FR3140185A1 - Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef - Google Patents
Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef Download PDFInfo
- Publication number
- FR3140185A1 FR3140185A1 FR2209635A FR2209635A FR3140185A1 FR 3140185 A1 FR3140185 A1 FR 3140185A1 FR 2209635 A FR2209635 A FR 2209635A FR 2209635 A FR2209635 A FR 2209635A FR 3140185 A1 FR3140185 A1 FR 3140185A1
- Authority
- FR
- France
- Prior art keywords
- values
- acquired
- sequence
- seq1
- seq2
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000005856 abnormality Effects 0.000 claims abstract description 80
- 230000002123 temporal effect Effects 0.000 claims abstract description 75
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 18
- 230000010006 flight Effects 0.000 description 13
- 230000007257 malfunction Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—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 based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
Procédé de détection d’anomalie de fonctionnement d’un composant d’un aéronef associé à au moins un indicateur d’état, ledit procédé comportant, pour au moins une séquence temporelle acquise (Seq1, Seq2) comportant des valeurs acquises dudit au moins un indicateur, des étapes de : - détermination (E20) d’une séquence temporelle approximée (Seq1*, Seq2*) de valeurs approximées desdites valeurs acquises, par un module d’approximation (AE1, AE2) ; - détermination (E30) d’un score (A1, A2) d’anormalité globale pour ladite séquence temporelle acquise (Seq1, Seq2) à partir de différences entre lesdites valeurs acquises (Seq1, Seq2) et approximées ; et - détection (E40) d’une anomalie de fonctionnement dudit en fonction d’une comparaison dudit score d’anormalité globale avec un premier seuil, ledit module d’approximation étant configuré pour minimiser des erreurs d’approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées. Figure pour l’abrégé : Fig 1
Description
L’invention se situe dans le domaine général des procédés de surveillance d’un système.
L’invention se situe plus particulièrement dans le contexte de détection d’une anomalie de fonctionnement d’un ou plusieurs composants d’un aéronef. L’invention trouve une application particulièrement avantageuse, bien que nullement limitative, dans le cas d’un aéronef comportant des moteurs de type turbomachine.
Un aéronef comporte des composants dont le fonctionnement est critique pour la sécurité de l’avion, et dont la surveillance est nécessaire. Par exemple, le système de circulation d’huile est vital pour le bon fonctionnement d’un moteur puisqu’il permet sa lubrification et sa régulation thermique. Des défaillances d’un tel système peuvent entraîner des arrêts du moteur en vol.
Afin de prévenir de telles défaillances, des méthodes de l’art antérieur permettent de détecter des anomalies de fonctionnement. Une anomalie est un état (relatif au fonctionnement) anormal d’un ou plusieurs composants qui peut entraîner une réduction de capacité ou la perte de capacité de ces composants à accomplir leurs fonctions.
Des méthodes de l’art antérieur permettent de détecter des anomalies pré-identifiées à partir d’instantanés de mesures (données de type « snapshots ») effectuées seulement lors de certaines phases de vol.
Cependant, des anomalies de fonctionnement non couvertes par les algorithmes existants peuvent survenir sans être détectées.
La présente invention a pour objectif de remédier à tout ou partie des inconvénients de l’art antérieur, notamment ceux exposés ci-avant, en proposant une solution permettant de surveiller de manière efficace un composant d’un aéronef.
À cet effet, selon un premier aspect, il est proposé un procédé de détection d’anomalie de fonctionnement par rapport à des valeurs de référence, d’au moins un composant d’un aéronef associé à au moins un indicateur d’état (le composant est associé à l’indicateur d’état), ledit procédé comportant, pour au moins une séquence temporelle acquise (par exemple, le procédé comprend l’acquisition de la séquence temporelle acquise) comportant des valeurs acquises successives dudit au moins un indicateur à différents instants au cours d’un fonctionnement dudit au moins un composant, des étapes de :
- détermination d’une séquence temporelle approximée comportant des valeurs approximées desdites valeurs acquises auxdits instants, l’approximation étant effectuée par un module d’approximation ;
- détermination d’un score d’anormalité globale pour ladite séquence temporelle acquise à partir de différences entre lesdites valeurs acquises et lesdites valeurs approximées ; et
- détection d’une anomalie de fonctionnement dudit composant en fonction d’une comparaison du score d’anormalité globale avec un premier seuil,
ledit module d’approximation étant préalablement configuré pour minimiser des erreurs d’approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d’approximation entre desdites valeurs acquises et desdites valeurs approximées sont plus importantes si les valeurs acquises sont représentatives d’un fonctionnement anormal.
- détermination d’une séquence temporelle approximée comportant des valeurs approximées desdites valeurs acquises auxdits instants, l’approximation étant effectuée par un module d’approximation ;
- détermination d’un score d’anormalité globale pour ladite séquence temporelle acquise à partir de différences entre lesdites valeurs acquises et lesdites valeurs approximées ; et
- détection d’une anomalie de fonctionnement dudit composant en fonction d’une comparaison du score d’anormalité globale avec un premier seuil,
ledit module d’approximation étant préalablement configuré pour minimiser des erreurs d’approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d’approximation entre desdites valeurs acquises et desdites valeurs approximées sont plus importantes si les valeurs acquises sont représentatives d’un fonctionnement anormal.
Corrélativement, selon un deuxième aspect de l’invention, il est proposé un dispositif de détection d’anomalie de fonctionnement par rapport à des valeurs de référence, d’au moins un composant d’un aéronef associé à au moins un indicateur d’état, ledit dispositif comportant, pour au moins une séquence temporelle acquise comportant des valeurs acquises successives dudit au moins un indicateur à différents instants au cours d’un fonctionnement dudit au moins un composant :
- un module de détermination d’une séquence temporelle approximée comportant des valeurs approximées desdites valeurs acquises auxdits instants, l’approximation étant effectuée par un module d’approximation ;
- un module de détermination d’un score d’anormalité globale pour ladite séquence temporelle acquise à partir de différences entre lesdites valeurs acquises et lesdites valeurs approximées ; et
- un module de détection d’une anomalie de fonctionnement dudit composant en fonction d’une comparaison dudit score d’anormalité globale avec un premier seuil,
ledit module d’approximation étant préalablement configuré pour minimiser des erreurs d’approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d’approximation entre desdites valeurs acquises et desdites valeurs approximées sont plus importantes si les valeurs acquises sont représentatives d’un fonctionnement anormal.
- un module de détermination d’une séquence temporelle approximée comportant des valeurs approximées desdites valeurs acquises auxdits instants, l’approximation étant effectuée par un module d’approximation ;
- un module de détermination d’un score d’anormalité globale pour ladite séquence temporelle acquise à partir de différences entre lesdites valeurs acquises et lesdites valeurs approximées ; et
- un module de détection d’une anomalie de fonctionnement dudit composant en fonction d’une comparaison dudit score d’anormalité globale avec un premier seuil,
ledit module d’approximation étant préalablement configuré pour minimiser des erreurs d’approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d’approximation entre desdites valeurs acquises et desdites valeurs approximées sont plus importantes si les valeurs acquises sont représentatives d’un fonctionnement anormal.
D’une manière générale, l’invention permet la surveillance d’un composant d’un aéronef. En particulier, l’invention permet la détection d’une anomalie de fonctionnement d’un composant. On entend par composant un élément isolé (par exemple un capteur) ou un ensemble fonctionnel d’éléments (par exemple un système de circulation d’huile permettant de lubrifier une turbine et de réguler sa température, un système électronique de contrôle de l’aéronef, un système de circulation du fuel, ou une turbine). Le procédé peut s’appliquer à plusieurs composants.
Le procédé peut par exemple être mis en œuvre « au sol » par analyse des indicateurs d’états mesurés pendant les différentes phases d’un vol, y compris notamment les phases de taxi, de décollage, de vol, d’atterrissage.
Ce procédé permet ainsi de détecter un fonctionnement anormal d’un composant qui s’est produit pendant un vol de l’aéronef, et de prévenir de potentiels dysfonctionnements lors de futurs vols.
