FR3143559A1

FR3143559A1 - Methods for saving flight data and generating a module for detecting an abnormal event used to trigger said backup.

Info

Publication number: FR3143559A1
Application number: FR2213995A
Authority: FR
Inventors: Jules Charles DELVILLE Denis; Pierre Philippe BOCAGE Frédéric; Joël Daniel FANTON Nicolas; Sylvaine PICARD
Original assignee: Safran Electronics and Defense SAS
Current assignee: Safran Electronics and Defense SAS
Priority date: 2022-12-20
Filing date: 2022-12-20
Publication date: 2024-06-21
Also published as: WO2024134050A1

Abstract

Procédés de sauvegarde de données de vol et de génération d’un module de détection d’un évènement anormal utilisé pour déclencher ladite sauvegarde. Ce procédé un module (MDEA) de détection d’un évènement anormal au cours d’un vol comporte les étapes: - obtention (E10) de données de vols sains ; - association (E30), pour des sous-ensembles (EIi) d’indicateurs d’évènements de référence produits au cours de vols sains, de seuils (THi) permettant de déterminer des avis partiels sur ledit évènement de référence à partir de valeurs de ces indicateurs ; - de configuration dudit module avec lesdits seuils (THi) et avec un modèle de décision (LD) permettant de déterminer un avis définitif sur un évènement d’intérêt à partir d’avis partiels déterminés pour cet évènement d’intérêt ; - ledit module étant configuré pour générer un signal de détresse en fonction d’un dit définitif déterminé pour un évènement produit au cours d’un vol. Fig. 9 Methods for saving flight data and generating a module for detecting an abnormal event used to trigger said backup. This process, a module (MDEA) for detecting an abnormal event during a flight, comprises the steps: - obtaining (E10) healthy flight data; - association (E30), for subsets (EIi) of reference event indicators produced during healthy flights, of thresholds (THi) making it possible to determine partial opinions on said reference event from values of these indicators; - configuration of said module with said thresholds (THi) and with a decision model (LD) making it possible to determine a definitive opinion on an event of interest from partial opinions determined for this event of interest; - said module being configured to generate a distress signal according to a said definitive determined for an event produced during a flight. Fig. 9

Description

Methods for saving flight data and generating an abnormal event detection module used to trigger said saving.

Background of the invention

La présente invention se situe dans le domaine de l’aéronautique et plus précisément dans le domaine des enregistreurs de vol réglementaires, appelés autrement « enregistreurs de bord » ou « boîtes noires ».The present invention is in the field of aeronautics and more specifically in the field of regulatory flight recorders, otherwise called “flight recorders” or “black boxes”.

Il arrive qu’après un accident d’avion :

on ne parvienne pas à retrouver les boîtes noires ; et/ou
que les coûts de recherche des boîtes noires soient très importants, et/ou
que l’une ou les boîtes noires soient endommagées.

It happens that after a plane crash:

the black boxes cannot be found; and/or
that the costs of searching for black boxes are very high, and/or
that one or both black boxes are damaged.

Par conséquent, la réglementation de l’aviation civile a récemment évolué et l’OACI (Organisation pour l’Aéronautique Civile Internationale) a édité différentes documentations, et en particulier la documentation 10054 : « Manuel sur la localisation des aéronefs en détresse et la récupération des données de Enregistreurs de bords ». Ce document décrit notamment des solutions pour permettre de récupérer rapidement les données contenues dans les boîtes noires. Une solution du document 10054 consiste à récupérer les données des enregistreurs de vols en cas de risque de détresse, avant l’issue fatale du vol.As a result, civil aviation regulations have recently evolved and the ICAO (International Civil Aeronautics Organization) has published various documents, in particular documentation 10054: “Manual on the location of aircraft in distress and the recovery of data from flight recorders”. This document describes in particular solutions to enable the rapid recovery of data contained in black boxes. One solution in document 10054 is to recover data from flight recorders in the event of a risk of distress, before the fatal outcome of the flight.

Ce document s’appuie sur un autre document de l’EUROCAE ED-237 : « Minimum aviation system performance specification for criteria to detect in-flight aircraft distress events to trigger transmission of flight information» qui recommande une liste de critères à implémenter pour déclencher l’entrée dans le mode détresse.This document is based on another EUROCAE document ED-237: “Minimum aviation system performance specification for criteria to detect in-flight aircraft distress events to trigger transmission of flight information” which recommends a list of criteria to be implemented to trigger entry into distress mode.

Ce document ED-273 se base, lui-même, sur des travaux qui se sont déroulés sous le contrôle du BEA (Bureau Enquête et Analyse) sur un ensemble de soixante-huit vols accidentés. Par analyse des données collectées au cours de ces vols accidentés, le BEA a élaboré une série de treize critères basés sur une estimation de ce qui constitue une situation d'urgence. L'approche est binaire en ce sens qu'une condition est soit vraie soit fausse. Si une condition est vraie, on considère qu'une situation d'urgence a commencé. Dans le cas contraire, si toutes les conditions sont fausses, alors le vol est considéré comme normal. Ces treize critères sont :This ED-273 document is itself based on work that was carried out under the supervision of the BEA (Bureau Enquête et Analyse) on a set of sixty-eight accident flights. By analyzing the data collected during these accident flights, the BEA developed a series of thirteen criteria based on an estimate of what constitutes an emergency situation. The approach is binary in the sense that a condition is either true or false. If a condition is true, it is considered that an emergency situation has begun. Otherwise, if all the conditions are false, then the flight is considered normal. These thirteen criteria are:

- Taux d'inclinaison excessif (en anglais « excessive bank ») ;- Excessive bank rate;

- Tangage excessif (en anglais « excessive pitch »)- Excessive pitch

- Décrochage (en anglais « stall »)- Stall

- Vitesse calibrée faible (en anglais «low CAS »)- Low calibrated speed (in English “low CAS”)

- Vitesse verticale excessive (en anglais « Excessive vertical speed »)- Excessive vertical speed

- Survitesse (en anglais « overspeed »)- Overspeed

- Facteurs de charge inhabituels (en anglais « unusual load factors»)- Unusual load factors

- Commande de roulis excessive (en anglais « excessive roll command»)- Excessive roll command

- Utilisation excessive de la gouverne de direction (en anglais « excessive use of rudder»)- Excessive use of rudder

- Avertissement du Système d'avertissement et d'alarme d'impact (en anglais « Terrain awareness and warning system TAWS warning»)- Terrain awareness and warning system (TAWS warning) warning

- Altitude trop basse (en anglais « too low altitude »)- Altitude too low (in English “too low altitude”)

- Alerte du système d'alerte de trafic et d'évitement de collision (en anglais « Traffic Alert and Collision Avoidance System»)- Traffic Alert and Collision Avoidance System alert

- Avertissement d'altitude de la cabine (en anglais « cabin altitude warning »).- Cabin altitude warning.

Une analyse faite sur l’ensemble des soixante-huit vols accidentés confirme que tous les vols avec une issue fatale sont détectés en appliquant ces critères, ce qui valide la définition de ces treize critères.An analysis of all sixty-eight accident flights confirms that all flights with a fatal outcome are detected by applying these criteria, which validates the definition of these thirteen criteria.

Cependant, en utilisant ces critères, la détection de la situation de détresse ne se situe que très peu de temps, en moyenne environ trente secondes, avant la survenance de cet accident. Cette durée de trente secondes n’est malheureusement pas suffisante pour permettre la transmission des données contenues dans une boîte noire au travers d’une solution de communication satellitaire. Les inventeurs ont en effet évalué qu’il fallait environ quatre minutes pour transférer par satellite l'équivalent de vingt minutes d'enregistrement d’une boîte noire.However, using these criteria, the detection of the distress situation occurs only very shortly, on average around thirty seconds, before the occurrence of this accident. This duration of thirty seconds is unfortunately not sufficient to allow the transmission of data contained in a black box via a satellite communication solution. The inventors have in fact estimated that it takes around four minutes to transfer by satellite the equivalent of twenty minutes of recording from a black box.

Subject and summary of the invention

L’invention vise par conséquent une solution pour anticiper la détection d’un accident d’un aéronef à venir, sans pour cela générer excessivement de fausses alarmes intempestives et pour transmettre, avant la survenance de l’accident, une copie de l’intégralité ou d’une quantité importante des données contenues dans une ou plusieurs boîtes noires de l’aéronef à un récepteur extérieur.The invention therefore aims at a solution for anticipating the detection of a future aircraft accident, without generating excessively many false untimely alarms and for transmitting, before the accident occurs, a copy of all or a significant quantity of the data contained in one or more black boxes of the aircraft to an external receiver.

L’invention vise surtout à identifier de nouveaux critères symptomatiques ou annonciateurs d’une situation de détresse, c’est à dire non identifiés sur les soixante-huit vols accidentés et à initier une communication d’urgence (transmission des données à un récepteur extérieur à l’aéronef).The invention aims above all to identify new symptomatic or warning criteria of a distress situation, i.e. not identified on the sixty-eight accident flights and to initiate emergency communication (transmission of data to a receiver outside the aircraft).

Dans la suite de ce document, on appellera :
- « vol accidenté », un vol au cours duquel un accident ou un incident majeur s’est produit, de sorte que ses données de maintenance n’ont pas pu être téléchargées; et
- « vol considéré sain » ou plus simplement « vol sain », un vol au cours duquel un accident ou un incident majeur ne s’est pas produit, de sorte que l’avion a pu atterrir, et que ses données de maintenance ont pu être téléchargées.In the remainder of this document, we will refer to:
- “accident flight” means a flight during which an accident or major incident occurred, such that its maintenance data could not be downloaded; and
- “safe flight” or more simply “safe flight”, a flight during which an accident or major incident did not occur, so that the aircraft was able to land, and its maintenance data could be downloaded.

