WO2021185761A1 - Procédé de prédiction d'une panne d'un équipement d'une plateforme mobile et dispositifs associés - Google Patents

Procédé de prédiction d'une panne d'un équipement d'une plateforme mobile et dispositifs associés Download PDF

Info

Publication number
WO2021185761A1
WO2021185761A1 PCT/EP2021/056531 EP2021056531W WO2021185761A1 WO 2021185761 A1 WO2021185761 A1 WO 2021185761A1 EP 2021056531 W EP2021056531 W EP 2021056531W WO 2021185761 A1 WO2021185761 A1 WO 2021185761A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
phase
equipment
data
failure
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.)
Ceased
Application number
PCT/EP2021/056531
Other languages
English (en)
Inventor
Philippe DUBEDAT
Victor LEYRONAS
Yannick CAILLAUD
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thales SA
Original Assignee
Thales SA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Thales SA filed Critical Thales SA
Publication of WO2021185761A1 publication Critical patent/WO2021185761A1/fr
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • a rare event such as a failure or removal of equipment
  • a rare event is an event that occurs, for example, less than 20% of the equipment's uptime and a removal of the equipment is maintenance or a change of the equipment.
  • the label is a first label for the phases of use that were not followed by removal of the equipment due to failure during a time interval greater than or equal to the first time interval and a second label for phases of use followed by removal due to equipment failure during a time interval less than or equal to the second time interval, the two labels being separate.
  • the present description also relates to a computer program product comprising a readable information medium, on which is stored a computer program comprising program instructions, the computer program being loadable on a data processing unit. and adapted to cause the implementation of steps of a method as previously described when the computer program is implemented on the data processing unit.
  • the present description also relates to a readable information medium comprising program instructions forming a computer program, the computer program being loadable on a data processing unit and adapted to cause the implementation of steps of. a method as described above when the computer program is implemented on the data processing unit.
  • FIG. 3 a flowchart of an example of implementation of a prediction method.
  • the equipment 6 is, for example, electronic equipment such as avionics equipment.
  • the equipment 6 is any type of equipment, electronic or not, the deposits of which are to be anticipated over time.
  • the equipment 6 is an aircraft piloting system.
  • an aircraft is a means of transport capable of ascending and moving at altitude, within the Earth's atmosphere.
  • An example of an aircraft is a helicopter or an airplane.
  • the aircraft is an airplane.
  • the prediction system 10 is suitable for predicting a failure of equipment 6 of an aircraft from maintenance data during several flights of the aircraft.
  • the prediction system 10 can be seen as a computer interacting with a computer program product 12 as shown schematically in Figure 1.
  • the interaction between the prediction system 10 and the computer program product 12 enables the implementation of a prediction method.
  • the prediction method is thus a method implemented by computer.
  • the prediction system 10 is a desktop computer.
  • the prediction system 10 is a rack mounted computer, laptop, tablet, personal digital assistant (PDA), or smartphone.
  • the computer is adapted to operate in real time and / or is in an on-board system, in particular in a vehicle such as an airplane.
  • the prediction system 10 comprises a calculation unit 14, a user interface 16 and a communication device 18.
  • the computing unit 14 is an electronic circuit designed to manipulate and / or transform data represented by electronic or physical quantities in registers of the prediction system 10 and / or memories into other similar data corresponding to physical data. in register memories or other types of display devices, transmission devices or storage devices.
  • the computing unit 14 includes a single-core or multi-core processor (such as a central processing unit (CPU), a graphics processing unit (GPU), a microcontroller, and a digital signal processor ( DSP)), a programmable logic circuit (such as an application-specific integrated circuit (ASIC), an in-situ programmable gate array (FPGA), a programmable logic device (PLD), and programmable logic arrays (PLA)), a state machine, a logic gate, and discrete hardware components.
  • a single-core or multi-core processor such as a central processing unit (CPU), a graphics processing unit (GPU), a microcontroller, and a digital signal processor ( DSP)
  • a programmable logic circuit such as an application-specific integrated circuit (ASIC), an in-situ programmable gate array (FPGA), a programmable logic device (PLD), and programmable logic arrays (PLA)
  • ASIC application-specific integrated circuit
  • FPGA in-situ programmable
  • the input device 26 is a device allowing the user of the prediction system 10 to enter information or commands into the prediction system 10.
  • the input device 26 is a keyboard.
  • input device 26 is a pointing device (such as a mouse, touchpad, and graphics tablet), voice recognition device, eye tracker, or haptic device (motion analysis).
  • the output device 28 is a display screen allowing a visual presentation of the output.
  • the device for output is a printer, augmented and / or virtual display unit, loudspeaker or other sound generating device for presenting the output in sound form, a unit producing vibrations and / or odors or a unit suitable for produce an electrical signal.
  • the input device 26 and the output device 28 are the same component forming human-machine interfaces, such as an interactive screen.
  • the communication device 18 allows one-way or two-way communication between the components of the prediction system 10.
  • the communication device 18 is a bus communication system or an input / output interface.
  • the presence of the communication device 18 allows that, in certain embodiments, the components of the prediction system 10 are distant from each other.
  • the computer program product 12 includes a computer readable medium 32.
  • Computer readable medium 32 is a tangible device readable by reader 24 of calculator 14.
  • the computer readable medium 32 is not a transient signal per se, such as radio waves or other freely propagating electromagnetic waves, such as light pulses or electronic signals.
  • Such a computer readable storage medium 32 is, for example, an electronic storage device, a magnetic storage device, an optical storage device, an electromagnetic storage device, a solid-state storage device or any combination of. these.
  • the computer readable storage medium 32 is a mechanically encoded device, such as punch cards or relief structures in a groove, floppy disk, hard disk, ROM. (ROM), random access memory (RAM), programmable read-only erasable memory (EROM), electrically erasable and readable memory (EEPROM), magneto-optical disc, static random access memory (SRAM), compact disc ( CD-ROM), Digital Versatile Disk (DVD), USB flash drive, floppy disk, flash memory, solid-state disk (SSD), or PC card such as a PCMCIA memory card.