Ce procédé est basé sur des indicateurs d’états associés au composant. Par indicateur d’état associé au composant, il est question ici d’une quantité dépendante du fonctionnement du composant. Par exemple, si ce composant est un système de circulation d’huile du moteur de l’aéronef, des indicateurs d’états peuvent être la température de l’huile, la pression de l’huile, ou la vitesse de rotation d’une turbine du moteur, car cette vitesse dépend de la lubrification de la turbine par le système d’huile.
Des valeurs prises par ces indicateurs au cours du temps forment une séquence temporelle. On entend ainsi par séquence temporelle acquise des valeurs d’indicateurs d’états mesurées successivement au cours du temps de vol par des capteurs spécifiques et enregistrées, ou bien des valeurs calculées à partir de telles valeurs mesurées. Chaque valeur est associée à un instant, par exemple l’instant correspondant à la mesure de cette valeur. Par exemple, une séquence temporelle peut contenir des valeurs de la température et de la pression de l’huile mesurées toutes les secondes au cours du vol de l’aéronef. Dans cet exemple, chaque élément de cette séquence correspond à un vecteur comportant une valeur de température et une valeur de pression mesurées à un instant donné.
Ainsi, une séquence temporelle acquise pour un composant est représentative du fonctionnement du composant sur une plage de temps de vol.
Une séquence temporelle approximée est une reproduction par un module dit d’approximation, d’une séquence temporelle à partir d’informations partielles sur la séquence temporelle. La date associée à chaque élément de la séquence approximée correspond à la date d’un élément de la séquence acquise.
Par exemple, un module d’approximation effectue une régression, à partir de valeurs d’une séquence correspondant à une plage de temps, de valeurs de la séquence acquise correspondant à une date ultérieure à cette plage de temps.
Dans un autre exemple, le module d’approximation est un auto-encodeur qui effectue une projection de la séquence acquise dans un espace mathématique, puis produit une approximation de cette même séquence acquise à partir de cette projection.
Une séquence approximée peut comporter des différences avec la séquence temporelle acquise.
Dans la présente demande, une erreur d’approximation est une quantité représentative des différences entre les valeurs acquises et les valeurs approximées correspondant respectivement aux mêmes dates. Par exemple, une telle erreur est la somme des différences en valeur absolue entre les éléments de la séquence approximée et les éléments de la séquence acquise. Dans un autre exemple, une telle erreur est la somme du carré des différences.
Le module d’approximation, qui détermine la séquence temporelle approximée, est préalablement (i.e. avant la mise en œuvre du procédé de détection) configuré pour reproduire des séquences de références avec peu d’erreur d’approximation. Ces séquences de références comportent des valeurs d’indicateurs d’états du même type que les indicateurs d’états mentionnés ci-avant.
Ces séquences de référence comportent des valeurs d’indicateurs d’états acquises lors d’une pluralité de vols d’aéronefs.
L’utilisation du module d’approximation ainsi configuré permet avantageusement de détecter un fonctionnement anormal du composant relativement aux fonctionnements dont sont représentatives les séquences temporelles de référence. En effet, le module d’approximation est configuré pour fournir de meilleures approximations d’une pluralité de séquences temporelles de références que pour une séquence représentative d’un fonctionnement anormal du composant. Ainsi, le module d’approximation permet de discriminer les fonctionnements anormaux et donc de reconnaitre une anomalie.
Dans un mode de réalisation, les vols à partir desquels ont été acquises les séquences de référence sont des vols pendant lesquels aucun dysfonctionnement n’est survenu et qui ont été suivis d’un nombre significatif de vols sans dysfonctionnement. Par dysfonctionnement, on entend ici un évènement causant une perte de fonctionnalité d’un composant ou pouvant affecter la sécurité de l’aéronef (par exemple : un arrêt du moteur en vol, une fuite d’huile, une surchauffe de l’huile).
Dans un mode de réalisation du procédé, un dit module d’approximation est obtenu par un algorithme d’apprentissage machine à partir desdites séquences temporelles de référence.
Avantageusement, ce mode de réalisation permet de détecter un fonctionnement anormal en se basant uniquement sur des observations passées (les séquences de référence). Ce mode de réalisation présente ainsi l’avantage de ne pas nécessiter de connaissances a priori liées à la physique et/ou aux paramètres de l’aéronef. En particulier, l’utilisation d’un algorithme d’apprentissage machine ne nécessite pas l’établissement d’un modèle physique de l’aéronef ou d’une partie de ses composants.
Selon un mode de réalisation, un dit module d’approximation est un réseau de neurones artificiels. Par « réseau de neurones artificiels », il est fait référence ici à une fonction paramétrée comprenant une ou plusieurs couches de neurones artificiels connectés entre eux.
Un réseau de neurones artificiels, par exemple un réseau de neurones de convolution, apprend avec précision le fonctionnement normal du composant à partir de séquences de référence. En particulier, un réseau de neurones peut intégrer l’information contenue dans un important volume de données (i.e. un nombre important de séquences de références). Dans le cas présent, de telles informations sont par exemple des motifs temporels particuliers de variations de valeurs d’indicateurs d’états. Un réseau de neurones peut ainsi apprendre une grande variété de fonctionnements et ainsi contribuer à améliorer la fiabilité de la détection d’anomalie.
Le réseau de neurones artificiels peut être implémenté sur un dispositif de type ordinateur.
Selon un mode de réalisation, un dit module d’approximation est un réseau de neurones artificiels comportant un encodeur et un décodeur,
- un dit encodeur déterminant une séquence compressée à partir d’une dite séquence temporelle fournie en entrée du réseau de neurones, ladite séquence temporelle compressée étant de taille inférieure à ladite séquence temporelle fournie en entrée,
- un dit décodeur effectuant une reconstruction à partir de la séquence compressée pour obtenir en sortie du réseau de neurones une dite séquence temporelle approximée.
- un dit encodeur déterminant une séquence compressée à partir d’une dite séquence temporelle fournie en entrée du réseau de neurones, ladite séquence temporelle compressée étant de taille inférieure à ladite séquence temporelle fournie en entrée,
- un dit décodeur effectuant une reconstruction à partir de la séquence compressée pour obtenir en sortie du réseau de neurones une dite séquence temporelle approximée.
Un tel réseau de neurones est aussi appelé réseau auto-encodeur. Celui-ci est entraîné à reconstruire des séquences de références. Par séquence compressée, on entend ici une projection d’une séquence dans un espace mathématique, de telle sorte que la projection est de taille réduite par rapport à la séquence fournie en entrée. Pour que l’auto-encodeur effectue une bonne approximation (i.e. avec une faible erreur d’approximation) d’une séquence à partir d’une compression de cette séquence, il est nécessaire que cette compression comprenne suffisamment d’informations caractérisant cette séquence. Ainsi, un auto-encodeur configuré conformément à l’invention extrait d’une séquence les informations caractéristiques de fonctionnements normaux. Si la séquence en entrée de l’auto-encodeur correspond à un fonctionnement anormal, alors sa compression ne comportera pas toutes les informations nécessaires pour effectuer une bonne approximation.
En outre, un réseau-auto-encodeur est capable de reconnaître des caractéristiques temporelles complexes difficiles à détecter avec un modèle analytique, et peut donc distinguer avec plus de précision un fonctionnement anormal d’un fonctionnement normal.
Lors de son apprentissage pour reproduire des séquences de références, un auto-encodeur apprend à reconnaître des motifs récurrents et a tendance à ignorer les motifs les plus rares. Ainsi, l’utilisation d’un auto-encodeur est particulièrement avantageuse pour la détection d’anomalie à partir de données de vol puisqu’une grande majorité des vols d’avion ne présente pas de dysfonctionnement. Ainsi, lors de son apprentissage à partir de séquences de référence acquises pour une pluralité de vols passés, l’auto-encodeur apprend à reconnaître les motifs représentatifs de vols sans dysfonctionnement.
Selon un mode de réalisation, le procédé de détection d’anomalie est mis en œuvre pour au moins une première et une deuxième séquences temporelles acquises, ladite deuxième séquence temporelle acquise étant déterminée par sous-échantillonnage de ladite première séquence temporelle acquise, et dans lequel une dite séquence temporelle approximée à partir d’une dite séquence acquise est déterminée par un dit module d’approximation configuré à partir de séquences temporelles de référence de même fréquence d’échantillonnage que cette séquence acquise.