On rappelle que les études de l’art antérieur, notamment du BEA, portent sur l’analyse de soixante-huit vols accidentés.It should be recalled that the studies of prior art, in particular those of the BEA, relate to the analysis of sixty-eight accident flights.

L’invention au contraire propose d’analyser les données collectées pendant des vols sains ou considérés sains et qui ont été déchargées dans des calculateurs de maintenance à l’issue de ces vols.The invention, on the contrary, proposes to analyze the data collected during healthy flights or flights considered healthy and which were downloaded into maintenance computers at the end of these flights.

Ainsi, et selon un premier aspect, l’invention concerne un procédé de génération d’un module de détection d’un évènement anormal se produisant au cours d’un vol dans un aéronef.Thus, and according to a first aspect, the invention relates to a method for generating a module for detecting an abnormal event occurring during a flight in an aircraft.

Dans la suite de ce document, on appellera « événement de référence », un événement qui s’est produit au cours d’un vol sain à un instant t et qui peut être représenté par un ensemble d’indicateurs à cet instant t. Les événements de référence sont utilisés pour générer le module de détection d’un événement anormal.In the remainder of this document, we will call "reference event" an event that occurred during a healthy flight at a time t and that can be represented by a set of indicators at this time t. Reference events are used to generate the abnormal event detection module.

Une fois que le module de détection a été généré, il peut être utilisé pour déterminer si un événement, appelé « événement d’intérêt » pour le distinguer des événements de référence utilisés pour générer le module, est un événement normal ou atypique.Once the detection module has been generated, it can be used to determine whether an event, called an "event of interest" to distinguish it from the reference events used to generate the module, is a normal or atypical event.

Une utilisation privilégiée du module de détection est de déterminer, lorsqu’il est utilisé dans un aéronef en cours de vol, si un événement d’intérêt qui se produit en cours de vol, est normal ou atypique de sorte à déclencher une communication d’urgence, c’est-à-dire l’envoi de données de vol à un récepteur extérieur.A preferred use of the detection module is to determine, when used in an aircraft in flight, whether an event of interest that occurs during flight is normal or atypical so as to trigger an emergency communication, i.e. the sending of flight data to an external receiver.

Mais le module de détection peut aussi être utilisé au sol, pour détecter si un événement d’intérêt produit au cours d’un vol sain ou accidenté est détecté comme normal ou atypique de sorte à ré-entraîner et/ou valider le module de détection.But the detection module can also be used on the ground, to detect whether an event of interest produced during a healthy or accidental flight is detected as normal or atypical so as to re-train and/or validate the detection module.

Par la suite on appellera :
- « indicateur » le type d’un indicateur (par exemple « angle de tangage ») et ;
- « valeur de l’indicateur », une valeur de cet indicateur à un instant t, par exemple 20°.Subsequently we will call:
- “indicator” the type of an indicator (e.g. “pitch angle”) and;
- “indicator value”, a value of this indicator at a time t, for example 20°.

Conformément à l’invention, on utilisera des sous-ensembles de l’ensemble complet d’indicateurs qui représente un événement de référence. L’homme du métier comprend qu’un tel sous-ensemble, incomplet, ne donne qu’une représentation partielle / incomplète / imparfaite de l’événement de référence.According to the invention, subsets of the complete set of indicators that represent a reference event will be used. The person skilled in the art understands that such an incomplete subset only gives a partial/incomplete/imperfect representation of the reference event.

Ainsi, le procédé de génération d’un module de détection d’un évènement anormal conforme à l’invention comporte :
- une étape d’obtention de données de vols acquises au cours de vols considérés sains ;
- pour au moins un sous-ensemble d’indicateurs sélectionnés dans un ensemble d’indicateurs obtenus à partir de ces données et représentatifs d’un évènement de référence qui s’est produit au cours d’un instant d’un dit vol sain, une étape d’association, à ce sous-ensemble d’indicateurs, d’un seuil permettant de déterminer un avis partiel sur le caractère normal ou atypique de cet évènement de référence à partir des valeurs des seuls indicateurs dudit sous-ensemble ; et
- une étape de configuration du module de détection avec :
(i) les indicateurs et le seuil de chaque sous-ensemble d’indicateurs, et avec
(ii) un modèle de décision permettant de déterminer un avis définitif sur le caractère normal ou atypique d’un évènement d’intérêt à partir d’avis partiels déterminés pour cet évènement d’intérêt, un avis partiel étant déterminé pour chaque sous-ensemble d’indicateurs à partir (i) des valeurs de ces indicateurs obtenues à partir des données représentatives de l’événement d’intérêt et (ii) du seuil associé à ce sous-ensemble ;
- ledit module de détection d’un évènement anormal étant configuré pour, lorsqu’il est mis en œuvre dans un aéronef en vol, générer ou non un signal de détresse en fonction d’un dit avis définitif déterminé pour un évènement d’intérêt produit au cours du vol.Thus, the method for generating a module for detecting an abnormal event in accordance with the invention comprises:
- a step of obtaining flight data acquired during flights considered healthy;
- for at least one subset of indicators selected from a set of indicators obtained from these data and representative of a reference event which occurred during an instant of a said healthy flight, a step of associating, with this subset of indicators, a threshold making it possible to determine a partial opinion on the normal or atypical nature of this reference event from the values of the indicators of said subset alone; and
- a detection module configuration step with:
(i) the indicators and the threshold for each subset of indicators, and with
(ii) a decision model for determining a definitive opinion on the normal or atypical nature of an event of interest from partial opinions determined for this event of interest, a partial opinion being determined for each subset of indicators from (i) the values of these indicators obtained from the data representative of the event of interest and (ii) the threshold associated with this subset;
- said abnormal event detection module being configured to, when implemented in an aircraft in flight, generate or not a distress signal depending on a said definitive notice determined for an event of interest produced during the flight.

Dans un mode de réalisation de l’invention, le module de détection d’un évènement anormal est un programme d’ordinateur configuré pour pouvoir être exécuté par un processeur de l’aéronef.In one embodiment of the invention, the abnormal event detection module is a computer program configured to be able to be executed by a processor of the aircraft.

Le procédé de génération, objet de l’invention, utilise des données de vols sains ou considérés sains à savoir des vols qui se sont terminés sans qu’un accident majeur ne se produise.The generation method, the subject of the invention, uses data from healthy flights or flights considered healthy, namely flights which ended without a major accident occurring.

Une fois généré, ce module de détection est capable de déterminer un avis définitif selon lequel un événement d’intérêt produit au cours d’un vol sain ou accidenté est un événement normal ou atypique.Once generated, this detection module is able to determine a definitive opinion according to which an event of interest produced during a healthy or accidental flight is a normal or atypical event.

Conformément à l’invention, cet avis définitif est obtenu à partir d’avis partiels et d’un modèle de décision. Ce modèle de décision peut par exemple être basé sur un ensemble de règles de détection, ou sur un modèle obtenu par apprentissage, par exemple en utilisant un algorithme du type Isolation Forest ou LOF (en anglais LocalOutlierFactor).According to the invention, this final opinion is obtained from partial opinions and a decision model. This decision model can for example be based on a set of detection rules, or on a model obtained by learning, for example using an algorithm of the Isolation Forest or LOF (in English LocalOutlierFactor) type.

Les avis partiels sur le caractère normal ou atypique d’un événement sont qualifiés de partiels car ils sont obtenus en ne considérant qu’un sous-ensemble de l’ensemble d’indicateurs qui représente complètement cet événement.Partial opinions on the normal or atypical nature of an event are called partial because they are obtained by considering only a subset of the set of indicators that completely represents this event.

Dans un mode de réalisation, le modèle de décision est configuré pour prendre en compte une pluralité d’avis partiels déterminés pour une pluralité de sous-ensembles d’indicateurs pendant une fenêtre de temps afin de déterminer l’avis définitif sur le caractère normal ou atypique d’un évènement de référence.In one embodiment, the decision model is configured to consider a plurality of partial opinions determined for a plurality of subsets of indicators during a time window in order to determine the definitive opinion on the normal or atypical nature of a reference event.

L’invention vise également un module de détection d’un évènement anormal au cours d’un vol dans un aéronef, ce module étant caractérisé en ce qu’il a été généré par un procédé de génération tel que mentionné ci-dessus.The invention also relates to a module for detecting an abnormal event during a flight in an aircraft, this module being characterized in that it was generated by a generation method as mentioned above.

L’invention vise également un procédé de sauvegarde de données de vol acquises au cours d’un vol d’un aéronef, ledit aéronef comportant un module de détection d’un évènement anormal tel que mentionné ci-dessus, ce procédé comportant :
- une étape de collecte de données au cours du vol et de mémorisation desdites données collectées dans une mémoire de l’aéronef ;
- une étape de copie d’au moins une partie des données collectées dans une boîte noire de l’aéronef ;
- une étape de fourniture desdites données collectées en entrée dudit module de détection ; et
- une étape de déclenchement de la transmission d’au moins une partie des données collectées vers un récepteur extérieur sur et seulement sur détection d’un signal de détresse généré par ledit module de détection.The invention also relates to a method for saving flight data acquired during a flight of an aircraft, said aircraft comprising a module for detecting an abnormal event as mentioned above, this method comprising:
- a step of collecting data during the flight and storing said collected data in a memory of the aircraft;
- a step of copying at least part of the data collected into a black box of the aircraft;
- a step of providing said collected data as input to said detection module; and
- a step of triggering the transmission of at least part of the collected data to an external receiver upon and only upon detection of a distress signal generated by said detection module.