  • a computer program is stored on the computer readable storage medium 32.
  • the computer program includes one or more stored program instruction sequences.
  • Such program instructions when executed by the data processing unit 20, result in the execution of steps of the analysis process.
  • the form of program instructions is a form of source code, a computer-executable form, or any form intermediate between a source code and a computer-executable form, such as the form resulting from the conversion of the source code through an interpreter. , an assembler, a compiler, a linker or a locator.
  • the program instructions are microcode, firmware instructions, state definition data, integrated circuit configuration data (eg, VHDL), or object code.
  • the computer program product 12 comprises instructions which can be loaded into the data processing unit 20 and adapted to cause the execution of the analysis method when they are executed by the processing unit. data 20.
  • the execution is entirely or partially carried out either on the prediction system 10, that is to say a single computer, or in a system distributed between several computers (in particular via the. use of cloud computing).
  • the prediction system 10 can be seen as a collection of units and modules.
  • the prediction system 10 comprises a reception unit 40, a data crossing unit 42, a unit for generating characteristic vectors 44, a labeling unit 46, a unit of establishment of a prediction algorithm 48, an evaluation unit 49 and an operating unit 50.
  • the feature vector generation unit 44 includes a count module 52, a normalization module 54, a smoothing module 56 and a selection module 58.
  • the labeling unit 46 comprises a determination module 60 and a classification module 62.
  • FIG. 3 is a flowchart of an example of the implementation of a prediction method.
  • the prediction method aims to predict whether a flight is healthy or whether a failure is to be expected, in particular to provide for an anticipated maintenance action.
  • the prediction method proposes a prediction algorithm per device 6.
  • the prediction method comprises a supply phase P1, a data crossing phase P2, a phase for generating characteristic vectors P3, a labeling phase P4, a phase for establishing a prediction algorithm P5, a phase for establishing a prediction algorithm. evaluation phase P6 and an operating phase PI.
  • first data and second data are supplied.
  • the first data and the second data are received by the reception unit 40.
  • the first data correspond to a set of removals due to faults that have occurred in the past.
  • the first data is repair data from repair shops or removal and repair data in the company owning the equipment 6.
  • the second data is data collected during at least one theft of the device.
  • the second data is maintenance data.
  • the second data are measures or messages relating to maintenance.
  • An example of a measurement is a measurement of a sensor, for example, a temperature sensor.
  • a message relating to maintenance is a message requesting maintenance or a message alerting to the presence of a fault.
  • the prediction system 10 thus has a set of data.
  • the data crossing unit 42 implements a join technique applied to the first data and the second data.
  • the join technique is applied to the data providing the dates of the events (flights, deposits, repairs, etc.) on the one hand and the identifiers of the aircraft on which the equipment 6 is mounted on the other hand.
  • the phase of generating the characteristic vectors P3 comprises a counting step E31, a normalization step E32, a temporal smoothing step E33 and a selection step E34.
  • a feature vector is a type of maintenance message.
  • a flight is considered a healthy flight when the flight was not followed by removal of the equipment 6 due to failure during a time interval greater than or equal to a first time interval T 1.
  • the first time interval T1 is greater than or equal to 30 flights.
  • the first time interval T 1 is equal to 50 flights.
  • a flight is a precursor theft of removal due to equipment failure 6 when the flight was followed by removal due to equipment failure 6 during a time interval less than or equal to a second. time interval T2.
  • the second time interval T2 is less than or equal to 70 flights. In the case described, the second time interval T2 is equal to 50 flights.
  • the first interval T1 and the second interval T2 are identical so that a classification into two categories is used.
  • the first interval T1 and the second interval T2 are different.
  • a third category exists corresponding to “intermediate” flights which are neither healthy nor precursor to removal for failure.
  • the determination step E41 aims to determine the deposits that have taken place due to a failure of the equipment 6 using the determination module 60.
  • the determination module 60 makes it possible to filter out the other causes leading to a removal, such as the removal of equipment 6, aircraft changes and changes in the configuration of equipment 6.
  • One technique for implementing such a determination is to filter in a database listing the deposits and their reason for all the deposits which did not take place because of a failure of the equipment 6.
  • the database obtained after filtering only includes deposits that have taken place due to equipment failure 6.
  • the filtering step is implemented for each unit and a new database comprising all the data obtained at the end of each filtering step is formed. .
  • such a filter is reinforced by a join with the confirmed failures (no longer those identified but those which have been repaired).
  • the classification module 62 classifies the flights according to the two aforementioned categories.
  • the parameters T1 and T2 are integers (in flight units).
  • the parameters are either determined by a supervisor or by statistical analysis.
  • the classification module 62 classifies each flight according to the preceding rules.
  • the classification module 62 assigns a tag to each flight, this tag being “healthy” or “precursor of failures”.
  • training set and test set are, for example, done on a time basis, the training set corresponding to data prior to the test set.
  • the trained algorithm can be normalized by applying a sigmoid function. A prediction algorithm to be tested is thus obtained.
  • the evaluation unit 50 evaluates the performance of the prediction algorithm established during the establishment phase P5.
  • the evaluation unit 50 uses an evaluator formed from two metrics.
  • the first metric is the precision which represents the rate of proven alerts initiated by the prediction algorithm and the second metric is the volume of deposits that were predicted by the prediction algorithm.
  • the two metrics are concatenated, for example, using a weighted sum.
  • the evaluation is performed using data subsequent to the data used to train the prediction algorithm.
  • the operating unit 50 applies the prediction algorithm to new data to determine whether a flight is healthy or a precursor to a failure.
