de mesure ait été mesurée au moyen du k-ième équipement interchangeable de l’ensemble d’équipements. Il s’agit, en d’autres termes, de réaliser une classification supervisée.

Pour cela, le procédé 1 comprend dans un premier temps la réalisation 13, une pluralité de fois, sur un agent de classification, des étapes suivantes :

répartir 131 aléatoirement les données de mesure ;
diviser 132 l’ensemble des données de mesure en un premier sous-ensemble de données , dites « données d’apprentissage » et un deuxième sous-ensemble de données , dites « données de validation » ;
entrainer 133 l’agent de classification, de manière supervisée, à partir des données d’apprentissage de sorte qu’il soit capable de les classer dans une pluralité de groupes distincts, chaque groupe distinct étant associé à équipement d’essais interchangeable 811, 812, 813 ; et
estimer 134, pour chaque groupe distinct, un score représentatif de la qualité de classification des données de validation par l’agent de classification.

Lesdites étapes de répartition 131, division 132, entraînement 133 et estimation 134 sont réalisées de manière itérative, en conservant le même agent de classification à chaque itération. La réalisation 13 itérative de ces étapes 131, 132, 133, 134 permet notamment d’affiner l’entraînement de l’agent de classification (et donc la qualité de classification).

Avantageusement, aucune information temporelle, telle qu’un instant de mesure (ou de production), n’est pris en compte dans l’entraînement 133 de l’agent de classification. En effet, une information temporelle pourrait être discriminante et fausser la classification.

Pour que l’entraînement soit efficace, le rapport entre le nombre de données d’apprentissage et le nombre de données de validation est avantageusement compris entre 1,5 et 10 et préférentiellement entre 2 et 3. Un exemple de rapport fournissant de bons résultats quant à la détection des biais de mesure est égal 2,3. Par sensiblement égal, on entend égal à 10% près, voire à 5% près. Dans cet exemple, le sous-ensemble d’apprentissage comprend 70 % des données de mesure tandis que le sous-ensemble de validation comprend 30 % des données de mesure.

L’entraînement 133 de l’agent de classification est réalisé selon une méthode de validation croisée, c’est-à-dire que l’entraînement 133 est réalisé une pluralité de fois, par exemple 100 fois, en considérant des sous-ensembles d’apprentissage et de validation différents à chaque fois. Lesdits sous-ensembles respectent avantageusement les critères de proportions énoncés précédemment, toutefois, la répartition 131 des données et la division 132 desdites données est réalisée de sorte que les sous-ensembles obtenus ne soient jamais identiques entre deux itérations. La répartition aléatoire des données de mesure à chaque itération permet notamment de garantir la formation de sous-ensembles différents à chaque itération.

L’entraînement 133 de l’agent est réalisé de manière supervisée, c’est à dire que l’agent classe, dans un premier temps, chaque donnée d’apprentissage dans les différents groupes distincts. Un retour concernant les données classées dans un mauvais groupe est ensuite fourni à l’agent. Par données classées dans un mauvais groupe, on entend des données classées dans un groupe qui ne correspond pas à l’équipement utilisé pour obtenir les données en question.

Deux modèles peuvent être utilisés pour entraîner l’agent de classification : un modèle de forêts aléatoires et un modèle d’analyse discriminante linéaire (aussi appelée « LDA » pour « Linear Disciminante Analysis » en anglais). Le modèle de LDA est un modèle linéaire qui cherche à estimer la meilleure séparation linéaire entre des populations de données pour chaque équipement interchangeable. Le modèle LDA donne de meilleurs résultats lorsque les biais de mesure sont indépendants de biais provenant d’une autre source (telle qu’un autre ensemble d’équipements d’essais interchangeables par exemple). Le modèle de forêts aléatoires offre de meilleurs résultats lorsque les données à classer dépendant non-linéairement des biais de mesure à détecter.

Après chaque réalisation de l’entraînement 133 de l’agent, ledit agent classe les données de validation dans les différents groupes et un score représentatif de la qualité de classification des données est estimé pour chaque groupe.

Lorsque l’ensemble 81 d’équipements comprend trois équipements 811, 812, 813, alors les scores estimés à chaque itération sont par exemple , et .