Dans ce mode de réalisation, deux séquences temporelles acquises correspondant à une même plage de temps du fonctionnement du composant de l’aéronef sont utilisées pour la détection d’une anomalie, mais ces séquences capturent des variations sur des échelles de temps différentes. En effet, ces deux séquences correspondent à des fréquences d’échantillonnage différentes.
Certaines anomalies sont détectables uniquement sur des variations sur des temps courts (visible dans la mesure où la fréquence d’échantillonnage de la séquence analysée est assez haute), tandis que d’autres anomalies correspondent à des variations sur des temps plus longs (donc détectable plus facilement pour une fréquence d’échantillonnage plus basse). Par conséquent, ce mode de réalisation permet avantageusement la détection d’un plus grand nombre d’anomalies.
Dans ce mode de réalisation, la première et la deuxième séquence temporelle acquises sont respectivement approximées par deux modules d’approximation distincts, et un score d’anormalité globale est déterminé pour chacune des première et deuxième séquences acquises.
Selon un mode de réalisation du procédé, chaque valeur de ladite deuxième séquence temporelle est une moyenne sur un intervalle de valeurs de ladite première séquence temporelle, deux valeurs consécutives de ladite deuxième séquence étant déterminées respectivement à partir de deux intervalles contigus de ladite première séquence.
Dans ce mode de réalisation, le sous-échantillonnage appliqué à la première séquence est également un filtre passe-bas qui permet de limiter la fréquence maximale des signaux de la deuxième séquence. Cela permet avantageusement de détecter des anomalies supplémentaires, en particulier des anomalies détectables sur des signaux basses fréquences.
Selon un mode de réalisation du procédé, l’étape de détermination d’un score d’anormalité globale comporte, pour chacune des une ou plusieurs séquences temporelles, des sous-étapes de :
- détermination d’une séquence de scores d’anormalité instantanée, un dit score d’anormalité instantanée étant obtenu, pour un dit instant, à partir de la différence entre la valeur acquise et la valeur approximée de cet instant ;
-ledit score d’anormalité globale étant obtenu à partir d’une somme d’au moins certains dits scores d’anormalité instantanée.
- détermination d’une séquence de scores d’anormalité instantanée, un dit score d’anormalité instantanée étant obtenu, pour un dit instant, à partir de la différence entre la valeur acquise et la valeur approximée de cet instant ;
-ledit score d’anormalité globale étant obtenu à partir d’une somme d’au moins certains dits scores d’anormalité instantanée.
Par score d’anormalité instantanée, on entend ici une quantité représentative d’un écart entre une valeur acquise et une valeur approximée.
Dans un mode de réalisation, un dit score d’anormalité instantanée est une distance de Mahalanobis déterminée à partir d’une dite différence et des paramètres de moyenne et de variance. Dans un autre mode de réalisation, un dit score d’anormalité instantanée est une différence divisée par une différence moyenne.
Selon un mode de réalisation du procédé, ledit score d’anormalité globale est obtenu à partir de la somme d’un sous-ensemble de dits scores d’anormalité instantanée supérieurs à un deuxième seuil.
Les inventeurs ont observé que l’utilisation d’un deuxième seuil conformément à ce mode de réalisation permet avantageusement de diminuer le nombre de faux positifs dans la détection d’anomalie, et donc d’obtenir une détection plus fiable.
Selon un mode de réalisation du procédé, le calcul dudit score d’anormalité globale ne prend en compte le score d’anormalité instantanée d’un instant que si cet instant est dans une série consécutive d’instants pour lesquels tous les scores d’anormalité instantanée sont supérieurs au dit deuxième seuil, une dite série consécutive comportant un nombre d’instants supérieur à un nombre fixé.
Par exemple, si ce nombre fixé est égal à 3, seuls les scores d’anormalité instantanée appartenant à des intervalles d’au moins trois scores supérieurs au deuxième seuil sont comptabilisés dans la somme qui détermine le score d’anormalité globale.
Il est à souligner que dans des modes de réalisations dans lesquels plusieurs séquences acquises sont approximées respectivement par différents modules d’approximation, des nombres fixés différents peuvent être utilisés pour déterminer les scores d’anormalité globale pour chacune des séquences acquises.
Dans ce mode de réalisation, seul les valeurs d’indicateurs qui s’écarte de valeurs normales sur une page de temps suffisamment grande sont prises en compte dans la détermination du score d’anormalité globale, et donc de la détection d’anomalie. Ainsi, ce mode de réalisation permet avantageusement de diminuer le nombre de faux positifs dans la détection d’anomalie et donc d’avoir une détection plus fiable.
Selon un mode de réalisation du procédé :
- ladite somme est une somme d’un sous-ensemble de dits scores d’anormalité instantanée supérieurs à un deuxième seuil ; et
- le calcul dudit score d’anormalité globale ne prend en compte le score d’anormalité instantanée d’un instant que si cet instant est dans une série consécutive d’instants pour lesquels tous les scores d’anormalité instantanée sont supérieurs au dit deuxième seuil, une dite série consécutive comportant un nombre d’instants supérieur à un nombre fixé.
- ladite somme est une somme d’un sous-ensemble de dits scores d’anormalité instantanée supérieurs à un deuxième seuil ; et
- le calcul dudit score d’anormalité globale ne prend en compte le score d’anormalité instantanée d’un instant que si cet instant est dans une série consécutive d’instants pour lesquels tous les scores d’anormalité instantanée sont supérieurs au dit deuxième seuil, une dite série consécutive comportant un nombre d’instants supérieur à un nombre fixé.
Selon un mode de réalisation du procédé, ladite au moins une somme comprend des scores d’anormalité instantanée dans un intervalle de temps débutant après une phase de début de fonctionnement desdits un ou plusieurs composants et se terminant avant une phase de fin de fonctionnement desdits un ou plusieurs composants.
Ce mode de réalisation permet de limiter les faux positifs dans la détection d’anomalie car les phases de début de fonctionnement et de fin de fonctionnement peuvent être sujettes à de fortes variations de valeurs d’indicateurs d’états. Ce mode de réalisation permet donc avantageusement d’obtenir une détection plus fiable de détection.
Dans un mode de réalisation du procédé ledit au moins un indicateur d’état appartiennent à au moins l’une des catégories suivantes :
- niveau d’huile ;
- température de l’huile ;
- pression de l’huile ;
- perte de charge du filtre à huile ;
- vitesse de rotation d’une turbine dudit aéronef ;
- pression ambiante ;
- température ambiante ;
- débit de carburant ;
- position d’une vanne contrôlant le retour de carburant au réservoir.
- niveau d’huile ;
- température de l’huile ;
- pression de l’huile ;
- perte de charge du filtre à huile ;
- vitesse de rotation d’une turbine dudit aéronef ;
- pression ambiante ;
- température ambiante ;
- débit de carburant ;
- position d’une vanne contrôlant le retour de carburant au réservoir.
Préférentiellement, ce mode de réalisation permet notamment de surveiller de façon fiable le fonctionnement d’un système de circulation d’huile dans un moteur ou une turbomachine d’un aéronef.
Selon un mode de réalisation du procédé :
- ladite au moins une séquence temporelle acquise comporte des valeurs acquises d’une pluralité d’indicateurs d’états ; et
- ladite au moins une séquence temporelle approximée comporte des valeurs approximées desdites valeurs acquises d’une partie des indicateurs d’états de ladite pluralité d’indicateurs, l’approximation étant effectuée à partir des valeurs acquises de ladite pluralité d’indicateurs.
- ladite au moins une séquence temporelle acquise comporte des valeurs acquises d’une pluralité d’indicateurs d’états ; et
- ladite au moins une séquence temporelle approximée comporte des valeurs approximées desdites valeurs acquises d’une partie des indicateurs d’états de ladite pluralité d’indicateurs, l’approximation étant effectuée à partir des valeurs acquises de ladite pluralité d’indicateurs.