  • the method presented is therefore a method having in particular as a remarkable element a phase of generating a training set and a test set for a prediction algorithm, that is to say intended for the establishment of a prediction algorithm, the prediction algorithm being suitable for predicting a failure of an item of equipment 6 of an aircraft from maintenance data collected during several flights, the generation comprising separate processing depending on the nature of the flight, the nature the flight comprising at least two types of flights, a first type corresponding to the flight not having been followed by removal of the equipment 6 due to failure during a time interval greater than or equal to the first time interval T1 and a second type corresponding to the flight followed by removal due to failure of the equipment 6 during a time interval less than or equal to the second time interval T2.
  • the generation phase is original in that it proposes to determine the values of initial characteristic vectors, to consolidate them (normalization and temporal smoothing) then to filtering the feature vectors thus consolidated to obtain final feature vectors, the final feature vectors being the feature vectors of the training set and of the test set.
  • the method improves the games used to establish the prediction algorithm.
  • Such a prediction method thus makes it possible to improve the performance of the prediction system 10.
  • the step of training the prediction algorithm can be repeated to account for new data arrivals, such as when 10% of the data set has changed.
  • new data arrivals such as when 10% of the data set has changed.
  • the prediction algorithm evolves over time.
  • the prediction process which has just been described can also be used for other mobile platforms, the extension being immediate.
  • the mobile platforms concerned are, for example, a spacecraft, a land vehicle, a submarine or an aircraft carrier.
  • the flights which are used by the method to predict breakdowns can be generalized by phases of use of the mobile platform.
  • a phase of use is, for example, the realization of a predefined route.
  • An example of a predefined path is a revolution around the Earth.
  • the operation of the spacecraft is thus divided in time according to the routes made by the spacecraft.
  • the operation is divided into use phases having the same time duration, the time duration being chosen beforehand.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

L'invention concerne un procédé de prédiction d'une panne d'un équipement d'aéronef, à partir de données de maintenance collectées durant plusieurs vols de l'aéronef, le procédé comportant : - une phase de génération d'un jeu d'entraînement et d'un jeu de test pour un algorithme de prédiction prédisant une panne d'un équipement à partir des données de maintenance, la génération comportant un traitement distinct selon la nature du vol : vol non suivi d'une dépose de l'équipement pour cause de panne durant un intervalle de temps supérieur à un premier intervalle de temps et vol suivi d'une dépose pour cause de panne durant un intervalle de temps inférieur à un deuxième intervalle de temps, - une phase d'établissement d'un algorithme de prédiction à partir des jeux générés, et - une phase d'utilisation de l'algorithme de prédiction établi.

Description

Procédé de prédiction d’une panne d’un équipement d’une plateforme mobile et dispositifs associés
La présente invention concerne un procédé de prédiction d’une panne d’un équipement d’une plateforme mobile. La présente invention se rapporte également à un système de prédiction, un produit programme d’ordinateur et un support lisible d’informations associés.
Dans le domaine de la maintenance prédictive, il s’agit d’anticiper un événement rare, tel qu’une panne ou une dépose d’un équipement, avant qu’un tel événement ne se produise. Par définition, un événement rare est un événement survenant, par exemple, moins de 20% du temps de fonctionnement de l’équipement et une dépose de l’équipement est une maintenance ou un changement de l’équipement.
Le rôle d’une telle maintenance prédictive est crucial pour les équipements avioniques dans la mesure où une faille d’un équipement entraîne une mise au sol de l’avion affecté.
L’utilisation d’un système de prédiction permet une telle anticipation, à partir de données de maintenance collectées, par exemple, lors de l’utilisation de l’équipement. Un tel système de prédiction fournit en sortie des données de prédiction représentatives de la probabilité que l’équipement subisse une panne.
Toutefois, en pratique, les systèmes de prédiction connus ne donnent pas entière satisfaction notamment du fait d’un taux de fausse alerte trop élevé, ce qui génère des opérations de maintenance coûteuses et inutiles.
Il existe donc un besoin pour un procédé permettant d’obtenir un système de prédiction présentant une meilleure précision, et notamment un taux de fausse alerte plus faible.
A cet effet, il est proposé un procédé de prédiction d’une panne d’un équipement d’une plateforme mobile, notamment un aéronef, à partir de données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobile, notamment plusieurs vols de l’aéronef, le procédé de prédiction étant mis en œuvre par un système de prédiction, le procédé comportant une phase de génération d’un jeu d’entraînement et d’un jeu de test pour un algorithme de prédiction basé sur des techniques de machine learning (qui renvoie à la dénomination française de « apprentissage automatique ») propre à prédire une panne d’un équipement d’une plateforme mobile à partir de données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobiles, la génération comportant un traitement distinct selon la nature de la phase d’utilisation, la nature de la phase d’utilisation comprenant au moins deux types de phases d’utilisation, un premier type correspondant à une phase d’utilisation n’ayant pas été suivie d’une dépose de l’équipement pour cause de panne durant un intervalle de temps supérieur ou égal à un premier intervalle de temps et un deuxième type correspondant à une phase d’utilisation suivie d’une dépose pour cause de panne de l’équipement durant un intervalle de temps inférieur ou égal à un deuxième intervalle de temps. Le procédé de prédiction comporte également une phase d’établissement d’un algorithme de prédiction à partir du jeu d’entraînement et du jeu de test générés, et une phase d’utilisation de l’algorithme de prédiction établi.
Suivant des modes de réalisation particuliers, le procédé de prédiction comprend une ou plusieurs des caractéristiques suivantes, prise(s) isolément ou suivant toutes les combinaisons techniquement possibles :
- lors de la phase de génération, le jeu d’entraînement et le jeu de test comportent un ensemble de données, chaque donnée étant les valeurs d’un ensemble de vecteurs de caractéristiques étiquetés par une étiquette dépendant de la nature de la phase d’utilisation.