Corrélativement, l’invention concerne un dispositif de sauvegarde de données de vol acquises au cours d’un vol d’un aéronef, ledit aéronef comportant un module de détection d’un évènement anormal tel que mentionné ci-dessus, ce dispositif comportant :
- un module de collecte de données au cours du vol et de mémorisation desdites données collectées dans une mémoire ;
- un module de copie d’au moins une partie desdites données collectées dans une boîte noire de l’aéronef ;
- un module de fourniture desdites données collectées en entrée du module de détection ; et
- un module de déclenchement de la transmission d’au moins une partie des données collectées vers un récepteur extérieur sur et seulement sur détection d’un signal de détresse généré par ledit module de détection.Correlatively, the invention relates to a device for saving flight data acquired during a flight of an aircraft, said aircraft comprising a module for detecting an abnormal event as mentioned above, this device comprising:
- a module for collecting data during the flight and storing said collected data in a memory;
- a module for copying at least part of said data collected in a black box of the aircraft;
- a module for providing said data collected as input to the detection module; and
- a module for triggering the transmission of at least part of the collected data to an external receiver upon and only upon detection of a distress signal generated by said detection module.

L’invention concerne également un aéronef comportant un dispositif de sauvegarde tel que mentionné ci-dessus.The invention also relates to an aircraft comprising a safeguard device as mentioned above.

Le dispositif de sauvegarde peut par exemple être intégré dans une unité d'acquisition de données de vol (en anglais Flight-Data Acquisition Unit) qui reçoit différentes données de vol, sous forme analogique ou numérique d'un certain nombre de capteurs et de systèmes avioniques, et qui achemine au moins certaines de ces données vers la boîte noire.The backup device can, for example, be integrated into a flight data acquisition unit (FDU) which receives various flight data, in analog or digital form, from a number of sensors and avionics systems and which routes at least some of this data to the black box.

Ainsi, et d’une façon générale, l’invention considère que parmi les données de vols considérés sains, il se produit des évènements atypiques qui auraient mérité le déclenchement d’une communication d’urgence des données de vol car ces évènements atypiques auraient potentiellement pu conduire à un accident de l’aéronef, par exemple dans des circonstances légèrement différentes, ou par une réaction différente des pilotes de l’aéronef.Thus, and in general, the invention considers that among the flight data considered healthy, atypical events occur which would have merited the triggering of an emergency communication of the flight data because these atypical events could potentially have led to an accident of the aircraft, for example in slightly different circumstances, or by a different reaction of the pilots of the aircraft.

L’invention propose donc de permettre la détection de ces évènements atypiques par analyse des données acquises et enregistrées au cours de vols sains.The invention therefore proposes to enable the detection of these atypical events by analysis of data acquired and recorded during healthy flights.

Les nouvelles conditions de déclenchement identifiées par l’invention à partir de données collectées pendant des vols sains permettent d’anticiper plus de situations d’accident et de les détecter plus tôt.The new trigger conditions identified by the invention from data collected during healthy flights make it possible to anticipate more accident situations and detect them earlier.

Ces données de vols sains sont par exemple des données d’un système ACMS de surveillance de l’état de l’aéronef (en anglais Aircraft Condition Monitoring System). On rappelle qu’un système de surveillance de l'état d'un aéronef est un outil de maintenance prédictive composé d'une unité d'acquisition de données de vol à haute capacité et des capteurs associés qui échantillonnent, surveillent et enregistrent les informations et les paramètres de vol des principaux systèmes et composants de l'aéronef.These healthy flight data are, for example, data from an ACMS aircraft condition monitoring system. It is recalled that an aircraft condition monitoring system is a predictive maintenance tool composed of a high-capacity flight data acquisition unit and associated sensors that sample, monitor and record flight information and parameters from the main systems and components of the aircraft.

Très avantageusement, les données de systèmes ACMS utilisées pour définir les nouveaux critères de déclenchement, et collectées sur des vols sains, sont beaucoup plus volumineuses et beaucoup plus riches que les données des boîtes noires des soixante-huit vols accidentés analysées par le BEA pour identifier les treize critères rappelés ci-dessus.Very advantageously, the ACMS system data used to define the new trigger criteria, and collected on healthy flights, are much more voluminous and much richer than the data from the black boxes of the sixty-eight accident flights analyzed by the BEA to identify the thirteen criteria recalled above.

Les données de système ACMS utilisées pour déterminer les critères par l’invention sont beaucoup plus nombreuses car collectées sur un nombre très important de vols considérés sains. Elles sont par ailleurs disponibles à plus haute fréquence (plusieurs Hertz) que les données de boîte noire.The ACMS system data used to determine the criteria by the invention are much more numerous because they are collected on a very large number of flights considered healthy. They are also available at a higher frequency (several Hertz) than the black box data.

Les données utilisées par l’invention peuvent contenir des données du type de celles enregistrées dans les boites noires mais aussi d’autres types de données.The data used by the invention may contain data of the type recorded in black boxes but also other types of data.

A titre d’exemple les données des systèmes ACMS sur les avions A330-300 comportent plus de 695 paramètres, un nombre très important d’entre elles n’étant pas enregistrées dans les boîtes noires. A titre d’exemple, l’invention peut prendre en compte tous les critères définis par le BEA et d’autres données de vol, par exemple au moins une donnée parmi :
- des notifications produites par des systèmes de mesure (par exemple les voyants « Master Caution » et « Master Warning ») ;
- des données de survitesse dans les conditions de train d’atterrissage sortie, ou des volet en position d’atterrissage (en anglais Overspeed Train / Overspeed Volets) ) ;
- des témoins d’incendies autres que les témoins d’incendie moteur ;
- des signaux vibratoires ;
- un ou des mots spécifiques prononcés par un pilote ou du copilote , par exemple MAYDAY ;
- une incapacité du pilote ou de copilote à piloter l’avion ;
- une situation critique dans le cockpit, par exemple la présence de fumée ;
- un obstacle détecté par une caméra extérieure ;For example, the data from the ACMS systems on A330-300 aircraft include more than 695 parameters, a very large number of which are not recorded in the black boxes. For example, the invention can take into account all the criteria defined by the BEA and other flight data, for example at least one of:
- notifications produced by measuring systems (for example the “Master Caution” and “Master Warning” lights);
- overspeed data in landing gear extended conditions, or flaps in landing position (in English Overspeed Train / Overspeed Flaps);
- fire indicators other than engine fire indicators;
- vibration signals;
- one or more specific words spoken by a pilot or co-pilot, for example MAYDAY;
- inability of the pilot or co-pilot to fly the aircraft;
- a critical situation in the cockpit, for example the presence of smoke;
- an obstacle detected by an external camera;

La transmission des données vers le récepteur extérieur peut par exemple se faire par voie hertzienne par satellite en particulier ou par réseau GSM.Data transmission to the external receiver can, for example, be done over the air, particularly by satellite, or via the GSM network.

Les données envoyées peuvent être à la fois des données collectées avant la détection du signal de détresse généré et représentatif de la détection d’un évènement anormal et des données collectées après cette détection.The data sent can be both data collected before the detection of the distress signal generated and representative of the detection of an abnormal event and data collected after this detection.

En particulier, la présente invention peut mettre en œuvre un procédé de sauvegarde de données de fonctionnement d'un aéronef comportant les étapes consistant à collecter les données de fonctionnement et les enregistrer au fur et à mesure à bord de l’aéronef, détecter que l’aéronef est susceptible d’avoir un accident, à partir de la détection, émettre vers le récepteur extérieur, d'une part, les données collectées dès leur collecte et, d'autre part, les données mémorisées dans un ordre chronologique inverse de l'ordre d'enregistrement.In particular, the present invention can implement a method for saving operating data of an aircraft comprising the steps of collecting the operating data and recording them as they occur on board the aircraft, detecting that the aircraft is likely to have an accident, from the detection, transmitting to the external receiver, on the one hand, the data collected as soon as they are collected and, on the other hand, the data stored in a reverse chronological order of the recording order.

Cette sauvegarde peut être mise en œuvre en utilisant le procédé de sauvegarde décrit dans le document FR2967647 (A1).This backup can be implemented using the backup method described in document FR2967647 (A1).

Dans un mode de réalisation, le procédé de génération d’un module de détection d’un évènement anormal au cours d’un vol dans un aéronef comporte, pour une pluralité de sous-ensembles d’indicateurs représentatifs d’évènements de référence qui se sont produits au cours desdits vols sains :
- une étape de calcul d’un score de normalité pour chacun desdits évènements de référence à partir des valeurs des indicateurs dudit sous-ensemble pour cet évènement ;
- le seuil associé à un sous-ensemble d’indicateurs étant déterminé à partir d’un type d’une distribution desdits scores de normalité calculés pour ce sous-ensemble.In one embodiment, the method for generating a module for detecting an abnormal event during a flight in an aircraft comprises, for a plurality of subsets of indicators representative of reference events which occurred during said healthy flights:
- a step of calculating a normality score for each of said reference events from the values of the indicators of said subset for this event;
- the threshold associated with a subset of indicators being determined from a type of a distribution of said normality scores calculated for this subset.