Dans ce mode de réalisation, le module d’approximation prend en entrée les valeurs acquises d’une pluralité d’indicateurs d’états (par exemples les indicateurs des catégorie mentionnées ci-avant) et détermine les approximations d’une partie seulement de ces valeurs acquises, en particulier les valeurs acquises d’une partie de la pluralité d’indicateurs (par exemple seulement les indicateurs d’états des quatre premières catégories mentionnées ci-avant : le niveau d’huile, la température d’huile, la pression d’huile, et la perte de charge du filtre à huile). Le score d’anormalité globale est alors déterminé à partir de différences entre la partie des valeurs acquises et les valeurs approximées correspondantes. Le reste des indicateurs servent alors d’information contextuelle utilisée par les modules d’approximation.
Ce mode de réalisation permet d’améliorer la fiabilité du module d’approximation (et par conséquent la fiabilité de détection d’anomalie) puisque celui-ci utilise des valeurs d’indicateurs pouvant être corrélés aux valeurs d’indicateurs d’états à approximer. Par exemple, la vitesse de rotation d’une turbine peut être influencée par le fonctionnement du système de circulation d’huile (donc est corrélé aux valeurs de niveau d’huile, de température d’huile, et de pression d’huile).
Selon un mode de réalisation, le procédé comporte une étape d’identification des états causant l’anomalie.
Par exemple, l’identification est effectuée par détermination des instants auxquels les scores d’anormalité instantanée sont supérieurs au deuxième seuil. Les valeurs des indicateurs d’états à ces instants peuvent être comparées à des valeurs moyennes ou à des seuils pour déterminer quels indicateurs ont des valeurs anormales et sont donc responsables de l’anomalie.
Selon un aspect de l’invention, il est proposé un programme d’ordinateur des instructions pour la mise en œuvre des étapes d’un procédé tel que décrit ci-dessus, lorsque le programme d’ordinateur est exécuté par un processeur ou un ordinateur.
Le programme d’ordinateur peut être formé d’une ou plusieurs sous-parties stockées dans une même mémoire ou dans des mémoires distinctes. Le programme peut utiliser n’importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.
Selon un aspect de l’invention, il est proposé un support d’informations lisible par ordinateur comprenant un programme d’ordinateur tel que décrit ci-dessus.
Le support d’informations peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une mémoire non-volatile ou ROM, par exemple un CD-ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple une disquette ou un disque dur. D'autre part, le support de stockage peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par un réseau de télécommunication ou par un réseau informatique ou par d'autres moyens. Le programme selon l'invention peut être en particulier téléchargé sur un réseau informatique. Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
D’autres caractéristiques et avantages de la présente invention ressortiront de la description fournie ci-après de modes de réalisation de l’invention. Ces modes de réalisation sont donnés à titre d’exemple illustratif et sont dépourvus de tout caractère limitatif. La description fournie ci-après est illustrée par les dessins ci- joints :
- La
- La
- La
- La
- La
- La
- La
La présente invention concerne un procédé et un dispositif de détection d’anomalie dans un ou plusieurs composants d’un aéronef. Dans la description ci-après, l’invention est utilisée pour détecter des anomalies de fonctionnement d’un système de circulation d’huile d’une turbomachine d’un avion. Ce mode particulier de réalisation est utilisé à titre d’exemple est n’est en rien limitatif. Notamment, l’invention peut aussi s’appliquer à un système électronique de contrôle de l’aéronef, un système de circulation du fuel, une turbine, un ensemble de capteurs, ou tout autre composant fonctionnel d’un aéronef.
La représente sous forme d’ordinogramme les étapes du procédé de détection d’anomalie selon un mode de réalisation.
Ce mode de réalisation comprend une étape E10 au cours de laquelle sont acquises des séquences temporelles Seq1 et Seq2 d’indicateurs d’états du système de circulation d’huile au cours d’un vol. Dans ce mode de mise en œuvre, chaque élément d’une séquence temporelle comprend des valeurs d’indicateurs d’états du système. Chacune de ces valeurs est représentative d’un état du système à un instant donné ou sur une plage de temps donnée.
Un indicateur d’état est par exemple un niveau d’huile, une température d’huile, une pression de l’huile, une vitesse de rotation d’une turbine de moteur, d’une position d’une vanne, ou tout autre indicateur impacté par le fonctionnement du système d’huile.
Dans l’exemple décrit ici, chaque élément d’une séquence temporelle acquise comporte les valeurs de 10 indicateurs d’états :
- une valeur de température d’huile,
-une valeur de niveau d’huile,
-une valeur de pression d’huile,
- une perte de charge du filtre à huile,
- une vitesse de rotation d’une turbine dans un régime basse pression,
- une vitesse de rotation d’une turbine dans un régime haute pression,
- la pression ambiante,
- la température ambiante,
- le débit de carburant,
- la position d’une vanne contrôlant le retour de carburant au réservoir de carburant.
- une valeur de température d’huile,
-une valeur de niveau d’huile,
-une valeur de pression d’huile,
- une perte de charge du filtre à huile,
- une vitesse de rotation d’une turbine dans un régime basse pression,
- une vitesse de rotation d’une turbine dans un régime haute pression,
- la pression ambiante,
- la température ambiante,
- le débit de carburant,
- la position d’une vanne contrôlant le retour de carburant au réservoir de carburant.
Les quatre premiers indicateurs d’états susmentionnés caractérisent directement le système de circulation d’huile tandis que les suivant sont des indicateurs indirectement corrélés au fonctionnement du système de circulation d’huile.
Par perte de charge du filtre il est question d’une baisse de pression de l’huile au niveau du filtre, par exemple à cause de frictions de l’huile avec le filtre.
Les six autres indicateurs ne caractérisent pas directement le système de circulation d’huile mais leurs valeurs sont influencées par le fonctionnement du système d’huile. Ainsi, l’évolution de ces indicateurs au cours du temps constitue une information pertinente sur l’état du système d’huile. Par la suite, ces six indicateurs sont dits contextuels.
Dans cet exemple, le moteur (par exemple un turboréacteur) comprend deux turbines fonctionnant dans deux régimes de pression différents : basse et haute pression.
Par pression et température ambiantes, il est question de la pression et de la température à l’extérieur de l’aéronef.
L’invention couvre également des modes de réalisation dans lesquels un seul indicateur d’état est utilisé et où chaque élément d’une séquence temporelle ne comporte qu’une valeur d’indicateur d’état.
Les indicateurs d’états proviennent par exemple de mesures par des capteurs reliés à un système de sauvegarde des mesures effectuées par ces capteurs au cours du temps. Ces indicateurs sont ainsi mesurés puis enregistrés successivement au cours du fonctionnement du système d’huile, notamment pendant le vol de l’avion.
La représente un mode de réalisation dans laquelle l’étape d’acquisition E10 comprend deux sous-étapes E11 et E12. Au cours de la sous-étape E11, des valeurs d’indicateurs d’états formant une première séquence temporelle Seq1 sont acquis.
Par exemple, ces valeurs correspondent à des mesures effectuées à intervalles de temps réguliers au cours du fonctionnement du système d’huile. Par exemple, ces mesures ont été effectuées à chaque seconde. Ainsi, dans cet exemple, la première séquence temporelle Seq1 correspond à une fréquence d’échantillonnage de 1 Hertz.
Au cours de la sous-étape E12, une deuxième séquence temporelle Seq2 est déterminée à partir de la première séquence Seq1 par sous-échantillonnage.
La représente un exemple de valeurs acquises sur une plage de temps (de 400 secondes) formant une séquence temporelle Seq1, et un exemple d’une séquence temporelle Seq2 déterminée par sous-échantillonnage de la séquence Seq2. Dans cet exemple, seul une valeur d’un indicateur d’état (en particulier le niveau d’huile) est représentée par pas de temps.
Dans cet exemple, la fréquence d’échantillonnage de la séquence Seq1 est de 1Hz (une valeur par seconde) tandis que la fréquence d’échantillonnage de la séquence Seq2 est de 10mHz (une valeur toutes les 100 secondes).
Dans un mode de réalisation, le sous-échantillonnage consiste en :
- décomposer la première séquence en intervalles contigus de K éléments chacun, et
- déterminer les moyenne des éléments de chaque intervalle,
la deuxième séquence étant la séquence de moyennes ainsi obtenues.
- décomposer la première séquence en intervalles contigus de K éléments chacun, et
- déterminer les moyenne des éléments de chaque intervalle,
la deuxième séquence étant la séquence de moyennes ainsi obtenues.