Le score peut correspondre à un taux d’erreur standard dit « accuracy » en anglais. Il s’agit par exemple du nombre de données de validation correctement classées dans le k-ième groupe, divisé par le nombre total de données de validation .

Le score peut également correspondre à une aire sous une fonction d’efficacité du récepteur (la fonction d’efficacité du récepteur étant plus fréquemment désignée sous le terme « courbe ROC », de l’anglais « Receiver Operating Characteristic », pour « caractéristique de fonctionnement du récepteur » ou « caractéristique de performance » ou encore « courbe de sensibilité/spécificité »). Elle est également désignée par « Area Under the Receiver operating Characteristic Curve » en anglais et abrégée « AUC ». L’AUC peut être calculé comme suit : où est le nombre de pièces mécaniques 90.

Un document [S. Clemencon and N. Vayatis, "Tree-Based Ranking Methods",IEEE Transactions on Information Theory, vol. 55, no. 9, pp. 4316-4336, Sep. 2009, doi: 10.1109/TIT.2009.2025558] décrit un principe de calcul de l’AUC.

De manière approchée, l’AUC détermine une probabilité que le classement d’une donnée avec un équipement alors que ladite donnée est mesurée au moyen dudit équipement soit meilleure que la probabilité de classer une donnée avec ledit équipement alors que la donnée est mesurée au moyen d’un autre équipement , notamment lorsque .

Les paramètres de l’agent de classification sont conservés d’une itération à l’autre afin d’améliorer, à chaque itération, la capacité dudit agent à classer correctement les données de validation .

Le procédé de détection 1 comprend, après la réalisation de la pluralité d’entraînement 133 et d’estimation 134, une étape de détermination 14 d’une métrique à partir d’au moins un score estimé. La métrique correspond par exemple à la moyenne des scores estimés lors de la dernière itération de l’étape d’estimation 134. Elle peut aussi correspondre à la moyenne des scores estimés lors de chaque itération.Par exemple, la métrique peut être égale à la moyenne des précisions (ou « Acc » en anglais) calculées pour la dernière itération de l’étape d’estimation 134. Elle est notée « <Acc> » dans [Table 1].

La métrique peut également être une moyenne des AUC calculées pour la dernière itération de l’étape d’estimation 134 (notée M-AUC dans [Table 1]). Le MAUC peut être calculé comme suit : étant le nombre d’équipements d’essais interchangeables.

Plus la qualité de classification de l’agent est élevée et plus les scores sont élevés. Ainsi, la métrique est également élevée. Une métrique élevée indique que le degré de dépendance entre les données de validation et les équipements d’essais sont forts. On en déduit que les équipements d’essais interchangeables induisent des biais de mesure significatifs dans les données de mesure .

On considère alors que des biais de mesure significatifs, dus aux équipements interchangeables, sont introduits dans les données de mesure lorsque la première mesure est supérieure ou égale à un seuil . On considère alors, de la même manière, que les données de mesure présentent des biais de mesure faibles, voire nuls, lorsque la première mesure est inférieure au seuil . Autrement dit, lorsque la métrique est inférieure au seuil , les biais de mesure sont considérés comme non détectables.

La valeur du seuil permet ainsi d’ajuster la sensibilité de détection du procédé 1.

Le seuil peut dépendre de la méthode de détermination de la métrique et/ou d’une métrique prédéterminée. La métrique prédéterminée est une valeur limite de la métrique correspondant au classement aléatoire des données de validation. La métrique prédéterminée peut dépendre de la méthode de calcul considérée.

Par exemple, lorsque la métrique est une précision (« accuracy ») et que le nombre d’équipements d’essai interchangeables est de deux, alors la métrique prédéterminée est égale à 1/2. Lorsque la métrique est une précision mais que le nombre d’équipements d’essai interchangeables est de trois, alors la métrique prédéterminée est de 1/3. La métrique prédéterminée, et la valeur du seuil , dépendent donc du nombre d’équipements d’essai interchangeables.

Selon un autre exemple, lorsque la métrique est une moyenne des AUC, alors la métrique prédéterminée est de 1/2 et ce, quel que soit le nombre d’équipement d’essai interchangeables.

Le seuil est avantageusement strictement supérieur à la métrique prédéterminée et de manière encore plus avantageuse supérieur ou égale à 1,2 fois la métrique prédéterminée. Cette dernière condition offre une sensibilité de détection du procédé 1 acceptable.