Dans un mode de réalisation, le seuil est déterminé en fonction de la forme d’une queue de la distribution.In one embodiment, the threshold is determined based on the shape of a tail of the distribution.

Dans un mode de réalisation, les scores de normalité calculés pour un sous-ensemble d’indicateurs sont obtenus par un algorithme appris associé à ce sous-ensemble.In one embodiment, the normality scores calculated for a subset of indicators are obtained by a learned algorithm associated with this subset.

Dans un mode particulier de réalisation, on distingue, parmi les indicateurs précités, des indicateurs dits de premier niveau et des indicateurs dits de deuxième niveau.In a particular embodiment, a distinction is made, among the aforementioned indicators, between so-called first-level indicators and so-called second-level indicators.

Les indicateurs de premier niveau peuvent par exemple être représentés sous forme de vecteurs dont chaque composante représente une donnée de vol ou une donnée météorologique à un instant t.First-level indicators can, for example, be represented in the form of vectors, each component of which represents flight data or meteorological data at a time t.

Des indicateurs de deuxième niveau peuvent être obtenus par agrégation d’indicateurs de premier niveau, par exemple par une fonction de type moyenne, minimum ou maximum, sur une période de temps donné, par exemple au cours des dix dernières secondes. Dans ce mode de réalisation, l’utilisation d’indicateurs de deuxième niveau, permet de déterminer un avis partiel sur la base de valeurs d’indicateurs considérés pendant une fenêtre de temps correspondant à cette période d’agrégation.Second-level indicators can be obtained by aggregating first-level indicators, for example by a function of the average, minimum or maximum type, over a given period of time, for example over the last ten seconds. In this embodiment, the use of second-level indicators makes it possible to determine a partial opinion on the basis of values of indicators considered during a time window corresponding to this aggregation period.

Le modèle de décision utilisé dans l’invention peut être de différente nature. Il peut s’agir en particulier :
- d’un modèle basé sur une combinaison de conditions logiques (par exemple si condition 1 et (condition 2 ou condition 3) …) ; ou
- d’un modèle à base de machines d’états.The decision model used in the invention may be of different nature. In particular, it may be:
- a model based on a combination of logical conditions (e.g. if condition 1 and (condition 2 or condition 3) …); or
- a model based on state machines.

Dans un exemple, un évènement est considéré atypique (avis partiel) si le score de normalité de cet événement dépasse ledit seuil.In one example, an event is considered atypical (partial opinion) if the normality score of this event exceeds the said threshold.

Dans un mode particulier de réalisation, les différentes étapes du procédé de génération ou du procédé de sauvegarde de données sont déterminées par des instructions de programmes d'ordinateurs ou sont implémentées par une puce en silicium qui comprend des transistors adaptés pour constituer des portes modèles d'un modèle câblée programmable ou non programmable.In a particular embodiment, the various steps of the data generation method or data saving method are determined by computer program instructions or are implemented by a silicon chip which comprises transistors adapted to constitute model gates of a programmable or non-programmable hardwired model.

En conséquence, l'invention vise aussi un programme d'ordinateur sur un support d'informations, ce programme étant susceptible d'être mis en œuvre dans un ordinateur contrôleur, ce programme comportant des instructions adaptées à la mise en œuvre des étapes d'un procédé de génération et/ou d’un procédé de sauvegarde de données tel que décrit ci-dessus.Consequently, the invention also relates to a computer program on an information medium, this program being capable of being implemented in a controller computer, this program comprising instructions adapted to the implementation of the steps of a generation method and/or a data backup method as described above.

Ce 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.This program may use any programming language, and may be in the form of source code, object code, or code intermediate between source code and object code, such as in a partially compiled form, or in any other desirable form.

L'invention vise aussi un support d'informations lisible par un ordinateur, et comportant des instructions d'un programme d'ordinateur tel que mentionné 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 ROM, une mémoire non volatile de type flash ou encore un moyen d'enregistrement magnétique, par exemple un disque dur. D'autre part, le support d'informations 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 d'autres moyens. Le programme selon l'invention peut être en particulier téléchargé sur un réseau de type Internet. 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.The invention also relates to a computer-readable information medium, and comprising instructions of a computer program as mentioned above. The information medium can be any entity or device capable of storing the program. For example, the medium can comprise a storage means, such as a ROM, a non-volatile memory of the flash type or a magnetic recording means, for example a hard disk. Furthermore, the information medium can be a transmissible medium such as an electrical or optical signal, which can be conveyed via an electrical or optical cable, by radio or by other means. The program according to the invention can in particular be downloaded from a network such as the Internet. Alternatively, the information medium can be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in question.

D’autres caractéristiques et avantages de la présente invention ressortiront de la description faite ci-dessous, en référence aux dessins annexés qui en illustrent des exemples de réalisation dépourvus de tout caractère limitatif. Sur les figures :Other characteristics and advantages of the present invention will emerge from the description given below, with reference to the attached drawings which illustrate exemplary embodiments thereof which are not limiting in nature. In the figures:

La représente la corrélation pour les valeurs de deux indicateurs (accélération normale et longitudinale de l’aéronef) pour un ensemble d’évènements obtenus à partir de données de vols sains; There represents the correlation for the values of two indicators (normal and longitudinal acceleration of the aircraft) for a set of events obtained from healthy flight data;

La représente un premier exemple de seuils sur ces deux indicateurs pour les évènements de la ; There represents a first example of thresholds on these two indicators for the events of the ;

La représente un deuxième exemple de seuils sur ces deux indicateurs pour les évènements de la ; There represents a second example of thresholds on these two indicators for events of the ;

La représente le résultat d’une classification des indicateurs des événements de la par un outil mathématique ou par un opérateur; There represents the result of a classification of indicators of events of the by a mathematical tool or by an operator;

La représente un troisième exemple de seuil pour les indicateurs des évènements de la ; There represents a third example of a threshold for indicators of events of the ;

La représente un aéronef conforme à un mode particulier de réalisation de l’invention ; There represents an aircraft conforming to a particular embodiment of the invention;

La représente les principales étapes d’un procédé de sauvegarde de données selon un mode de réalisation de l’invention ; There represents the main steps of a data backup method according to one embodiment of the invention;

La illustre un exemple de modèle de décision pouvant être utilisé dans l’invention ; There illustrates an example of a decision model that may be used in the invention;

La représente les principales étapes d’un procédé de génération de module de détection d’un évènement anormal conforme à un mode de réalisation de l’invention ; There represents the main steps of a method for generating a module for detecting an abnormal event in accordance with an embodiment of the invention;

La représente un premier exemple de distribution de scores de normalité; There represents a first example of a distribution of normality scores;

La représente un deuxième exemple de distribution de scores de normalité; There represents a second example of normality score distribution;

La représente un troisième exemple de distribution de scores de normalité; There represents a third example of a normality score distribution;

La représente quatre distributions de scores de normalité. There represents four distributions of normality scores.

Description of different embodiments

Nous allons maintenant décrire un procédé de sauvegarde de données et un procédé de génération d’un module de détection d’un évènement anormal conformes à un mode particulier de réalisation de l’invention.We will now describe a method of saving data and a method of generating a module for detecting an abnormal event in accordance with a particular embodiment of the invention.

D’une façon générale, et comme décrit ci-après précisément, le procédé de sauvegarde de données utilise un module de détection d’un évènement anormal conforme à l’invention pour déclencher, au cours d’un vol, la transmission de données de vol si le module détecte un évènement anormal au cours du vol.Generally speaking, and as described below in detail, the data backup method uses an abnormal event detection module according to the invention to trigger, during a flight, the transmission of flight data if the module detects an abnormal event during the flight.

Ce module de détection utilise des seuils mémorisés dans le module de détection par le procédé de génération de ce module à partir de valeurs d’indicateurs associés à des d’évènements de référence qui se sont produits au cours de vols sains.This detection module uses thresholds stored in the detection module by the generation process of this module from indicator values associated with reference events which occurred during healthy flights.

On rappelle qu’on appelle « événement de référence », un événement qui s’est produit au cours d’un vol sain à un instant t et qui peut être représenté par un ensemble (complet) d’indicateurs à cet instant t, les événements de référence étant utilisés pour générer un module de détection d’un événement anormal au sens de l’invention.It is recalled that a “reference event” is an event which occurred during a healthy flight at a time t and which can be represented by a (complete) set of indicators at this time t, the reference events being used to generate a module for detecting an abnormal event within the meaning of the invention.

On rappelle également que dans un mode de réalisation, l’invention propose d’utiliser des indicateurs de premier niveau pouvant par exemple être représentés sous forme de vecteurs dont chaque composante représente une donnée de vol brute ou une donnée météorologique à un instant t et des indicateurs de deuxième niveau pouvant être obtenus à partir d’indicateurs de premier niveau ; il peut s’agir notamment de la durée écoulée depuis un fait précédent, comme la mise en route de l’autopilote, ou de données agrégées, par exemple une valeur moyenne d’un indicateur sur les 10 dernières secondes.It is also recalled that in one embodiment, the invention proposes to use first-level indicators that can for example be represented in the form of vectors, each component of which represents raw flight data or meteorological data at a time t and second-level indicators that can be obtained from first-level indicators; this may in particular be the time elapsed since a previous event, such as the start-up of the autopilot, or aggregated data, for example an average value of an indicator over the last 10 seconds.

Les figures 1 à 5 illustrent différentes façons de déterminer un seuil pour discriminer des évènements normaux et atypiques.Figures 1 to 5 illustrate different ways to determine a threshold to discriminate between normal and atypical events.