- l’étiquette est une première étiquette pour les phases d’utilisation n’ayant pas été suivies d’une dépose de l’équipement pour cause de panne durant un intervalle de temps supérieur ou égal au premier intervalle de temps et une deuxième étiquette pour les phases d’utilisation suivies d’une dépose pour cause de panne de l’équipement durant un intervalle de temps inférieur ou égal au deuxième intervalle de temps, les deux étiquettes étant distinctes.
- la phase de génération comporte une étape de détermination de valeurs de vecteurs de caractéristiques initiaux, une étape de normalisation et lissage des vecteurs de caractéristiques initiaux pour obtenir des vecteurs de caractéristiques lissés, et une étape de filtrage des vecteurs de caractéristiques lissés pour obtenir des vecteurs de caractéristiques finaux, les vecteurs de caractéristiques finaux étant les vecteurs de caractéristiques du jeu d’entraînement et du jeu de test.
- les données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobile comportent des messages de maintenance, un vecteur de caractéristiques initial étant associé à un message de maintenance respectif, l’étape de détermination de la valeur des vecteurs de caractéristiques initiaux étant, pour chaque vecteurs de caractéristiques initial, une étape de dénombrement du nombre de message de maintenance associé au vecteur de caractéristiques initial, la valeur du vecteurs de caractéristiques initial étant égal au nombre dénombré. - lors de l’étape de filtrage, il est appliqué une corrélation de Pearson attribuant une note à chaque vecteur de caractéristiques lissé et un seuillage à l’aide d’un seuil prédéterminé, les vecteurs de caractéristiques finaux étant les vecteurs de caractéristiques ayant un score supérieur ou égal au seuil prédéterminé.
- la phase de génération comporte une étape de normalisation des valeurs des vecteurs de caractéristiques initiaux et une étape de lissage des vecteurs de caractéristiques normalisés sur au moins deux phases d’utilisation.
- l’algorithme de prédiction est un algorithme de classification entraîné par apprentissage supervisé.
- les données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobile comprennent des premières données et des deuxièmes données, les premières données correspondant à un ensemble de déposes pour cause de pannes ayant eu lieu par le passé et les deuxièmes données correspondant aux données collectées lors d’au moins une phase d’utilisation de la plateforme mobile, le procédé comporte une phase de croisement des données par application d’une technique de jointure aux premières données et aux deuxièmes données.
La présente description concerne aussi un système de prédiction propre à prédire une panne d’un équipement d’une plateforme mobile à partir de données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobile, notamment plusieurs vols de l’aéronef, le système de prédiction comportant un module de génération d’un jeu d’entraînement et d’un jeu de test pour un algorithme de prédiction propre à prédire une panne d’un équipement d’une plateforme mobile, le module de génération étant propre à appliquer un traitement distinct des phases d’utilisation n’ayant pas été suivies d’une dépose de l’équipement pour cause de panne durant un intervalle de temps supérieur ou égal à un premier intervalle de temps et des phases d’utilisation suivies d’une dépose pour cause de panne de l’équipement durant un intervalle de temps inférieur ou égal à un deuxième intervalle de temps, un module d’établissement d’un algorithme de prédiction à partir du jeu d’entraînement et du jeu de test générés, et un module d’utilisation de l’algorithme de prédiction établi.
La présente description se rapporte aussi à un produit programme d’ordinateur comportant un support lisible d’informations, sur lequel est mémorisé un programme d’ordinateur comprenant des instructions de programme, le programme d’ordinateur étant chargeable sur une unité de traitement de données et adapté pour entraîner la mise en œuvre d’étapes d’un procédé tel que précédemment décrit lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement des données. La présente description concerne aussi un support lisible d’informations comportant des instructions de programme formant un programme d’ordinateur, le programme d’ordinateur étant chargeable sur une unité de traitement de données et adapté pour entraîner la mise en œuvre d’étapes d’un procédé tel que précédemment décrit lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement de données.
D'autres caractéristiques et avantages de l'invention apparaîtront à la lecture de la description qui suit de modes de réalisation de l'invention, donnée à titre d'exemple uniquement et en référence aux dessins qui sont :
- figure 1, une vue schématique d’un équipement et d’un système de prédiction d’un point de vue structurel,
- figure 2, une autre représentation schématique du système de prédiction de la figure 1 d’un point de vue fonctionnel, et
- figure 3, un ordinogramme d’un exemple de mise en œuvre d’un procédé de prédiction.
Un équipement 6 et un système de prédiction 10 sont représentés sur la figure 1.
L’équipement 6 est, par exemple, un équipement électronique tel qu’un équipement avionique.
Alternativement, l’équipement 6 est n’importe quel type d’équipement, électronique ou non, dont des déposes sont à anticiper au cours du temps.
Par exemple, l’équipement 6 est un système de pilotage d’un aéronef. Par définition, un aéronef est un moyen de transport capable de s'élever et de se mouvoir en altitude, au sein de l'atmosphère terrestre. Un hélicoptère ou un avion est un exemple d’aéronef.
Selon l’exemple décrit, l’aéronef est un avion.
Le système de prédiction 10 est propre à prédire une panne d’un équipement 6 d’un aéronef à partir de données de maintenance durant plusieurs vols de l’aéronef.
D’un point de vue strictement matériel, le système de prédiction 10 peut être vu comme un calculateur interagissant avec un produit programme d’ordinateur 12 comme schématiquement représenté sur la figure 1 .
L’interaction entre le système de prédiction 10 et le produit programme d’ordinateur 12 permet la mise en œuvre d’un procédé de prédiction. Le procédé de prédiction est ainsi un procédé mis en œuvre par ordinateur.