Dans ce mode de réalisation, le sous-échantillonnage permet à la fois de diviser la fréquence d’échantillonnage de la première séquence par K, et à la fois d’appliquer un filtre passe-bas qui divise la fréquence des signaux de la première séquence par K. A titre indicatif, dans l’exemple décrit ici, le nombre K est choisi égal à 100. Dans ce cas, la séquence Seq2 correspond à une fréquence d’échantillonnage de 10 mHz
Dans un exemple simplifié à titre d’illustration du mode de réalisation mentionné ci-dessus, la première séquence temporelle acquise comporte quatre éléments, chaque élément comportant deux valeurs d’indicateur d’état : (3 ; 4), (2 ; 3), (4 ; 5) et (4 ; 6). Dans cet exemple, K est égal à 2, la deuxième séquence est donc déterminée en effectuant la moyenne des éléments (3 ; 4) et (2 ; 3) et la moyenne des éléments (4 ; 5) et (4 ; 6). La deuxième séquence comporte donc les deux éléments (2,5 ; 3,5) et (4 ; 5,5).
L’invention ne se limite pas à la méthode de sous-échantillonnage décrite ci-avant. Par exemple, dans un autre mode de réalisation, le sous-échantillonnage consiste à sélectionner un élément de la première séquence tous les K éléments. Dans ce cas, la séquence d’échantillonnage de la deuxième séquence est égale à la fréquence d’échantillonnage de la première séquence divisée par K.
Au cours d’une étape E20, des modules d’approximations AE1 et AE2 effectuent des approximations des séquences respectives Seq1 et Seq2, et déterminent ainsi des séquences approximées Seq1* et Seq2*.
Dans le mode de réalisation décrit ici, les modules AE1 et AE2 sont des réseaux de neurones auto-encodeurs.
Dans ce mode de réalisation, le module AE1 a été entraîné pour approximer un premier groupe de séquences de référence correspondant à la même fréquence d’échantillonnage que celle de la séquence Seq1 (1Hz par exemple), et le module AE2 a été entraîné pour approximer un deuxième groupe de séquences de référence correspondant à la même fréquence d’échantillonnage que la séquence Seq2 (10 mHz par exemple).
Les séquences de référence du deuxième groupe sont par exemple déterminées, à partir des séquences du premier groupe, par le même procédé de sous-échantillonnage qui permet d’obtenir Seq2 à partir de Seq1.
La illustre un exemple d’architecture du réseau auto-encodeur AE1.
Ce réseau comporte un encodeur effectuant la compression de la séquence Seq1 fournie en entrée. Il comporte cinq couches de convolution Conv1D précédées (précédées dans le sens de l’entrée vers la sortie) de couches de normalisation par paquet BatchNorm (« batch normalization » en anglais). Excepté les couches OutConv présentées ci-après, les couches de convolutions Conv1D comprennent toutes une couche d’activation non linéaire en sortie de la convolution. Les couches de convolution Conv1D sont également suivies de couches de regroupement par maximum MaxPool (« max pooling » en anglais), excepté la dernière couche de convolution. Ces couches de regroupement réduisent la longueur de la séquence fournie en entrée du réseau et permettent ainsi sa compression. Les cinq couches de convolutions Conv1D de l’encodeur comportent respectivement des filtres de dimension 20, 40, 60, 80 et 100. La dimension d’un filtre correspond à la dimension des éléments en sortie de la couche de convolution. Par exemple, la première couche de convolution prend en entrée une séquence d’éléments comportant chacun 10 valeurs, et fournit en sortie une séquence d’éléments comportant chacun 20 valeurs, ces valeurs correspondant à la projection d’éléments de la séquence en entrée dans un espace mathématique de dimension 20.
Cet encodeur est suivi d’un décodeur qui détermine la séquence Seq1* à partir de la sortie de l’encodeur. Ce décodeur comporte quatre couches composites, chaque couche composite étant constituée d’une couche de déconvolution Conv1DTranspose suivie d’une couche BatchNorm, d’une couche Conv1D suivi d’une autre couche BatchNorm. Les couches de déconvolution Conv1DTranspose du décodeur ont respectivement des filtres de dimensions 100, 80, 60 et 40. Les couches de convolution Conv1D du décodeur ont respectivement des filtres de dimensions 80, 60, 40 et 20. La dernière couche OutConv du décodeur est une couche de convolution avec un filtre de dimension 10. La couche OutConv fournit en sortie la séquence Seq1*.
La illustre un exemple d’architecture du réseau auto-encodeur AE2.
L’encodeur de AE2 comporte trois couches multiples de convolutions Conv1D et trois couches de convolution dilatée Conv1Ddilated, chacune suivie d’une couche de normalisation par paquet BatchNorm. Chacune des couches multiples de convolution dilatée Conv1Ddilated est un empilement de plusieurs couches convolutions dilatées avec des filtres de même dimension, suivies de couches BatchNorm. Les trois couches multiples de convolution dilatée de l’encodeur comportent chacune 5, 4 et 2 couches empilées, respectivement. Chaque couche de convolution dilatée a un pas de dilatation de 2. Ces couches de convolution dilatée permettent de détecter des anomalies se déroulant sur une longue durée.
Exceptée pour la dernière, les couches de convolutions Conv1D sont suivies d’une couche de regroupement MaxPool. Les six couches de convolutions de l’encodeur comportent respectivement des filtres de dimension 64, 64, 96, 96, 128 et 128.
Le décodeur de AE2 présente deux couches de déconvolution, deux couches multiples de convolution dilatée et une couche de convolution, chacune suivie d’une couche BatchNorm. Les couches de déconvolution de l’encodeur ont respectivement des filtres de dimension 128 et 96 tandis que ses couches de convolution ont respectivement des filtres de dimension 128, et 96. Les deux couches multiples de convolution dilatée de l’encodeur comportent chacune 4 et 5 couches, respectivement.
La dernière couche OutConv du décodeur est une couche de convolution avec un filtre de dimension 10. La couche OutConv fournit en sortie la séquence Seq2*.
L’invention n’est pas limitée aux architectures de réseaux auto-encodeurs telles qu’illustrées sur les figures 5A et 5B. Dans d’autres modes de réalisation, des réseaux auto-encodeurs peuvent avoir un nombre de couches et des paramètres différents des réseaux décrits ci-dessus. Dans des modes de réalisations, les réseaux auto-encodeurs comportent des couches de réseaux récurrents, des couches de transformeurs de type encodeur et/ou décodeur, ou toute autre architecture permettant d’analyser des séquences temporelles.
Par ailleurs, l’invention ne limite pas les modules d’approximations à des réseaux auto-encodeurs. Dans d’autres modes de réalisations, les modules d’approximations effectuent des régressions comme mentionné précédemment. Ces régressions peuvent être produites par des modèles d’apprentissage machine tel que des réseaux de neurones artificiels. Dans des modes de réalisation, les modules d’approximation effectuent des régressions telles que mentionnées en appliquant un modèle analytique de l’évolution des états des composants surveillés. Un tel modèle analytique est par exemple un filtre de Kalman.
Le module AE1 prend en entrée la séquence Seq1. Dans l’exemple décrit ici, l’encodeur détermine une séquence compressée en faisant passer la séquence Seq1 à travers ses couches successives. La séquence compressée passe ensuite par les couches successives du décodeur de AE1 qui fournit en sortie la séquence approximée Seq1*. Le processus est similaire pour la détermination de la séquence Seq2* approximée de Seq2 avec le module AE2.
L’auto-encodeur AE1 a été entraîné à partir d’un ensemble de séquences de référence. Ces séquences de référence ont été acquises lors de vols d’un ensemble d’aéronefs. Dans l’exemple décrit ici, chaque élément d’une séquence de référence contient des valeurs des mêmes 10 indicateurs d’états mentionnés précédemment et contenus dans la séquence Seq1.
Dans un mode de réalisation, les séquences de référence proviennent de vols jugés « sains », c’est-à-dire sans dysfonctionnement au cours du vol, et qui ont été suivis d’au moins un nombre significatif (par exemple 10) de vols sans dysfonctionnement.