Dans ces figures, à titre d’exemple, on considère un évènement composé de deux indicateurs, à savoir l’accélération normale nz et l’accélération longitudinale ny d’un aéronef.In these figures, as an example, we consider an event composed of two indicators, namely the normal acceleration nz and the longitudinal acceleration ny of an aircraft.

La présente la corrélation de ces indicateurs dans chaque événement, chaque point correspond à un événement, potentiellement issu de plusieurs vols.There presents the correlation of these indicators in each event, each point corresponds to an event, potentially resulting from several flights.

Sur la , on a représenté :
- par des lignes horizontale et verticale un seuil pour chacun des indicateurs, environ 1.31 pour l’accélération normale nz et 0.08 pour l’accélération longitudinale ny ; et
- une zone hachurée dans laquelle se trouvent les points dont au moins une valeur parmi l’accélération normale nz ou l’accélération longitudinale ny est supérieure au seuil correspondant.On the , we have represented:
- by horizontal and vertical lines a threshold for each of the indicators, approximately 1.31 for normal acceleration nz and 0.08 for longitudinal acceleration ny; and
- a hatched area containing the points where at least one value of the normal acceleration nz or the longitudinal acceleration ny is greater than the corresponding threshold.

Considérer chaque point de la zone hachurée comme un évènement annonciateur d’un accident à venir conduirait à un grand nombre de faux positifs.Considering each point in the hatched area as an event announcing a future accident would lead to a large number of false positives.

Sur la , on a représenté une zone hachurée dans laquelle se trouvent les points représentant les évènements dont l’accélération normale nz et l’accélération longitudinale ny de l’aéronef sont simultanément supérieures à leurs seuils respectifs.On the , a hatched area is shown in which are located the points representing the events whose normal acceleration nz and longitudinal acceleration ny of the aircraft are simultaneously greater than their respective thresholds.

Considérer chaque point de cette zone hachurée comme un évènement annonciateur d’un accident à venir peut réduire considérablement le nombre de faux positifs par rapport à l’exemple de la . Par contre, des événements annonciateurs d’un événement pourraient ne pas être détectés.Considering each point in this hatched area as an event announcing an upcoming accident can significantly reduce the number of false positives compared to the example in . On the other hand, events announcing an event might not be detected.

Sur la , on a représenté le résultat d’une classification des évènements de la par un outil mathématique, ou par une sélection manuelle. Cet outil produit :
- une zone non hachurée correspondant à des points nominaux ;
- des zone quadrillées correspondant à des classes de points atypiques.On the , we have represented the result of a classification of the events of the by a mathematical tool, or by manual selection. This tool produces:
- an unhatched area corresponding to nominal points;
- gridded areas corresponding to atypical point classes.

A partir de cette classification, il est possible de définir une combinaison de ces paramètres et de comparer cette combinaison par rapport à un seuil représenté par une ligne oblique.From this classification, it is possible to define a combination of these parameters and to compare this combination with respect to a threshold represented by an oblique line.

Par exemple, la illustre un exemple dans lequel on compare une somme pondérée des indicateurs accélérations normale et longitudinale à un seuil, les points situés dans la zone hachurée déclenchant, lorsqu’ils sont détectés, une transmission urgente d’au moins une partie des données collectées au cours du vol.For example, the illustrates an example in which a weighted sum of the normal and longitudinal acceleration indicators is compared to a threshold, with points within the hatched area triggering, when detected, an urgent transmission of at least some of the data collected during the flight.

En référence aux figures 6 et 7, nous allons maintenant décrire les principales étapes d’un procédé de sauvegarde de données conforme à un mode de réalisation de l’invention. Ce procédé est mis en œuvre dans un aéronef AER en vol. Il utilise un module MDEA de détection d’un évènement anormal conforme à l’invention. La qui sera décrite ultérieurement présente un procédé conforme à l’invention pour générer ce module de détection.With reference to Figures 6 and 7, we will now describe the main steps of a data backup method according to an embodiment of the invention. This method is implemented in an AER aircraft in flight. It uses an MDEA module for detecting an abnormal event according to the invention. The which will be described later presents a method according to the invention for generating this detection module.

Au cours du vol de l’aéronef, des données de vol dv et des données météorologiques dm sont acquises au cours d’une étape d’acquisition F10.During the aircraft flight, flight data dv and meteorological data dm are acquired during an acquisition step F10.

Ces données de vol permettent de déterminer, pour un instant t du vol, des indicateurs d’un évènement se produisant à cet instant t. Ces données sont enregistrées dans une mémoire MEM de l’aéronef et une partie de ces données sont copiées dans une boîte noire référencée FDR.These flight data make it possible to determine, for a time t of the flight, indicators of an event occurring at this time t. These data are recorded in a MEM memory of the aircraft and part of these data are copied into a black box referenced FDR.

Dans un mode particulier de réalisation, on distingue, parmi les indicateurs d’évènement précités, des indicateurs d’évènement dits de premier niveau et des indicateurs d’évènements dits de deuxième niveau.In a particular embodiment, among the aforementioned event indicators, there are so-called first-level event indicators and so-called second-level event indicators.

Les indicateurs de premier niveau peuvent par exemple être représentés sous forme de vecteurs dont chaque composante représente une donnée de vol dv ou une donnée météorologique dm à un instant t.First level indicators can for example be represented in the form of vectors, each component of which represents a flight dv or meteorological dm at a time t.

Des données de vol constituant des indicateurs de premier niveau au sens de l’invention peuvent par exemple être choisies parmi les données suivantes :
- l’angle de roulis de l’aéronef,
- l’angle de tangage de l’aéronef,
- la vitesse verticale de l’aéronef,
- la vitesse de l’aéronef par rapport au sol,
- un facteur de charge de l’aéronef,
- l’altitude de l’aéronef,
- la déviation de l’aéronef par rapport au plan de descente d’un système automatique d'aide à l'atterrissage (en anglais ILS pour Instrument Landing System),
- le braquage des volets de l’aéronef,
- le braquage des becs de l’aéronef, et
- l’angle du vent par rapport au cap de l’aéronef.Flight data constituting first level indicators within the meaning of the invention may for example be chosen from the following data:
- the roll angle of the aircraft,
- the pitch angle of the aircraft,
- the vertical speed of the aircraft,
- the speed of the aircraft relative to the ground,
- an aircraft load factor,
- the altitude of the aircraft,
- the deviation of the aircraft from the glide path of an automatic landing aid system (ILS for Instrument Landing System),
- the deflection of the aircraft flaps,
- the deflection of the aircraft's slats, and
- the wind angle relative to the aircraft's heading.

La vitesse du vent est un exemple de donnée météorologique.Wind speed is an example of weather data.

Un indicateur considéré à un instant t (par exemple l’angle de roulis), peut dans un exemple comporter des valeurs de cet indicateur aux N derniers instants t, t-1, …, t-N-1. N peut par exemple être choisi égal à 3, deux instants consécutifs t-i, t-(i+1) étant par exemple séparés de 1 seconde.An indicator considered at a time t (for example the roll angle), can in one example include values of this indicator at the last N times t, t-1, …, t-N-1. N can for example be chosen equal to 3, two consecutive times t-i, t-(i+1) being for example separated by 1 second.

Dans le mode de réalisation décrit ici, des indicateurs de deuxième niveau peuvent être obtenus (i) par agrégation d’indicateurs de premier niveau ou (ii) par agrégation de paramètres catégoriels. On rappelle qu’en statistique, un paramètre catégoriel prend pour valeur des modalités par opposition aux variables quantitatives.In the embodiment described herein, second-level indicators may be obtained (i) by aggregating first-level indicators or (ii) by aggregating categorical parameters. It is recalled that in statistics, a categorical parameter takes modalities as its value as opposed to quantitative variables.

Par exemple, un indicateur de deuxième niveau peut être :
(i) la somme, la valeur minimale, ou la valeur maximale d’indicateurs de premier niveau sur une période de temps, par exemple la valeur maximale de l’angle de tangage au cours des 5 dernières secondes, une valeur obtenue par analyse en composantes principales de couples d’indicateurs de premier niveau par exemple à partir de l’angle de tangage et de la vitesse verticale ;
(ii) le temps écoulé depuis la dernière alerte du système TCAS, le nombre d’alertes TCAS sur une période de temps, par exemple depuis les 10 dernières minutes, la durée totale d’engagement du pilote automatique depuis par exemple les 5 dernières minutesFor example, a second level indicator might be:
(i) the sum, minimum value, or maximum value of first-level indicators over a period of time, for example the maximum value of pitch angle over the last 5 seconds, a value obtained by principal component analysis of pairs of first-level indicators for example from pitch angle and vertical speed;
(ii) the time elapsed since the last TCAS alert, the number of TCAS alerts over a period of time, e.g. over the last 10 minutes, the total duration of autopilot engagement over the last 5 minutes, e.g.

Un événement EV(t) du vol de l’aéronef à l’instant t est défini par les valeurs de tous les indicateurs à l’instant t.An event EV(t) of the aircraft flight at time t is defined by the values of all indicators at time t.

Dans le mode de réalisation décrit ici, on constitue, au cours d’une étape F15, des sous-ensembles d’indicateurs sélectionnés dans cet ensemble complet d’indicateurs.In the embodiment described here, during a step F15, subsets of indicators selected from this complete set of indicators are constituted.