Le système de prédiction 10 est un ordinateur de bureau. En variante, le système de prédiction 10 est un ordinateur monté sur un rack, un ordinateur portable, une tablette, un assistant numérique personnel (PDA) ou un smartphone. Dans des modes de réalisation spécifiques, l'ordinateur est adapté pour fonctionner en temps réel et/ou est dans un système embarqué, notamment dans un véhicule tel qu'un avion.
Dans le cas de la figure 1 , le système de prédiction 10 comprend une unité de calcul 14, une interface utilisateur 16 et un dispositif de communication 18.
L’unité de calcul 14 est un circuit électronique conçu pour manipuler et/ou transformer des données représentées par des quantités électroniques ou physiques dans des registres du système de prédiction 10 et/ou des mémoires en d'autres données similaires correspondant à des données physiques dans les mémoires de registres ou d'autres types de dispositifs d'affichage, de dispositifs de transmission ou de dispositifs de mémorisation.
En tant qu’exemples spécifiques, l’unité de calcul 14 comprend un processeur monocœur ou multicœurs (tel qu’une unité de traitement centrale (CPU), une unité de traitement graphique (GPU), un microcontrôleur et un processeur de signal numérique (DSP)), un circuit logique programmable (comme un circuit intégré spécifique à une application (ASIC), un réseau de portes programmables in situ (FPGA), un dispositif logique programmable (PLD) et des réseaux logiques programmables (PLA)), une machine à états, une porte logique et des composants matériels discrets.
L’unité de calcul 14 comprend une unité de traitement de données 20 adaptée pour traiter des données, notamment en effectuant des calculs, des mémoires 22 adaptées à stocker des données et un lecteur 24 adapté à lire un support lisible par ordinateur.
L'interface utilisateur 16 comprend un dispositif d'entrée 26 et un dispositif de sortie 28.
Le dispositif d’entrée 26 est un dispositif permettant à l'utilisateur du système de prédiction 10 de saisir sur le système de prédiction 10 des informations ou des commandes.
Sur la figure 1, le dispositif d’entrée 26 est un clavier. En variante, le dispositif d’entrée 26 est un périphérique de pointage (tel qu'une souris, un pavé tactile et une tablette graphique), un dispositif de reconnaissance vocale, un oculomètre ou un dispositif haptique (analyse des mouvements).
Le dispositif de sortie 28 est une interface utilisateur graphique, c’est-à-dire une unité d’affichage conçue pour fournir des informations à l’utilisateur du système de prédiction 10.
Sur la figure 1, le dispositif de sortie 28 est un écran d’affichage permettant une présentation visuelle de la sortie. Dans d'autres modes de réalisation, le dispositif de sortie est une imprimante, une unité d'affichage augmenté et/ou virtuel, un haut-parleur ou un autre dispositif générateur de son pour présenter la sortie sous forme sonore, une unité produisant des vibrations et/ou des odeurs ou une unité adaptée à produire un signal électrique. Dans un mode de réalisation spécifique, le dispositif d'entrée 26 et le dispositif de sortie 28 sont le même composant formant des interfaces homme-machine, tel qu'un écran interactif.
Le dispositif de communication 18 permet une communication unidirectionnelle ou bidirectionnelle entre les composants du système de prédiction 10. Par exemple, le dispositif de communication 18 est un système de communication par bus ou une interface d'entrée / sortie.
La présence du dispositif de communication 18 permet que, dans certains modes de réalisation, les composants du système de prédiction 10 soient distants les uns des autres. Le produit programme informatique 12 comprend un support lisible par ordinateur 32.
Le support lisible par ordinateur 32 est un dispositif tangible lisible par le lecteur 24 de la calculatrice 14.
Notamment, le support lisible par ordinateur 32 n'est pas un signal transitoire en soi, tels que des ondes radio ou d'autres ondes électromagnétiques à propagation libre, telles que des impulsions lumineuses ou des signaux électroniques.
Un tel support de stockage lisible par ordinateur 32 est, par exemple, un dispositif de stockage électronique, un dispositif de stockage magnétique, un dispositif de stockage optique, un dispositif de stockage électromagnétique, un dispositif de stockage à semi- conducteur ou toute combinaison de ceux-ci.
En tant que liste non exhaustive d'exemples plus spécifiques, le support de stockage lisible par ordinateur 32 est un dispositif codé mécaniquement, tel que des cartes perforées ou des structures en relief dans une gorge, une disquette, un disque dur, une mémoire morte (ROM), une mémoire vive (RAM), une mémoire effaçable programmable en lecture seule (EROM), une mémoire effaçable électriquement et lisible (EEPROM), un disque magnéto-optique, une mémoire vive statique (SRAM), un disque compact (CD-ROM), un disque numérique polyvalent (DVD), une clé USB, un disque souple, une mémoire flash, un disque à semi-conducteur (SSD) ou une carte PC telle qu'une carte mémoire PCMCIA. Un programme d'ordinateur est stocké sur le support de stockage lisible par ordinateur 32. Le programme d'ordinateur comprend une ou plusieurs séquences d'instructions de programme mémorisées.
De telles instructions de programme, lorsqu'elles sont exécutées par l'unité de traitement de données 20, entraînent l'exécution d'étapes du procédé d’analyse.
Par exemple, la forme des instructions de programme est une forme de code source, une forme exécutable par ordinateur ou toute forme intermédiaire entre un code source et une forme exécutable par ordinateur, telle que la forme résultant de la conversion du code source via un interpréteur, un assembleur, un compilateur, un éditeur de liens ou un localisateur. En variante, les instructions de programme sont un microcode, des instructions firmware, des données de définition d’état, des données de configuration pour circuit intégré (par exemple du VHDL) ou un code objet.
Les instructions de programme sont écrites dans n’importe quelle combinaison d’un ou de plusieurs langages, par exemple un langage de programmation orienté objet (C++, JAVA, Python), un langage de programmation procédural (langage C par exemple).