Au cours de son entraînement, l’auto-encodeur est configuré pour minimiser des erreurs d’approximations entre les séquences de références et des séquences que l’auto-encodeur détermine. Ainsi, l’entraînement de AE1 comporte une pluralité d’étapes, chacune comportant :
- la détermination d’une séquence à partir d’une séquence de référence ;
- le calcul d’une erreur d’approximation entre la séquence ainsi déterminée et la séquence de référence correspondante ;
- la modification des paramètres de l’auto-encodeur AE1 pour minimiser l’erreur d’approximation ainsi calculée
- la détermination d’une séquence à partir d’une séquence de référence ;
- le calcul d’une erreur d’approximation entre la séquence ainsi déterminée et la séquence de référence correspondante ;
- la modification des paramètres de l’auto-encodeur AE1 pour minimiser l’erreur d’approximation ainsi calculée
La modification des paramètres de l’auto-encodeur AE1 pour minimiser les erreurs d’approximation peut se faire avec un algorithme de descente de gradient. L’algorithme de descente de gradient vise à corriger les erreurs selon l'importance de la contribution de chaque paramètre à celle-ci.
L’erreur d’approximation est par exemple une erreur moyenne au carré (« mean squared error » en anglais) entre les valeurs de la séquence déterminée par AE1 et les valeurs de la séquence de référence correspondante.
Les séquences de références utilisées pour l’entraînement de l’auto-encodeur AE2 sont déterminées de la même façon que la séquence Seq2 est déterminée à partir des Seq1. Ainsi, chaque séquence de référence utilisée pour l’entraînement de AE2 est déterminée par sous-échantillonnage d’une séquence de référence utilisée pour l’entraînement de AE1.
L’entraînement de AE2 est similaire à l’entraînement de AE1.
Au cours d’une étape E30, des scores d’anormalité globale A1 et A2 sont déterminés pour les séquences respectives Seq1 et Seq2.
Dans des modes de réalisation, les modules AE1 et AE2 déterminent des valeurs approximées d’une partie seulement des indicateurs d’états. Par exemple, les séquences temporelles en entrée des modules AE1 et AE2 contiennent les valeurs acquises des dix indicateurs d’états mentionnés ci-avant (les indicateurs caractérisant directement le système d’huile et les indicateurs contextuels), et les valeurs approximées correspondent aux quatre indicateurs d’états caractérisant directement le système de circulation d’huile, notamment :
- la température d’huile,
- le niveau d’huile,
- la pression d’huile, et
- la perte de charge du filtre à huile.
- la température d’huile,
- le niveau d’huile,
- la pression d’huile, et
- la perte de charge du filtre à huile.
Par ailleurs, dans ce même exemple, les scores d’anormalité globale sont déterminés à partir de différences entre les valeurs acquises correspondant à ces quatre indicateurs d’états et les valeurs approximées correspondantes. Ainsi, dans cet exemple, les scores d’anormalité globale A1 et A2 ne prennent pas en compte de valeurs d’indicateurs contextuels.
La représente des sous-étapes de l’étape E30 selon un mode de réalisation.
Au cours d’une sous-étape E31, pour chaque élément d’un instant t de la séquence Seq1, est calculée une différence r1tentre cet élément et l’élément approximé correspondant. Dans un exemple simplifié servant à titre d’illustration, la séquence Seq1 comporte deux éléments comportant chacun trois valeurs d’indicateurs d’états : (3 ; 4 ; 1) et (2 ; 3 ; 2). Dans cet exemple, la séquence Seq1* approximée par AE1 comporte les deux éléments (3,1 ; 4,2 ; 0,8) et (2,5 ; 2,7 ; 1,9). Dans ce cas, les différences entre la séquence Seq1 et la séquence Seq1* sont les deux éléments (-0,1 ; -0,2 ; 0,2) et (-0,5 ; 0,3 ; 0,1).
De la même manière sont calculées les différences r2tentre la séquence Seq2 et la séquence Seq2* approximée de Seq2.
Au cours d’une sous-étape E32, à partir de chaque différence r1t(r2t) est calculé un score d’anormalité instantanée a1t(a2t). Par exemple, un tel score d’anormalité instantanée est une distance de Mahalanobis. Dans ce cas, un score d’anormalité instantanée a1tou a2test calculé par les formules suivantes :
Où est une différence moyenne et est l’inverse d’une matrice de covariance . Si une différence r1tcomporte une seule valeur, comporte une unique valeur et . comporte également une unique valeur. Si une différence est un vecteur comportant plusieurs valeurs, est un vecteur avec autant de valeurs. Le paramètre peut être déterminé en calculant, avec l’auto-encodeur AE1 entraîné, une moyenne de différences calculées à partir de séquences de référence et de séquences approximées par AE1 à partir de ces séquences de références. De la même façon, la matrice de covariance peut être déterminée à partir des covariances entre des valeurs de référence et des valeurs approximées par AE1.
De la même façon, les paramètres et sont des paramètres de moyenne et de covariance déterminés à partir de l’auto-encodeur AE2 entraîné.
L’invention n’est pas limitée au choix d’une distance de Mahalanobis. Par exemple, dans un autre mode de réalisation, un score d’anormalité instantanée correspondant à un instant t est une moyenne des valeurs absolues des valeurs de différence r1tou r2t.
Au cours d’une sous-étape E33 sont déterminés les scores d’anormalité globale A1 et A2, à partir des séquences de scores d’anormalité instantanée a1tet a2t.
Dans le mode de réalisation illustré sur la figure 4, un score d’anormalité globale A1 (A2) est une somme ( ) sur des scores d’anormalité instantanée a1t(a2t).
Dans un mode de réalisation, un score d’anormalité A1 (A2) est la somme des scores d’anormalité instantanée a1t(a2t) qui sont supérieurs à un seuil S2 fixé. Ce seuil S2 peut être déterminé comme un quantile d’un ensemble de scores d’anormalité instantanée calculés à partir d’un ensemble de séquences de référence avec le module AE1 (AE2). Par exemple, ce seuil S2 peut être égal au 99èmequantile de cet ensemble de scores d’anormalité instantanée.
Il est à souligner que dans des modes de réalisations, des valeurs de seuil S2 et S2’ différentes peuvent être choisies pour les scores a1tdéterminés à partir de l’auto-encodeur AE1 et pour les scores a2tdéterminés à partir de l’auto-encodeur AE2.
Dans un mode de réalisation, seul les intervalles de plus de N scores d’anormalité instantanée supérieurs au seuil S2 sont pris en compte dans la somme qui détermine le score d’anormalité globale A1 (A2), où N est un nombre fixé.
Dans des modes de réalisation, seul les intervalles de plus de N scores d’anormalité instantanée supérieurs au seuil S2 sont pris en compte dans la somme qui détermine le score d’anormalité globale A1, et seul les intervalles de plus de N’ scores d’anormalité instantanée supérieurs au seuil S2’ sont pris en compte dans la somme qui détermine le score d’anormalité globale A2, N et N’ étant des nombres fixés indépendamment pour chaque auto-encodeur AE1 et AE2. Par exemple N peut être choisi égal à 1 afin de détecter des anomalies ponctuelles, et N’ égal à 2 pour pouvoir détecter des anomalies non ponctuelles.
Au cours d’une étape E40, chaque score d’anormalité globale A1 et A2 est comparé avec un seuil S1. Ce seuil est par exemple égal au 98èmequantile d’un ensemble de scores d’anormalité globale déterminés à partir d’un ensemble de séquences de référence avec les modules AE1 et AE2.
Dans des modes de réalisation, les scores d’anormalité globale A1 et A2 sont comparés respectivement avec des seuils S1 et S1’ distincts. Par exemple, S1 est égal au 98èmequantile d’un ensemble de scores d’anormalité globale déterminés à partir d’un ensemble de séquences de référence avec le module AE1, et S1’ est égal au 98èmequantile d’un ensemble de scores d’anormalité globale déterminés à partir d’un ensemble de séquences de référence avec le module AE2.
Dans un mode de réalisation, si le score d’anormalité A1 est supérieur au seuil S1, ou si le score A2 est supérieur au seuil S1’, alors l’anomalie est détectée.
Il est à noter que les seuils S1 et S2 ainsi que le nombre N (ainsi que S1’, S2’ et N’), mentionnés ci-avant, sont des paramètres pouvant être choisis de façon à optimiser la détection d’anomalie sur un ensemble de séquence de références.