Lorsque la métrique est une précision (« accuracy »), le seuil est alors avantageusement supérieur ou égal à 60 % pour deux équipements d’essai interchangeables et supérieur ou égal à 40 % pour trois équipements d’essai interchangeables.

Lorsque la métrique est une MAUC, le seuil est alors avantageusement supérieur ou égal à 60 %, quel que soit le nombre d’équipements d’essai interchangeables.

[Table 1] ci-dessous illustre un exemple de métrique obtenue pour un dispositif de caractérisation assemblé à partir de quatre ensembles d’équipements (un ensemble de nacelles, un ensemble de bancs, un ensemble de buses d’air et un ensemble de tuyères primaires). Deux exemples de premières métriques <Acc> et MAUC (moyenne des précisions et moyenne des AUC) sont déterminées pour chaque ensemble (puisque les biais de mesure sont indépendants). Les données de mesure sont obtenues sur 591 moteurs pour aéronefs.

L’agent de classification est basé sur un modèle de LDA. L’apprentissage 131, 132, 133, 134 de l’agent est réalisé en réalisant 100 itérations.

		= <Acc>	= MAUC
LDA – nacelles (groupe )	3	0,9959	0,9983
LDA – bancs ( )	2	0,8384	0,9038
LDA – buses d’air ( )	3	0,6303	0,8026
LDA – tuyères primaires ( )	3	0,4359	0,6237

[Table 1] indique qu’il existe bien un lien entre les différents ensembles d’équipements et les données de mesure des moteurs.

La métrique peut également être basée sur la variance des scores estimés lors d’au moins une itération de l’étape d’estimation 134. La variance des scores est par exemple considérée en complément de la moyenne desdits scores . Elle peut faciliter la détection.

La moyenne des précisions « Acc » varie en fonction du nombre de groupes distincts (donc du nombre d’équipements interchangeables dans l’ensemble d’équipements). Il peut donc être difficile d’interpréter correctement la moyenne des précisions « Acc ». Au contraire, la MAUC est indépendante du nombre de groupes distincts considérés. Elle facilite donc son interprétation. On considère une MAUC supérieure ou égale à 60 % comme une classification acceptable.

Ainsi, en considérant le seuil égal à 60 % et la métrique = MAUC, on détecte alors des biais de mesure induits dans les données par les quatre ensembles d’équipements. Les équipements induisant les plus grands biais de mesure semblent être les nacelles.

La métrique peut également être basée sur la variance des précisions « Acc » ou la variat

La représente schématiquement un mode de réalisation d’un procédé de correction 2 des biais de mesure induits par un seul ensemble d’équipements.

Le procédé de correction 2 comprend dans un premier temps une étape de détection 21 des biais de mesure dans l’ensemble des données de mesure au moyen du procédé de détection 1. Une étape de correction 22 est alors avantageusement déclenchée lorsque des biais de mesure sont détectés.

L’étape de correction 22 est effectuée sur l’ensemble des données, équipement par équipement, pour l’ensemble des équipements. Un premier équipement est sélectionné et les données de mesure obtenues à l’aide de cet équipement sont isolées 221. Les pièces mécaniques associées à ces données isolées sont identifiées 222. La illustre un exemple de trois ensembles de données de mesure isolées, représentées respectivement par des cercles, des triangles et des carrés, obtenues respectivement au moyen d’une nacelle n°3, d’une nacelle n°1 et d’une nacelle n°2. Les données illustrées sont en l’occurrence des coefficients de débit mesurés au niveau d’une tuyère secondaire pour un sixième point stabilisé (noté « CF18-6 ») avec l’une des trois nacelles. Les données sont reportées en fonction des instants d’essai des pièces mécaniques identifiées. Chaque donnée de mesure de la comprend un biais de mesures dû à l’une des trois nacelles.

Les données de mesure de la comprennent également une tendance de production non négligeable qu’il est préférable de retirer avant de corriger les biais de mesure. En effet, si la tendance de production n’est pas retirée, elle sera corrigée en même temps que les biais de mesure. Toutefois, la tendance de production peut être porteuse d’informations indépendantes des équipements d’essais mis en œuvre. La tendance de production est donc préférablement retirée des données de mesure avant la correction des bais de mesure puis réintroduite dans les données de mesure après leur correction.