Alternativement, les instructions du programme sont téléchargées depuis une source externe via un réseau, comme c'est notamment le cas pour les applications. Dans ce cas, le produit programme d'ordinateur comprend un support de données lisible par ordinateur sur lequel sont stockées les instructions de programme ou un signal de support de données sur lequel sont codées les instructions de programme.
Dans chaque cas, le produit programme d'ordinateur 12 comprend des instructions qui peuvent être chargées dans l'unité de traitement de données 20 et adaptées pour provoquer l'exécution du procédé d’analyse lorsqu'elles sont exécutées par l'unité de traitement de données 20. Selon les modes de réalisation, l'exécution est entièrement ou partiellement réalisée soit sur le système de prédiction 10, c'est-à-dire un ordinateur unique, soit dans un système distribué entre plusieurs ordinateurs (notamment via l’utilisation de l’informatique en nuage).
D’un point de vue fonctionnel, le système de prédiction 10 peut être vu comme un ensemble d’unités et de modules.
Ainsi, comme visible à la figure 2, le système de prédiction 10 comporte une unité de réception 40, une unité de croisement de données 42, une unité de génération de vecteurs de caractéristiques 44, une unité d’étiquetage 46, une unité d’établissement d’un algorithme de prédiction 48, une unité d’évaluation 49 et une unité d’exploitation 50.
L’unité de génération de vecteurs de caractéristiques 44 comporte un module de dénombrement 52, un module de normalisation 54, un module de lissage 56 et un module de sélection 58. L’unité d’étiquetage 46 comporte un module de détermination 60 et un module de classification 62.
Le fonctionnement du système de prédiction 10 est maintenant décrit en référence à la figure 3 qui est un ordinogramme d’un exemple de mise en œuvre d’un procédé de prédiction.
Le procédé de prédiction vise à prédire si un vol est sain ou si une panne est à prévoir, notamment pour prévoir une action de maintenance anticipée.
Le procédé de prédiction propose un algorithme de prédiction par équipement 6.
Dans ce qui suit, le procédé de prédiction est illustré pour un équipement 6 particulier sachant que, pour effectuer une prédiction pour chacun des équipements 6, il convient de répéter le procédé qui va maintenant être décrit.
Plus précisément, pour la suite, l’exemple d’une alimentation électrique dans l’avion est détaillé.
Le procédé de prédiction comporte une phase de fourniture P1 , une phase de croisement des données P2, une phase de génération de vecteurs de caractéristiques P3, une phase d’étiquetage P4, une phase d’établissement d’un algorithme de prédiction P5, une phase d’évaluation P6 et une phase d’exploitation PI.
Lors de la phase de fourniture P1 , il est fourni des premières données et des deuxièmes données.
Plus précisément, les premières données et les deuxièmes données sont reçues par l’unité de réception 40.
Les premières données correspondent à un ensemble de déposes pour cause de panne ayant eu lieu par le passé.
Par exemple, les premières données sont des données de réparation issues des ateliers de réparation ou des données de dépose et réparation dans la société possédant l’équipement 6.
Il est à noter que les données des ateliers permettent d’expliciter la cause des pannes et d’exclure les pannes non confirmées.
Les deuxièmes données sont des données collectées lors d’au moins un vol de l’appareil.
Les deuxièmes données sont des données de maintenance.
Par exemple, les deuxièmes données sont des mesures ou des messages relatifs à la maintenance.
Un exemple de mesure est une mesure d’un capteur, par exemple, un capteur de température. A titre d’illustration, un message relatif à la maintenance est un message demandant une maintenance ou un message alertant de la présence d’une panne.
A l’issue de la phase de fourniture, le système de prédiction 10 dispose ainsi d’un ensemble de données.
Lors de la phase de croisement des données P2, l’unité de croisement de données 42 met en œuvre une technique de jointure appliquée aux premières données et aux deuxièmes données.
Par exemple, la technique de jointure est appliquée sur les données fournissant les dates des évènements (vols, déposes, réparations...) d’une part et les identifiants des aéronefs sur lequel est monté l’équipement 6 d’autre part.
Cela permet d’obtenir un ensemble de données associant à des messages de maintenance les données permettant d’identifier si l’alimentation était présente dans l’aéronef durant le vol dont sont issus les messages de maintenance.
La phase de génération des vecteurs de caractéristiques P3 comporte une étape de dénombrement E31 , une étape de normalisation E32, une étape de lissage temporel E33 et une étape de sélection E34.
Pour ce qui suit, il est supposé qu’une liste de vecteurs de caractéristiques initiaux est fournie. Dans l’exemple proposé, un vecteur de caractéristiques est un type de message de maintenance.
Lors de l’étape de dénombrement E31 , pour chaque type de message, le module de dénombrement 52 dénombre le nombre de messages appartenant audit type.
L’étape de dénombrement E31 est mise en œuvre sur des données correspondant à un seul vol.
Lors de l’étape de normalisation E32, le module de normalisation 54 normalise chaque vecteur de caractéristiques par application d’une fonction de normalisation.
Une telle fonction de normalisation prend en compte une information spécifique au vol.
Selon l’exemple décrit, la fonction de normalisation associe à un vecteur de caractéristiques le rapport de la valeur du vecteur de caractéristiques obtenue à l’étape de dénombrement E31 sur la durée du vol.
Lors de l’étape de lissage temporel E33, le module de lissage 56 applique une fonction de lissage prenant en compte les vecteurs de caractéristiques pour au moins deux vols consécutifs.
Par exemple, le nombre de vols consécutifs pris en compte par la fonction de lissage est supérieur ou égal à 4. Dans le présent procédé, la fonction de lissage est une moyenne arithmétique appliquée aux quatre vols précédents.
Autrement formulé, grâce à la fonction de lissage, pour un vol donné, les valeurs des vecteurs de caractéristiques sont mises à jour en prenant la moyenne de leur valeur lors des quatre derniers vols avant lissage.