Par exemple, ces séquences de références peuvent comporter des séquences correspondant à des vols sans dysfonctionnement détecté, et des vols sur lesquels ont été détectés des dysfonctionnements, par exemple avec des méthodes conventionnelles. Dans ce cas, les paramètres S1, S2 et N peuvent être choisis de sorte à minimiser conjointement le nombre de faux positifs et le nombre de faux négatifs dans la détection d’anomalie à partir de ces séquences de référence. Dans cet exemple, un faux positif correspond à la détection d’une anomalie (un score d’anormalité globale est supérieur au seuil S1) sur une séquence de référence alors que cette séquence correspond à un vol sans dysfonctionnement. A l’inverse, un faux négatif correspond à la non détection d’anomalie (le score d’anormalité globale est inférieur au seuil S1) sur une séquence de référence correspondant à un vol présentant un dysfonctionnement.
Au cours d’une étape E50, les indicateurs d’états causant une anomalie qui a été détecté au cours de l’étape E40 sont identifiés.
Par exemple, au cours de cette étape, les instants auxquels les scores d’anormalité instantanée sont supérieurs au seuil S2 sont identifiés. Pour ces instants ainsi identifiés, sont ensuite identifiés les indicateurs d’états pour lesquels les différences r1tet r2tentre les valeurs acquises et les valeurs approximées sont les plus grandes. Ainsi, le ou les indicateurs d’états dont les valeurs approximées s’écartent le plus des valeurs acquises représentent l’état responsable de l’anomalie.
Les figures 6A et 6B illustrent un exemple où des variations anormales du niveau d’huile est la cause de l’anomalie.
La représente des scores d’anormalité instantanée au cours du temps, ainsi que le seuil S2 représenté par une ligne horizontale. Entre les pas de temps 2200 et 3200, les scores d’anormalité instantanée sont supérieurs au seuil S2.
La représente les différences au cours du temps entre les valeurs acquises de niveau d’huile et les valeurs approximées correspondantes. Entre les pas de temps 2200 et 3200, les valeurs approximées du niveau d’huile s’écartent fortement des valeurs acquises, ce qui indique que le niveau d’huile est responsable de l’anomalie, autrement dit, que l’évolution du niveau d’huile au cours de ce vol est anormale.
La représente l’architecture fonctionnelle d’un dispositif DA de détection d’anomalie configuré pour mettre en œuvre les étapes du procédé de détection d’anomalie représenté sur la . Le dispositif DA comporte :
- un module M10 pour mettre en œuvre l’étape E10 d’acquisition des séquences de valeurs d’indicateurs d’états Seq1 et Seq2 ;
- un module M20 pour mettre en œuvre l’étape E20 de détermination des séquences de valeurs approximées Seq1* et Seq2*, ce module comportant les modules d’approximation AE1 et AE2 décrits précédemment ;
- un module M30 pour mettre en œuvre l’étape E30 des scores A1 et A2 d’anormalité globale pour les séquences Seq1 et Seq2 ;
- un module M40 pour mettre en œuvre l’étape E40 de détection d’une anomalie de fonctionnement ; et
- un module M50 pour mettre en œuvre l’étape E50 d’identification des états causant l’anomalie.
- un module M10 pour mettre en œuvre l’étape E10 d’acquisition des séquences de valeurs d’indicateurs d’états Seq1 et Seq2 ;
- un module M20 pour mettre en œuvre l’étape E20 de détermination des séquences de valeurs approximées Seq1* et Seq2*, ce module comportant les modules d’approximation AE1 et AE2 décrits précédemment ;
- un module M30 pour mettre en œuvre l’étape E30 des scores A1 et A2 d’anormalité globale pour les séquences Seq1 et Seq2 ;
- un module M40 pour mettre en œuvre l’étape E40 de détection d’une anomalie de fonctionnement ; et
- un module M50 pour mettre en œuvre l’étape E50 d’identification des états causant l’anomalie.
La représente l’architecture matérielle d’un dispositif de détection d’anomalie DA conforme à un mode particulier de réalisation de l’invention.
Dans le mode de réalisation décrit ici, le dispositif DA dispose d’une architecture matérielle d’un ordinateur. Il comprend notamment un processeur D1, une mémoire morte D2, une mémoire vive D3, une mémoire non volatile réinscriptible D4 et des moyens de communication D5.
La mémoire morte D2 du dispositif DA constitue un support d'enregistrement conforme à l'invention, lisible par le processeur D1 et sur lequel est enregistré un programme d'ordinateur PGI conforme à l'invention, ce programme comportant des instructions pour l'exécution des étapes d'un procédé de détection d’anomalie selon l'invention décrit précédemment en référence à la .
Le programme d’ordinateur PGI définit des modules fonctionnels du dispositif DA représenté sur la .
Claims (13)
- Procédé de détection d’anomalie de fonctionnement par rapport à des valeurs de référence, d’au moins un composant d’un aéronef associé à au moins un indicateur d’état, ledit procédé comportant, pour au moins une séquence temporelle acquise (Seq1, Seq2) comportant des valeurs acquises successives dudit au moins un indicateur à différents instants au cours d’un fonctionnement dudit au moins un composant, des étapes de :
- détermination (E20) d’une séquence temporelle approximée (Seq1*, Seq2*) comportant des valeurs approximées desdites valeurs acquises auxdits instants, l’approximation étant effectuée par un module d’approximation (AE1, AE2) ;
- détermination (E30) d’un score (A1, A2) d’anormalité globale pour ladite séquence temporelle acquise (Seq1, Seq2) à partir de différences entre lesdites valeurs acquises (Seq1, Seq2) et lesdites valeurs approximées (Seq1*, Seq2*) ; et
- détection (E40) d’une anomalie de fonctionnement dudit composant en fonction d’une comparaison dudit score d’anormalité globale avec un premier seuil,
ledit module d’approximation (AE1, AE2) étant préalablement configuré pour minimiser des erreurs d’approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d’approximation entre desdites valeurs acquises (Seq1, Seq2) et desdites valeurs approximées (Seq1*, Seq2*) sont plus importantes si les valeurs acquises sont représentatives d’un fonctionnement anormal. - Procédé selon la revendication 1 mis en œuvre pour au moins une première et une deuxième séquences temporelles acquises (Seq1, Seq2), ladite deuxième séquence temporelle acquise (Seq2) étant déterminée par sous-échantillonnage de ladite première séquence temporelle acquise (Seq1), et dans lequel une dite séquence temporelle approximée (Seq1*, Seq2*) à partir d’une dite séquence acquise (Seq1, Seq2) est déterminée par un dit module d’approximation (AE1, AE2) configuré à partir de séquences temporelles de référence de même fréquence d’échantillonnage que cette séquence acquise (Seq1, Seq2).
- Procédé selon la revendication 2 dans lequel chaque valeur de ladite deuxième séquence temporelle est une moyenne sur un intervalle de valeurs de ladite première séquence temporelle, deux valeurs consécutives de ladite deuxième séquence étant déterminées respectivement à partir de deux intervalles contigus de ladite première séquence.
- Procédé selon l’une des revendications 1 à 3 dans lequel un dit module d’approximation (AE1, AE2) est obtenu par un algorithme d’apprentissage machine à partir desdites séquences temporelles de référence.