Par exemple, si on dispose d’un ensemble de 10 indicateurs (de premier ou de deuxième niveau) on peut constituer cinq sous-ensembles d’indicateurs, tels que :
- le premier sous-ensemble peut être constitué par les indicateurs 1 à 4,
- le deuxième sous-ensemble peut être constitué par les indicateurs 6 à 10,
- le troisième sous-ensemble peut être constitué par l’indicateur 5,
- le quatrième sous-ensemble peut être constitué par les indicateurs 1, 5 et 9,
- le cinquième sous-ensemble peut être constitué par les indicateurs 3, 7 et 9.For example, if we have a set of 10 indicators (first or second level) we can constitute five subsets of indicators, such as:
- the first subset can be made up of indicators 1 to 4,
- the second subset can be made up of indicators 6 to 10,
- the third subset can be constituted by indicator 5,
- the fourth subset can be made up of indicators 1, 5 and 9,
- the fifth subset can be made up of indicators 3, 7 and 9.

Au cours d’une étape F20 du procédé de sauvegarde de données, le module MDEA de détection d’un évènement anormal détermine pour un événement EV se produisant à un instant t, et pour chaque sous-ensemble d’indicateurs EI_i, un avis partiel ap_isur le caractère normal (N) ou atypique (A) de cet évènement à partir des valeurs des indicateurs de cet évènement pour ce sous-ensemble.During a step F20 of the data backup method, the MDEA module for detecting an abnormal event determines for an event EV occurring at a time t, and for each subset of indicators EI _i , a partial opinion ap _i on the normal (N) or atypical (A) nature of this event from the values of the indicators of this event for this subset.

Par exemple, pour un évènement donné,
- au vu des valeurs des indicateurs du premier sous-ensemble à l’instant T, l’avis partiel déterminé ap₁pour le premier sous-ensemble d’indicateurs peut être que cet événement est normal ;
- au vu des valeurs des indicateurs du deuxième sous-ensemble à l’instant T, l’avis partiel ap₂déterminé pour le second sous-ensemble d’indicateurs peut être que cet événement est atypique;
- au vu des valeurs des indicateurs du troisième sous-ensemble à l’instant T, l’avis partiel ap₃déterminé pour le troisième sous-ensemble d’indicateurs peut être que cet événement est normal ;
- au vu des valeurs des indicateurs du quatrième sous-ensemble à l’instant T, l’avis partiel ap₄déterminé pour le quatrième sous-ensemble d’indicateurs peut être que cet événement est normal ; et
- au vu des valeurs des indicateurs du cinquième sous-ensemble à l’instant T, l’avis partiel ap₅déterminé pour le cinquième sous-ensemble d’indicateurs peut être que cet événement est atypique.For example, for a given event,
- in view of the values of the indicators of the first subset at time T, the partial opinion determined ap ₁ for the first subset of indicators may be that this event is normal;
- in view of the values of the indicators of the second subset at time T, the partial opinion ap ₂ determined for the second subset of indicators may be that this event is atypical;
- in view of the values of the indicators of the third subset at time T, the partial opinion ap ₃ determined for the third subset of indicators may be that this event is normal;
- in view of the values of the indicators of the fourth subset at time T, the partial opinion ap ₄ determined for the fourth subset of indicators may be that this event is normal; and
- in view of the values of the indicators of the fifth subset at time T, the partial opinion ap ₅ determined for the fifth subset of indicators may be that this event is atypical.

Pour cela, le module MDEA de détection d’évènement anormal calcule, pour chaque sous-ensemble d’indicateurs EI_i, un score de normalité sn_isur la base des valeurs des seuls indicateurs du sous-ensemble EI_ià l’instant t, en utilisant un algorithme AAi associé à ce sous-ensemble EI_i, et compare ce score de normalité sn_iavec un seuil TH_idéterminé pour ce sous-ensemble d’indicateurs EI_i.To do this, the MDEA abnormal event detection module calculates, for each subset of indicators EI _i , a normality score sn _i based on the values of only the indicators of the subset EI _i at time t, using an AAi algorithm associated with this subset EI _i , and compares this normality score sn _i with a threshold TH _i determined for this subset of indicators EI _i .

Par exemple, plus l’algorithme considère l’évènement comme atypique, plus le score de normalité attribué à cet évènement est élevé. Comme déjà mentionné et comme détaillé ci-après, chaque algorithme AA_ia été appris sur des événements de référence issus de vols sains à définir un score de normalité pour les sous-ensembles d’indicateurs EI_iainsi que le seuil TH_ide ce sous-ensemble.For example, the more the algorithm considers the event as atypical, the higher the normality score assigned to this event. As already mentioned and as detailed below, each AA algorithm _i was learned on reference events from healthy flights to define a normality score for the subsets of indicators EI _i as well as the threshold TH _i of this subset.

Au cours d’une étape F30, le module MDEA de détection d’évènement anormal détermine, en utilisant un modèle de décision, à partir des avis partiels ap_i, un avis définitif AD sur le caractère normal N ou atypique A de l’évènement EV à l’instant t..During a step F30, the abnormal event detection module MDEA determines, using a decision model, from the partial opinions ap _i , a definitive opinion AD on the normal nature N or atypical A of the event EV at time t.

Si (et seulement si) le module MDEA de détection d’évènement anormal détermine que l’évènement EV à l’instant t est un évènement atypique A, ce module émet un signal de détresse SD.If (and only if) the MDEA abnormal event detection module determines that the EV event at time t is an atypical event A, this module emits a distress signal SD.

La illustre un modèle de décision LD qui peut être utilisé par un module de détection d’évènement anormal MDEA conforme à l’invention pour générer un signal de détresse SD.There illustrates an LD decision model that can be used by an abnormal event detection module MDEA according to the invention to generate a distress signal SD.

Sur cette figure, on a représenté cinq sous-ensembles d’indicateurs EI₁à EI₅associés à cinq algorithmes AA₁à AA₅. On a également représenté cinq indicateurs I₆à I₁₀. Les indicateurs des cinq sous-ensembles d’indicateurs EI₁à EI₅et les indicateurs I₆à I₁₀font partie d’un ensemble d’indicateurs qui représentent un événement d’intérêt EV se produisant au cours d’un instant t du vol d’un aéronef.In this figure, five subsets of indicators EI ₁ to EI ₅ associated with five algorithms AA ₁ to AA ₅ are represented. Five indicators I ₆ to I ₁₀ are also represented. The indicators of the five subsets of indicators EI ₁ to EI ₅ and the indicators I ₆ to I ₁₀ are part of a set of indicators that represent an event of interest EV occurring during an instant t of the flight of an aircraft.

A titre d’exemple, un indicateur de l’ensemble EI₄est un indicateur de niveau deux qui représente un type phase de vol (par exemple décollage, phase de montée, croisière, phase de descente, phase de préparation à l’atterrissage…) obtenu par une machine à états AEF.For example, an indicator of the EI ₄ set is a level two indicator that represents a flight phase type (e.g. takeoff, climb phase, cruise, descent phase, landing preparation phase, etc.) obtained by an AEF state machine.

Chaque algorithme AA_idétermine un avis partiel ap_isur le caractère normal ou atypique de l’événement d’intérêt à partir du sous-ensemble associé EI_i.Each algorithm AA _i determines a partial opinion ap _i on the normal or atypical character of the event of interest from the associated subset EI _i .

Dans cet exemple, les indicateurs I₆à I₁₀sont des indicateurs définis par le BEA.In this example, indicators I ₆ to I ₁₀ are indicators defined by the BEA.

Le modèle de décision LD est représenté par le cadre en traits épais.The LD decision model is represented by the thick line frame.

Dans cet exemple, un signal de détresse SD est généré si et seulement si au moins une des cinq conditions suivantes est satisfaite :
condition 1/ l’avis partiel ap₁déterminé pour le premier sous-ensemble d’indicateurs EI₁et l’avis partiel ap₁déterminé pour le deuxième sous-ensemble d’indicateurs EI₂sont tous les deux d’avis que l’évènement EV est atypique ;
condition 2/ l’avis partiel ap₂déterminé pour le deuxième sous-ensemble d’indicateurs EI₂et l’avis partiel ap₃déterminé pour le troisième sous-ensemble d’indicateurs EI₃sont tous les deux d’avis que l’évènement EV est atypique ;
condition 3/ un compteur, qui compte le nombre de fois consécutives où un indicateur catégoriel du quatrième sous-ensemble EI₄prend une modalité déterminée, a dépassé une valeur X dans une fenêtre de temps d’une minute ;
condition 4/ une valeur déterminée à partir des indicateurs du cinquième sous-ensemble EI₅d’indicateurs est dans une plage définie par un filtre ;
condition 5/ au moins un risque de détresse RD correspondant à un critère défini par un indicateur I₆à I₁₀du BEA est détecté.In this example, an SD distress signal is generated if and only if at least one of the following five conditions is met:
condition 1/ the partial opinion ap ₁ determined for the first subset of indicators EI ₁ and the partial opinion ap ₁ determined for the second subset of indicators EI ₂ are both of the opinion that the event EV is atypical;
condition 2/ the partial opinion ap ₂ determined for the second subset of indicators EI ₂ and the partial opinion ap ₃ determined for the third subset of indicators EI ₃ are both of the opinion that the EV event is atypical;
condition 3/ a counter, which counts the number of consecutive times that a categorical indicator of the fourth subset EI ₄ takes a specific modality, has exceeded a value X in a time window of one minute;
condition 4/ a value determined from the indicators of the fifth subset EI ₅ of indicators is in a range defined by a filter;
condition 5/ at least one RD distress risk corresponding to a criterion defined by an indicator I ₆ to I ₁₀ of the BEA is detected.