Les deux étapes de normalisation E32 et de lissage E33 visent à obtenir des vecteurs de caractéristiques les plus informatifs possibles.
A contrario, lors de l’étape de sélection E34, le module de sélection 58 vise à filtrer les vecteurs de caractéristiques pour ne garder que les plus pertinents. Une telle sélection est, par exemple, effectuée à l’aide des jeux de données préparés lors de la phase d’étiquetage P4.
Pour cela, il est calculé une corrélation de Pearson entre chaque vecteur de caractéristiques et l’étiquette définie ci-après en référence à la phase d’étiquetage P4 et sont éliminés les vecteurs de caractéristiques pour lesquels le score de corrélation de Pearson est inférieur à un seuil.
A l’issue de la phase de génération de vecteurs de caractéristiques P3, il est obtenu un ensemble de vecteurs de caractéristiques qui seront les entrées de l’algorithme de prédiction.
Lors de la phase d’étiquetage P4, l’unité d’étiquetage 46 classe les vols en deux catégories pour l’équipement 6 considéré qui sont : « vol sain pour l’équipement » ou « vol précurseur de panne pour l’équipement ».
Par définition, un vol est considéré comme un vol sain lorsque le vol n’a pas été suivi d’une dépose de l’équipement 6 pour cause de panne durant un intervalle de temps supérieur ou égal à un premier intervalle de temps T 1 . Par exemple, le premier intervalle de temps T1 est supérieur ou égal à 30 vols.
Dans le cas décrit, le premier intervalle de temps T 1 est égal à 50 vols.
A contrario, un vol est un vol précurseur de dépose pour cause de panne de l’équipement 6 lorsque le vol a été suivi d’une dépose pour cause de panne de l’équipement 6 durant un intervalle de temps inférieur ou égal à un deuxième intervalle de temps T2.
Par exemple, le deuxième intervalle de temps T2 est inférieur ou égal à 70 vols. Dans le cas décrit, le deuxième intervalle de temps T2 est égal à 50 vols.
Ainsi, dans l’exemple, le premier intervalle T1 et le deuxième intervalle T2 sont identiques de sorte qu’une classification en deux catégories est utilisée. En variante, le premier intervalle T1 et le deuxième intervalle T2 sont différents. Dans un tel cas, une troisième catégorie existe correspondant aux vols « intermédiaires » qui ne sont ni sains ni précurseur de dépose pour panne.
Pour mettre en œuvre un tel étiquetage, la phase d’étiquetage P4 comporte une étape de détermination E41 et une étape de classification E42.
L’étape de détermination E41 vise à déterminer les déposes ayant eu lieu à cause d’une panne de l’équipement 6 à l’aide du module de détermination 60.
Le module de détermination 60 permet de filtrer les autres causes conduisant à une dépose comme les prélèvements d’équipements 6, les changements d’avions et les changements de configuration des équipements 6.
Une technique pour mettre en œuvre une telle détermination est de filtrer dans une base de données répertoriant les déposes et leur motif l’ensemble des déposes n’ayant pas lieu à cause d’une panne de l’équipement 6. La base de données obtenue après filtrage comporte uniquement les déposes ayant eu lieu à cause d’une panne de l’équipement 6.
Lorsque l’équipement 6 est un sous-système présentant plusieurs unités, l’étape de filtrage est mise en œuvre pour chaque unité et une nouvelle base de données comportant l’ensemble des données obtenues à l’issue de chaque étape de filtrage est formée.
En complément ou en variante, un tel filtre est renforcé par une jointure avec les pannes confirmées (non plus celles identifiées mais celles qui ont été réparées).
A l’issue de l’étape de détermination E41 , il est ainsi obtenu les déposes ayant eu lieu à cause d’une panne de l’équipement 6.
Lors de l’étape de classification E42, le module de classification 62 classifie les vols selon les deux catégories précitées.
Pour cela, deux paramètres T1 et T2 sont fixés.
Selon l’exemple proposé, les paramètres T1 et T2 sont des entiers (en unité de vols).
En outre, les paramètres sont soit déterminés par un superviseur, soit par une analyse statistique. Par exemple, les paramètres T1 et/ou T2 peuvent être fixés au travers d’une démarche d’essai/erreur pour maximiser les corrélations entre les vecteurs de caractéristiques issues de P3 et l’étiquette. Par exemple, pour le cas d’alimentations électriques, T1 = T2 = 40.
En supposant que les deux paramètres sont connus par le module de classification 62 (soit fourni soit calculé par le module de classification 62), celui-ci classifie chaque vol selon les règles précédentes. Ainsi, pour chaque équipement 6, le module de classification 62 attribue une étiquette à chaque vol, cette étiquette étant « sain » ou « précurseur de pannes ».
A l’issue de la phase d’étiquetage P4, il est ainsi obtenu un ensemble d’étiquettes qui sont ce que l’algorithme de prédiction aura pour tâche de prédire lors des phases d’établissement d’un algorithme de prédiction P5 et d’évaluation P6.
Lors de la phase d’établissement de l’algorithme de prédiction P5, le module d’établissement 48 établit l’algorithme de prédiction P5 qui vise à trouver un lien entre les vecteurs de caractéristiques obtenus lors de la phase de génération P3 et les étiquettes obtenues à l’issue de la phase d’étiquetage P4.
Plus précisément, lors de la phase d’établissement d’un algorithme de prédiction P5, il est sélectionné et entraîné un algorithme de prédiction basé sur des techniques de machine learning (qui renvoie à la dénomination française de « apprentissage automatique »).
L’algorithme de prédiction cherche à prédire si un vol est sain ou précurseur de panne pour un équipement 6 donné. L’algorithme de prédiction est ainsi un algorithme de classification selon deux classes (classification binaire).
Dans le présent procédé, l’algorithme est un algorithme obtenu par apprentissage supervisé.