- Procédé selon la revendication 4 dans lequel un dit module d’approximation (AE1, AE2) est un réseau de neurones artificiels comportant un encodeur et un décodeur,
- un dit encodeur déterminant une séquence compressée à partir d’une dite séquence temporelle fournie en entrée du réseau de neurones, ladite séquence temporelle compressée étant de taille inférieure à ladite séquence temporelle fournie en entrée,
- un dit décodeur effectuant une reconstruction à partir de la séquence compressée pour obtenir en sortie du réseau de neurones une dite séquence temporelle approximée. - Procédé selon l’une des revendications 1 à 5 dans lequel l’étape de détermination (E30) d’un score (A1, A2) d’anormalité globale comporte, pour chacune des une ou plusieurs séquences temporelles, des sous-étapes de :
- détermination (E31) d’une séquence de scores d’anormalité instantanée, un dit score d’anormalité instantanée (a1t, a2t) étant obtenu (E32), pour un dit instant, à partir de la différence (r1t, r2t) entre la valeur acquise (Seq1, Seq2) et la valeur approximée (Seq1*, Seq2*) de cet instant ;
-ledit score d’anormalité globale étant obtenu (E33) à partir d’une somme d’au moins certains dits scores d’anormalité instantanée. - Procédé selon la revendication 6 dans lequel :
- ladite somme est une somme d’un sous-ensemble de dits scores d’anormalité instantanée supérieurs à un deuxième seuil (S2) ; et
- le calcul dudit score d’anormalité globale ne prend en compte le score d’anormalité instantanée d’un instant que si cet instant est dans une série consécutive d’instants pour lesquels tous les scores d’anormalité instantanée sont supérieurs au dit deuxième seuil, une dite série consécutive comportant un nombre d’instants supérieur à un nombre fixé. - Procédé selon l’une des revendications 6 ou 7 dans lequel ladite somme comprend des scores d’anormalité instantanée dans un intervalle de temps débutant après une phase de début de fonctionnement desdits un ou plusieurs composants et se terminant avant une phase de fin de fonctionnement desdits un ou plusieurs composants.
- Procédé selon l’une des revendications 1 à 8 dans lequel ledit composant est un système de circulation d’huile et ledit au moins un indicateur d’état appartient à au moins une des catégories suivantes :
- niveau d’huile ;
- température de l’huile ;
- pression de l’huile ;
- perte de charge du filtre à huile ;
- vitesse de rotation d’une turbine dudit aéronef ;
- pression ambiante ;
- température ambiante ;
- débit de carburant ;
- position d’une vanne contrôlant le retour de carburant au réservoir. - Procédé selon l’une des revendications 1 à 9 comportant une étape d’identification (E50) des états causant l’anomalie.
- Dispositif (DA) de détection d’anomalie de fonctionnement par rapport à des valeurs de référence, d’au moins un composant d’un aéronef associé à au moins un indicateur d’état, ledit dispositif comportant, pour au moins une séquence temporelle acquise (Seq1, Seq2) comportant des valeurs acquises successives dudit au moins un indicateur à différents instants au cours d’un fonctionnement dudit au moins un composant :
- un module de détermination (M20) d’une séquence temporelle approximée (Seq1*, Seq2*) comportant des valeurs approximées desdites valeurs acquises auxdits instants, l’approximation étant effectuée par un module d’approximation (AE1, AE2) ;
- un module de détermination (M30) d’un score (A1, A2) d’anormalité globale pour ladite séquence temporelle acquise (Seq1, Seq2) à partir de différences entre lesdites valeurs acquises (Seq1, Seq2) et lesdites valeurs approximées (Seq1*, Seq2*) ; et
- un module de détection (M40) d’une anomalie de fonctionnement dudit composant en fonction d’une comparaison dudit score d’anormalité globale avec un premier seuil,
ledit module d’approximation (AE1, AE2) étant préalablement configuré pour minimiser des erreurs d’approximation entre des séquences temporelles de valeurs de référence et des séquences temporelles de valeurs approximées à partir desdites valeurs de référence, lesdites valeurs de références étant représentatives de fonctionnements normaux, de sorte que des erreurs d’approximation entre desdites valeurs acquises (Seq1, Seq2) et desdites valeurs approximées (Seq1*, Seq2*) sont plus importantes si les valeurs acquises sont représentatives d’un fonctionnement anormal. - Programme d’ordinateur (PGI) comportant des instructions pour la mise en œuvre des étapes d’un procédé selon l’une quelconque des revendications 1 à 10, lorsque ledit programme d’ordinateur est exécuté par un processeur.
- Support d'enregistrement (D2) lisible par un ordinateur et sur lequel est enregistré un programme d’ordinateur (PGI) selon la revendication 12.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2209635A FR3140185A1 (fr) | 2022-09-22 | 2022-09-22 | Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef |
| PCT/FR2023/051455 WO2024062204A1 (fr) | 2022-09-22 | 2023-09-22 | Procede et dispositif de detection d'anomalie de fonctionnement d'un aeronef |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2209635 | 2022-09-22 | ||
| FR2209635A FR3140185A1 (fr) | 2022-09-22 | 2022-09-22 | Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3140185A1 true FR3140185A1 (fr) | 2024-03-29 |
Family
ID=84359897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2209635A Pending FR3140185A1 (fr) | 2022-09-22 | 2022-09-22 | Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3140185A1 (fr) |
| WO (1) | WO2024062204A1 (fr) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3379360A2 (fr) * | 2017-03-23 | 2018-09-26 | Hitachi, Ltd. | Système et procédé de détection d'anomalies |
-
2022
- 2022-09-22 FR FR2209635A patent/FR3140185A1/fr active Pending
-
2023
- 2023-09-22 WO PCT/FR2023/051455 patent/WO2024062204A1/fr unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3379360A2 (fr) * | 2017-03-23 | 2018-09-26 | Hitachi, Ltd. | Système et procédé de détection d'anomalies |
Non-Patent Citations (1)
| Title |
|---|
| CHEVROT ANTOINE ET AL: "CAE: Contextual auto-encoder for multivariate time-series anomaly detection in air transportation", COMPUTERS & SECURITY, ELSEVIER SCIENCE PUBLISHERS. AMSTERDAM, NL, vol. 116, 11 February 2022 (2022-02-11), XP087008169, ISSN: 0167-4048, [retrieved on 20220211], DOI: 10.1016/J.COSE.2022.102652 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024062204A1 (fr) | 2024-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3039497B1 (fr) | Surveillance d'un moteur d'aéronef pour anticiper les opérations de maintenance | |
| EP2368161B1 (fr) | Detection d'anomalie dans un moteur d'aeronef | |
| CA2966306C (fr) | Outil de validation d'un systeme de surveillance d'un moteur d'aeronef | |
| FR2939924A1 (fr) | Identification de defaillances dans un moteur d'aeronef | |
| WO2016075409A1 (fr) | Procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné | |
| FR3035232A1 (fr) | Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe | |
| WO2020217004A1 (fr) | Système et procédé de surveillance d'un moteur d'aéronef | |
| EP2966526A1 (fr) | Procédé et système de fusion d'indicateurs de surveillance d'un dispositif | |
| FR2983528A1 (fr) | Methode de surveillance d'une chaine de mesure d'un turboreacteur | |
| WO2014009634A1 (fr) | Méthode de détection d'une dégradation d'une turbomachine par surveillance des performances de ladite turbomachine | |
| CA2918215C (fr) | Procede d'estimation sur une courbe d'un point pertinent pour la detection d'anomalie d'un moteur et systeme de traitement de donnees pour sa mise en oeuvre | |
| FR3140185A1 (fr) | Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef | |
| EP4042007A1 (fr) | Dispositif, procédé et programme d'ordinateur de suivi de moteur d'aéronef | |
| FR2957170A1 (fr) | Outil de conception d'un systeme de surveillance d'un moteur d'aeronef | |
| EP4041997A1 (fr) | Système de surveillance d'un moteur | |
| FR2966928A1 (fr) | Procede et dispositif de surveillance d'une chaine de mesure redondee | |
| FR3003986A1 (fr) | Procede de detection et de prise en compte d'un changement abrupt d'au moins un indicateur de surveillance d'un dispositif. | |
| FR3046265A1 (fr) | Systeme de surveillance d'une installation industrielle ; procedes de configuration et de surveillance associes | |
| WO2015067878A1 (fr) | Procédé d'essai technique | |
| FR3120145A1 (fr) | Procédé d’évaluation de l’usure d’une pièce d’une turbomachine | |
| FR3030624A1 (fr) | Procede et dispositif d'obtention d'une pression differentielle de reference d'un fluide traversant un filtre d'un moteur d'aeronef | |
| WO2022043629A1 (fr) | Procede de determination de panne pour un ensemble de capteurs | |
| FR3140958A1 (fr) | Procédé de détection d’anomalie dans une série temporelle observée de valeurs d’une grandeur physique représentative des performances d’un système. | |
| WO2023218138A1 (fr) | Procédé de détection d'une anomalie dans un système d'un aeronef | |
| WO2023237498A1 (fr) | Dispositif de traitement de donnees par voie d'apprentissage, procede, programme et systeme correspondant |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20240329 |