Dans un mode de réalisation de l’invention, le module de détection d’évènement anormal MDEA peut générer un signal de détresse SD si une combinaison suivante des valeurs d’indicateurs est détectée :
- (roulis supérieur à 35° et action du pilote pour rétablir l’assiette et augmentation du roulis) ou (roulis supérieur à 45° (condition du BEA))
- (intervalle de temps entre deux décrochages inférieur à une minute et faible puissance de poussée des réacteurs) ou (vitesse verticale supérieure à -9000 pieds par minute (condition du BEA))
- (piqué supérieur à -11° et vitesse verticale supérieure à -7000 pieds par minute) ou (piqué supérieur à -20° (condition du BEA))
- (détection d’un obstacle par analyse vidéo et détection d’une commande d’évitement verticale ou horizontale)
- détection de l’incapacité du pilote ou du copilote à piloter à partir d’indicateurs représentant un flux vidéo acquis par une caméra face au pilote, des données mesurées par un capteur intégré au siège du (co)pilote, des paroles prononcées dans le cockpit …
- (détection de fumée dans le cockpit) et (perte de la netteté des images d’un flux vidéo acquis par une caméra dans le cockpit).In one embodiment of the invention, the abnormal event detection module MDEA can generate a distress signal SD if a following combination of indicator values is detected:
- (roll greater than 35° and pilot action to restore the attitude and increase in roll) or (roll greater than 45° (BEA condition))
- (time interval between two stalls less than one minute and low thrust power of the reactors) or (vertical speed greater than -9000 feet per minute (BEA condition))
- (dive greater than -11° and vertical speed greater than -7000 feet per minute) or (dive greater than -20° (BEA condition))
- (detection of an obstacle by video analysis and detection of a vertical or horizontal avoidance command)
- detection of the inability of the pilot or co-pilot to pilot from indicators representing a video stream acquired by a camera facing the pilot, data measured by a sensor integrated into the (co)pilot's seat, words spoken in the cockpit, etc.
- (smoke detection in the cockpit) and (loss of sharpness of images in a video stream acquired by a camera in the cockpit).

Dans le mode de réalisation décrit ici, si le module de détection d’un évènement anormal MDEA génère un signal de détresse SD, un module de communication COM de l’aéronef déclenche la transmission (étape F40) des données de vol dv et des données météorologiques dm comprises dans la mémoire MEM à un récepteur extérieur.In the embodiment described here, if the abnormal event detection module MDEA generates a distress signal SD, a communication module COM of the aircraft triggers the transmission (step F40) of the flight data dv and the meteorological data dm included in the memory MEM to an external receiver.

En référence aux figures 9 et 10, on décrit maintenant les principales étapes d’un procédé de génération d’un module de détection d’évènement anormal.With reference to Figures 9 and 10, we now describe the main steps of a method for generating an abnormal event detection module.

Ce procédé consiste notamment à :
- sélectionner dans un ensemble d’indicateurs représentatifs d’un événement d’au moins un vol sain, les indicateurs des sous-ensembles d’indicateurs EI_i.Ces sous-ensembles d’indicateurs sont ceux qui seront utilisés par le procédé de sauvegarde de données à l’étape F15 déjà décrite;
- apprendre à chaque algorithme AA_iassocié à un sous-ensemble d’indicateurs EI_ià générer un score de normalité en fonction des valeurs associées à ces indicateurs à un instant donné ;
- calculer le seuil TH_ide chaque sous-ensemble d’indicateurs EI_i; et
- définir le modèle de décision LD mentionné à l’étape F30, par exemple illustré en .This process consists in particular of:
- selecting from a set of indicators representative of an event of at least one healthy flight, the indicators of the subsets of indicators EI _i. These subsets of indicators are those which will be used by the data saving method in step F15 already described;
- teach each AA algorithm _i associated with a subset of EI indicators _i to generate a normality score based on the values associated with these indicators at a given time;
- calculate the threshold TH _i of each subset of indicators EI _i ; and
- define the LD decision model mentioned in step F30, for example illustrated in .

Un ou plusieurs seuils TH_ipeuvent être déterminés par un expert en sécurité des vols.One or more TH _i thresholds may be determined by a flight safety expert.

Au cours d’une étape E10, on obtient des données de vol dv, et éventuellement des données météorologiques dm acquises au cours de vols sains, par exemple à partir des données de maintenance de vols précédents.During an E10 step, flight data dv are obtained, and possibly meteorological data dm acquired during healthy flights, for example from maintenance data from previous flights.

Les indicateurs des sous-ensembles EI_isont sélectionnés au cours d’une étape E15.The indicators of the subsets EI _i are selected during a step E15.

Au cours d’une étape E20, on apprend à partir d’une pluralité d’évènements EV_kissus de vols sains, et pour chaque sous-ensemble d’indicateurs EI_i, les algorithmes AA_ià générer un score de normalité sn_i,kpour chaque événement EV_k.During a step E20, we learn from a plurality of EV events _k from healthy flights, and for each subset of indicators EI _i , the AA algorithms _i to generate a normality score sn _i,k for each EV event _k .

On obtient ainsi, pour chaque sous-ensemble d’indicateurs EI_i, avec l’algorithme appris dédié, une distribution de ces scores de normalité.We thus obtain, for each subset of indicators EI _i , with the dedicated learned algorithm, a distribution of these normality scores.

Dans un mode de réalisation, le seuil TH_iassocié à un sous-ensemble d’indicateurs EI_iest déterminé à partir de la forme de la distribution des scores de normalité.In one embodiment, the threshold TH _i associated with a subset of indicators EI _i is determined from the shape of the distribution of the normality scores.

Ainsi, dans ce mode de réalisation, on détermine, au cours d’une étape E30, pour chaque sous-ensemble d’indicateurs EI_i, un type TD_ide la distribution des scores de normalité calculés pour ce sous-ensemble.Thus, in this embodiment, during a step E30, for each subset of indicators EI _i , a type TD _i of the distribution of the normality scores calculated for this subset is determined.

Les figures 10 à 12 représentent des cas typiques de distribution de scores de normalité qui peuvent être obtenues par ces algorithmes. Un mode particulier de réalisation de l’invention propose de déterminer automatiquement le seuil à partir de la forme de ces distributions.Figures 10 to 12 represent typical cases of distribution of normality scores that can be obtained by these algorithms. A particular embodiment of the invention proposes to automatically determine the threshold from the shape of these distributions.

La représente un premier type TD₁de distribution dans laquelle le nombre d’occurrence de scores de normalité chute brutalement à partir d’un score de normalité, par exemple 2 sur cette figure. Pour ce type de distribution TD₁le seuil peut être choisi légèrement supérieur à cette valeur en prenant une marge de sécurité plus ou moins importante. Deux seuils sont représentés selon deux options 1 et 2 correspondant à deux marges de sécurité.There represents a first type TD ₁ of distribution in which the number of occurrences of normality scores drops sharply from a normality score, for example 2 in this figure. For this type of distribution TD ₁ the threshold can be chosen slightly higher than this value by taking a more or less important safety margin. Two thresholds are represented according to two options 1 and 2 corresponding to two safety margins.

La représente un deuxième type TD₂de distribution plus continue que celle de la . On note sur cet exemple que les évènements qui ont un score de normalité autour de 6 ont une probabilité beaucoup plus faible (l’échelle des ordonnées est logarithmique) que les évènements qui ont un score de normalité autour de 1.There represents a second type TD ₂ of more continuous distribution than that of the . We note in this example that events which have a normality score around 6 have a much lower probability (the ordinate scale is logarithmic) than events which have a normality score around 1.

Pour ce type de distribution TD₂, on peut définir la valeur du seuil au-delà duquel on va considérer un évènement atypique, en fixant un taux acceptable de faux positifs, par exemple 1 pour 1000. Ce choix est illustré par l’option 3 sur la .For this type of TD ₂ distribution, we can define the value of the threshold beyond which we will consider an atypical event, by setting an acceptable rate of false positives, for example 1 per 1000. This choice is illustrated by option 3 on the .

La représente un troisième type TD₃de distribution à deux composantes (c’est-à-dire deux contributions) dans laquelle la deuxième composante semble correspondre à des valeurs de score de normalités extrêmes en dehors de la distribution principale. Pour ce type de distribution TD₃, le seuil peut être choisi entre ces valeurs extrêmes et la valeur maximale de la distribution principale. Ce choix est illustré par l’option 4 de la .There represents a third type TD ₃ of two-component distribution (i.e., two contributions) in which the second component appears to correspond to extreme normality score values outside the main distribution. For this type of TD ₃ distribution, the threshold can be chosen between these extreme values and the maximum value of the main distribution. This choice is illustrated by option 4 of the .

Les figures 10 à 12 ne sont que des exemples présentés pour illustrer que les distributions de scores de normalité peuvent être de types très différents.Figures 10 to 12 are just examples presented to illustrate that normality score distributions can be of very different types.

L’invention propose de détecter automatiquement le type de distribution. A cet effet, on peut utiliser une méthode de caractérisation des queues de distributions qui produit un indice appelé « indice de queue » (an anglais « tail index ») qui caractérise la forme de la queue de distribution.The invention proposes to automatically detect the type of distribution. For this purpose, a method of characterizing the tails of distributions can be used which produces an index called a "tail index" which characterizes the shape of the tail of the distribution.