Les données de mesures obtenues au moyen de la nacelle n°3 sont par exemple isolées et les pièces mécaniques correspondantes sont identifiées. Un instant d’essai (également appelé « instant de mesure ») de chaque pièce mécanique identifiée est déterminé. Afin de déterminer le biais de mesure associé à chaque nacelle, par exemple la nacelle n°3, une fonction temporelle est ajustée 223 sur les données isolées correspondant à la nacelle n°3. La fonction temporelle dépend des instants de mesure . Elle est préférentiellement continue par morceau et peut être une spline cubique lissée, telle que présentée précédemment. La fonction temporelle peut être ajustée en minimisant un critère de moindre carré.

La fonction temporelle ajustée correspond au biais de mesure introduit par la nacelle n°3 dans les données de mesure.

On obtient des données isolées corrigées en soustrayant 224 le biais de mesure associé à la nacelle n°3, c’est à dire la fonction temporelle ajustée , aux données isolées.

L’opération est répétée pour chaque nacelle, corrigeant tour à tour les données isolées pour chaque nacelle. Il en résulte que l’ensemble des données de mesure est corrigé des biais de mesure attribuables aux nacelles n°1, 2 et 3.

La tendance de production, lorsqu’elle a été retirée des données de mesure avant l’étape de correction 22, est avantageusement réintroduite aux données de mesure corrigées.

La représente les données de mesure corrigées (et comprenant la tendance de production) correspondant aux données de mesure non corrigées de la . Les données de la sont obtenues par la mise en œuvre du procédé de correction 2 sur les données la . Il peut être remarqué que les données corrigées dans la ne se différencient plus selon l’équipement au moyen duquel elles ont été obtenues. La variance autour de la tendance de production est également réduite.

Afin de vérifier que la correction des données de mesure est suffisante, une étape complémentaire de vérification 23 peut être réalisée. L’étape de vérification 23 est similaire à l’étape de détection 21 en ce qu’elle met également en œuvre le procédé de détection 1 selon l’invention, à la différence que les données considérées en entrée sont les données de mesure corrigées. Si aucun biais de mesure n’est détecté, alors la correction est considérée comme suffisante.

Les biais de mesure peuvent être induits par une pluralité d’ensembles d’équipements d’essais interchangeables. Les biais de mesure dus à la pluralité d’ensembles d’équipements sont par exemple détectés en réalisant l’étape de détection 21 des biais de mesure pour chaque ensemble d’équipements. Les étapes de correction du procédé de correction 2 sont alors réalisées pour chaque équipement d’essais de chaque ensemble.

Claims

Procédé de détection (1) de biais de mesure induits dans un ensemble de données de mesure, par exemple des mesures de poussée, de débit ou encore de température sur un moteur d’aéronef, par un ensemble d’équipements d’essais interchangeables de même type, l’ensemble des données de mesure étant mesuré sur une pluralité de pièces mécaniques, chaque donnée étant mesurée sur une pièce mécanique de la pluralité de pièces mécaniques au moyen d’un équipement d’essais interchangeable de l’ensemble d’équipements d’essais interchangeables, chaque pièce mécanique de la pluralité de pièces mécaniques étant associée à une donnée de mesure de l’ensemble des données de mesure, au moins deux équipements d’essais interchangeables de l’ensemble d’équipement d’essais interchangeables étant utilisés pour mesurer l’ensemble des données de mesure, le procédé comprenant les étapes suivantes :
réaliser (13) une pluralité de fois, sur un agent de classification :

répartir (131) aléatoirement les données de mesure ;

diviser (132) l’ensemble des données de mesure en un premier sous-ensemble de données de mesure, dites « données d’apprentissage » et un deuxième sous-ensemble de données de mesure, dites « données de validation » ;

entrainer (133) l’agent de classification, de manière supervisée, à partir des données d’apprentissage de sorte qu’il soit capable de les classer dans une pluralité de groupes distincts, chaque groupe distinct étant associé à un équipement d’essais interchangeable de l’ensemble d’équipements d’essais interchangeables ;

estimer (134), pour chaque groupe distinct, un score représentatif de la qualité de classification des données de validation par l’agent de classification ;

déterminer (14) une métrique à partir d’au moins un score estimé, les biais de mesure étant détectés lorsque la métrique est supérieure ou égale à un seuil.
Procédé de détection (1) selon la revendication précédente, dans lequel le seuil est strictement supérieur à une métrique prédéterminée, ladite métrique prédéterminée correspondant à un classement aléatoire des données de validation, de préférence le seuil est supérieur ou égal à 60%.
Procédé de détection (1) selon l’une des revendications précédentes, dans lequel la métrique est déterminée à partir d’une moyenne des scores estimés lors de la dernière itération de l’étape d’estimation.
Procédé de détection (1) selon l’une des revendications précédentes, comprenant, avant la réalisation (13), une pluralité de fois, sur l’agent de classification, des étapes de répartition, division, entraînement et estimation, les étapes suivantes :
ajuster (123) une fonction temporelle sur les données de mesure de manière à obtenir une fonction temporelle ajustée, dite « tendance de production », la fonction temporelle étant dépendante des instants où chaque donnée de mesure a été mesurée ; et

soustraire (124) la tendance de production des données de mesure.
Procédé de détection (1) selon la revendication précédente, dans lequel la fonction temporelle dépend également d’un paramètre de lissage.
Procédé de détection (1) selon l’une des deux revendications précédentes, comprenant, avant l’étape d’ajustement (123) de la fonction temporelle sur les données de mesure, les étapes suivantes :
sélectionner (121) un équipement d’essais interchangeable, dit « équipement de référence », parmi l’ensemble d’équipements d’essais interchangeables ; et

isoler (122) les données de mesure, dites « données de référence », obtenues au moyen dudit équipement de référence,
la fonction temporelle étant ajustée sur les données de référence.
Procédé de détection (1) selon l’une des revendications précédentes, dans lequel chaque pièce mécanique est un moteur d’aéronef.
Programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé de détection (1) selon l’une des revendications 1 à 7.
Procédé de correction (2) de biais de mesure induits dans un ensemble de données de mesure par un ensemble d’équipements d’essais interchangeables de même type, l’ensemble des données de mesure étant mesuré sur une pluralité de pièces mécaniques, chaque donnée étant mesurée sur une pièce mécanique de la pluralité de pièces mécaniques au moyen d’un équipement d’essais interchangeable de l’ensemble d’équipements d’essais interchangeables, chaque pièce mécanique de la pluralité de pièces mécaniques étant associée à une donnée de mesure de l’ensemble des données de mesure, au moins deux équipements d’essais interchangeables de l’ensemble d’équipement d’essais interchangeables étant utilisés pour mesurer l’ensemble des données de mesure, le procédé comprenant les étapes suivantes :
détecter (21) des biais de mesure dans l’ensemble des données de mesure au moyen du procédé de détection (1) selon l’une des revendications 1 à 7 ;
lorsque des biais de mesure sont détectés, réaliser, pour chaque équipement d’essais interchangeable de l’ensemble d’équipements d’essais interchangeables, les étapes de correction (22) suivantes :
isoler (221) un sous-ensemble de données de mesure, dites « données isolées », obtenues au moyen dudit équipement d’essais interchangeable ;

identifier (222) les pièces mécaniques dont sont issues lesdites données isolées ;

ajuster (223) une fonction temporelle sur lesdites données isolées en fonction des instants où chaque donnée isolée a été mesurée, de manière à obtenir une fonction temporelle ajustée correspondant à un biais de mesure induit par ledit équipement d’essais interchangeable dans les données isolées ; et

soustraire (224) ledit biais de mesure desdites données isolées de manière à former des données isolées corrigées ;
les données de mesure corrigées des biais de mesure sont formées par chaque donnée isolée corrigée.
Procédé de correction (2) selon la revendication précédente, dans lequel la fonction temporelle est définie par morceau.
Procédé de correction (2) selon l’une des deux revendications précédentes, comprenant les étapes complémentaires :
retirer une tendance de production des données de mesure isolées avant de réaliser les étapes de correction ; et

ajouter ladite tendance de production aux données de mesure corrigées des biais de mesure.
Procédé de correction (2) selon l’une des deux revendications précédentes, comprenant l’étape suivante :
vérifier (23) la correction des biais de mesure au moyen du procédé de détection (1) selon l’une des revendications 1 à 7, les données considérées par ledit procédé de détection (1) étant les données de mesure corrigées des biais de mesure.