Différentes méthodes peuvent être appliquées pour définir cet index, par exemple :
- [1] la méthode “Hill estimator” décrite dans le document B.M. Hill, "A simple general approach to inference about the tail of a distribution", Annals of Statistics vol.3, 1975, pp. 1163-1174.) ; ou
- [2] la méthode décrite dans le document « J. Boonradsamee, W. Bodhisuwan,and U. Jaroengeratikun, "A New Selecting k Method of Hill’s Estimator",Thai Journal of Mathematics, 2021, pp.153-163”Different methods can be applied to define this index, for example:
- [1] the “Hill estimator” method described in the document BM Hill, "A simple general approach to inference about the tail of a distribution", Annals of Statistics vol.3, 1975, pp. 1163-1174.) ; or
- [2] the method described in the paper “J. Boonradsamee, W. Bodhisuwan,and U. Jaroengeratikun, "A New Selecting k Method of Hill's Estimator",Thai Journal of Mathematics, 2021, pp.153-163”

A titre illustratif, un algorithme de caractérisation des queues de distribution a été appliqué aux quatre distributions de la :

Pour la distribution uniforme de la (a), l’indice de queue obtenu est égal à 160
Pour la distribution beta de la (b), l’indice de queue obtenu est égal à -4,6
Pour la distribution normale de la (c), l’indice de queue obtenu est égal à 0,31
Pour la distribution exponentielle de la (d), l’indice de queue obtenu est égal à 0,28

As an illustration, a tail characterization algorithm was applied to the four distributions of the :

For uniform distribution of the (a), the tail index obtained is equal to 160
For the beta distribution of the (b), the tail index obtained is equal to -4.6
For the normal distribution of the (c), the tail index obtained is equal to 0.31
For the exponential distribution of the (d), the tail index obtained is equal to 0.28

Ainsi, dans un mode de réalisation de l’invention, on applique à l’étape E30, pour chaque distribution de scores de normalité obtenue pour un sous-ensemble d’indicateurs, une méthode de caractérisation de queue de cette distribution pour déterminer automatiquement le type de cette distribution, et fixer automatiquement le seuil TH_iassocié à ce sous-ensemble d’indicateurs en fonction de ce type, par exemple conformément aux options 1 à 4 définies précédemment.Thus, in one embodiment of the invention, in step E30, for each distribution of normality scores obtained for a subset of indicators, a method of characterizing the tail of this distribution is applied to automatically determine the type of this distribution, and to automatically set the threshold TH _i associated with this subset of indicators according to this type, for example in accordance with options 1 to 4 defined previously.

Typiquement, pour une distribution dont l’indice de queue est très élevé, par exemple supérieur à 100, on pourra choisir le seuil légèrement supérieur au score de normalité le plus élevé conformément aux options 1 et 2.Typically, for a distribution with a very high tail index, for example greater than 100, one could choose the threshold slightly higher than the highest normality score in accordance with options 1 and 2.

De même, pour une distribution dont l’indice de queue est positif mais relativement faible, par exemple compris entre 0 et 0.5, on pourra choisir le seuil en fonction d’un nombre prédéterminé de faux positifs conformément à l’option 3.Similarly, for a distribution whose tail index is positive but relatively low, for example between 0 and 0.5, the threshold can be chosen based on a predetermined number of false positives in accordance with option 3.

Dans un mode particulier de réalisation, le modèle de décision LD peut être déterminé par un expert dans la sécurité des vols.In a particular embodiment, the LD decision model may be determined by an expert in flight safety.

Au cours d’une étape E40, on détermine, pour chaque évènement EV_k, et pour chaque sous-ensemble d’indicateurs EI_i, un avis partiel ap_i,ksur le caractère normal N ou atypique A de cet évènement en fonction des valeurs des indicateurs de ce sous-ensemble.During a step E40, we determine, for each event EV _k , and for each subset of indicators EI _i , a partial opinion ap _i,k on the normal N or atypical A nature of this event according to the values of the indicators of this subset.

Dans le mode de réalisation décrit ici, cette étape comporte la comparaison du de score de normalité sn_i,kassocié aux valeurs de EI_icalculé par l’algorithme AA_ià l’étape E20 avec le seuil TH_idéterminé à l’étape E30.In the embodiment described here, this step comprises the comparison of the normality score sn _i,k associated with the values of EI _i calculated by the algorithm AA _i in step E20 with the threshold TH _i determined in step E30.

Puis, au cours d’une étape E50, on, met en œuvre le modèle de décision LD pour déterminer le caractère normal ou atypique de l’évènement EV_ken fonction des avis partiels ap_i,k.Then, during a step E50, we implement the LD decision model to determine the normal or atypical nature of the event EV _k based on the partial opinions ap _i,k .

De façon connue d’un homme du métier de l’apprentissage, un expert peut utiliser différents jeux de données d’entraînement et de validation pour déterminer les hyperparamètres des algorithmes AA_i.As is known to a person skilled in the art of learning, an expert can use different training and validation data sets to determine the hyperparameters of the AA _i algorithms.

Les algorithmes appris AA_i, les seuils TH_iet le modèle de décision LD sont enregistrés (étape E60) dans une mémoire du module MDEA de détection d’évènement anormal pour pouvoir être utilisés en cours de vol d’un aéronef pour qu’il puisse déterminer :
- les avis partiels ap_isur le caractère normal ou atypique d’un évènement au cours du vol en utilisant les algorithmes appris et les seuils ;
- le caractère normal ou typique d’un évènement à partir des avis partiels et de modèle de décision et ;
- déclencher un signal de détresse si (et seulement si) un événement est considéré atypique.The learned algorithms AA _i , the thresholds TH _i and the decision model LD are recorded (step E60) in a memory of the MDEA abnormal event detection module so that they can be used during the flight of an aircraft so that it can determine:
- partial ap _i opinions on the normal or atypical nature of an event during the flight using the learned algorithms and thresholds;
- the normal or typical nature of an event based on partial opinions and decision model and;
- trigger a distress signal if (and only if) an event is considered atypical.

Claims

Method for generating a module (MDEA) for detecting an abnormal event occurring during a flight in an aircraft, this method comprising:
- a step (E10) of obtaining flight data acquired during flights considered healthy;
- for at least one subset of indicators selected from a set of indicators obtained from said data and representative of a reference event which occurred during an instant of said healthy flight, a step (E30) of association, with this subset (EI _i ) of indicators, of a threshold (TH _i ) making it possible to determine a partial opinion on the normal or atypical nature of this reference event from the values of the indicators of said subset (EI _i );
- a configuration step of said detection module (MDEA) with:
(i) the indicators and the threshold (TH _i ) of each subset of indicators, and with
(ii) a decision model (DM) for determining a definitive opinion on the normal or atypical nature of an event of interest from partial opinions determined for this event of interest, a partial opinion being determined for each subset of indicators from (i) the values of these indicators obtained from the data representative of the event of interest and (ii) the threshold associated with this subset;
- said abnormal event detection module being configured to, when implemented in an aircraft in flight, generate or not a distress signal depending on a said definitive notice determined for an event of interest produced during the flight.

Generation method according to claim 1 comprising for a plurality of subsets (EI _i ) of indicators representative of reference events which occurred during said healthy flights:
- a step (E20) of calculating a normality score (sn _i,k ) for each (EV _k ) of said reference events from the values of the indicators of said subset (EI _i ) for this event (EV _k );
- the threshold (TH _i ) associated (E30) with a subset (EI _i ) of indicators being determined from a type of a distribution of said normality scores calculated for this subset (EI _i ).

Generation method according to claim 2 in which said threshold (TH _i ) is determined (E30) as a function of the shape of a tail of said distribution of said normality scores (sn _i,k ).

Generation method according to claim 2 or 3 in which said normality scores (sn _i,k ) calculated (E20) for a subset of indicators (EI _i ) are obtained by a learning algorithm (AA _i ) associated with this subset.

Generation method according to any one of claims 1 to 4, in which the decision model (LD) is configured to take into account a plurality of partial opinions determined for a plurality of subsets (EIi) of indicators during a time window in order to determine the definitive opinion on the normal or atypical nature of a reference event.

Module for detecting an abnormal event during a flight in an aircraft, this module being characterized in that it was generated by a method according to any one of claims 1 to 5.

Method for saving flight data acquired during a flight of an aircraft, said aircraft (AER) comprising a module (MDEA) for detecting an abnormal event according to claim 6, this method comprising:
- a step of collecting data (dv, dm) during the flight and storing said collected data in a memory (MEM) of the aircraft;
- a step of copying at least part of said data collected into a black box (FDR) of the aircraft;
- a step of providing said collected data as input to said detection module (MDEA); and
- a step of triggering the transmission of at least part of the collected data to an external receiver upon and only upon detection of a distress signal (SD) generated by said module.

Device for saving flight data acquired during a flight of an aircraft, said aircraft comprising a module for detecting an abnormal event according to claim 6, this device comprising:
- a module for collecting data during the flight and storing said collected data in a memory (MEM) of the aircraft;
- a module for copying at least part of said data collected in a black box (FDR) of the aircraft; and
- a module for providing said data collected as input to said detection module; and
- a module for triggering the transmission of at least part of the collected data to an external receiver upon and only upon detection of a distress signal (SD) generated by said module for detecting an abnormal event.

Aircraft comprising a data backup device according to claim 8 or a processor configured to implement a module for detecting an abnormal event according to claim 6.

Computer program (PG) comprising instructions for executing the steps of the generation method according to any one of claims 1 to 5 and/or instructions for executing the steps of the backup method according to claim 7 when said program is executed by a computer.