A titre d’exemple, l’algorithme de prédiction est une machine à vecteur de support. Un tel algorithme est plus connu sous l’abréviation SVM qui renvoie à la dénomination anglaise de « Support Vector Machine ».
En variante, l’algorithme de prédiction est un algorithme de forêt aléatoire, plus connu sous sa dénomination anglaise de « Random Forest ».
L’ensemble des données disponibles est séparé en deux pour obtenir un jeu d’apprentissage et un jeu de test. Le jeu de test est utilisé dans la phase d’évaluation P6.
La répartition entre jeu d’apprentissage et jeu de test est, par exemple, effectuée sur une base temporelle, le jeu d’apprentissage correspondant à des données antérieures au jeu de test.
Lors de l’entraînement, des hyper-paramètres peuvent être fixés par l’utilisation d’une technique de « grid search » (littéralement « recherche de grille ») ou de « random- search » (littéralement « recherche aléatoire ») dans le cadre d’une validation croisée. De telles techniques permettent d’entraîner un même classifieur mais avec des hyperparamètres différents et ensuite de sélectionner celui obtenant les meilleures performances sur le jeu de test/validation.
Par ailleurs, éventuellement, l’algorithme entraîné peut être normalisé par application d’une fonction sigmoïde. Il est ainsi obtenu un algorithme de prédiction à tester.
Lors de la phase d’évaluation P6, l’unité d’évaluation 50 évalue les performances de l’algorithme de prédiction établi lors de la phase d’établissement P5.
Une telle évaluation est mise en œuvre à l’aide de données de test.
Selon l’exemple décrit, l’unité d’évaluation 50 utilise un évaluateur formé à partir de deux métriques.
La première métrique est la précision qui représente le taux d’alertes avérées lancées par l’algorithme de prédiction et la deuxième métrique est le volume de déposes qui ont été prédites par l’algorithme de prédiction. Les deux métriques sont concaténées, par exemple, à l’aide d’une somme pondérée.
Selon un premier exemple, il est utilisé une technique souvent désignée sous la dénomination anglaise de « Precision-Recall-Curve » qui signifie littéralement courbe de rappel et précision.
En variante, l’évaluation est effectuée en utilisant des données postérieures aux données ayant servi à entraîner l’algorithme de prédiction.
Lorsque l’évaluation n’est pas satisfaisante, la phase d’établissement de l’algorithme de prédiction P5 est à nouveau mise en œuvre.
Lorsque l’évaluation est satisfaisante, l’algorithme de prédiction est conservé et est prêt à être utilisé pour la phase d’exploitation PI.
Lors de la phase d’exploitation P7, l’unité d’exploitation 50 applique l’algorithme de prédiction à des nouvelles données pour déterminer si un vol est sain ou précurseur d’une panne.
Le procédé présenté est donc un procédé présentant notamment comme élément remarquable une phase de génération d’un jeu d’entraînement et d’un jeu de test pour un algorithme de prédiction, c’est-à-dire destinés à l’établissement d’un algorithme de prédiction, l’algorithme de prédiction étant propre à prédire une panne d’un équipement 6 d’un aéronef à partir de données de maintenance collectées durant plusieurs vols, la génération comportant un traitement distinct selon la nature du vol, la nature du vol comprenant au moins deux types de vols, un premier type correspondant au vol n’ayant pas été suivis d’une dépose de l’équipement 6 pour cause de panne durant un intervalle de temps supérieur ou égal au premier intervalle de temps T1 et un deuxième type correspondant au vol suivi d’une dépose pour cause de panne de l’équipement 6 durant un intervalle de temps inférieur ou égal au deuxième intervalle de temps T2.
Il est à noter que, en ce qui concerne les vecteurs de caractéristiques, la phase de génération est originale en ce qu’elle propose de déterminer des valeurs de vecteurs de caractéristiques initiaux, de les consolider (normalisation et lissage temporel) puis de filtrer les vecteurs de caractéristiques ainsi consolidés pour obtenir des vecteurs de caractéristiques finaux, les vecteurs de caractéristiques finaux étant les vecteurs de caractéristiques du jeu d’entraînement et du jeu de test.
Autrement formulé, le procédé améliore les jeux servant à établir l’algorithme de prédiction.
Un tel procédé de prédiction permet ainsi d’améliorer les performances du système de prédiction 10.
Plus précisément, un tel procédé de prédiction permet d’obtenir un système de prédiction 10 présentant une meilleure précision, et notamment un taux de fausse alerte plus faible.
Pour améliorer la précision, l’étape d’entraînement de l’algorithme de prédiction peut être répétée pour tenir compte de nouvelles arrivées de données, par exemple quand 10% du jeu de données a changé. Ainsi, l’algorithme de prédiction évolue au cours du temps. Le procédé de prédiction qui vient d’être décrit peut également être utilisé pour d’autres plateformes mobiles, l’extension étant immédiate.
Les plateformes mobiles concernées sont, par exemple, un engin spatial, un véhicule terrestre, un sous-marin ou un porte-avion.
Dans un tel cas, les vols qui sont utilisés par le procédé pour prédire les pannes sont généralisables par des phases d’utilisation de la plateforme mobile.
Dans le cas d’un porte-avion ou d’un véhicule terrestre, une phase d’utilisation est un ensemble de déplacements correspondant chacun à un trajet (qui est équivalent au vol).
Pour un engin spatial, une phase d’utilisation est, par exemple, la réalisation d’un trajet prédéfini. Un exemple de trajet prédéfini est une révolution autour de la Terre. L’exploitation de l’engin spatial est ainsi découpée temporellement selon les trajets effectués par l’engin spatial.
Alternativement, l’exploitation est découpée en phases d’utilisation présentant la même durée temporelle, la durée temporelle étant choisie préalablement.

Claims

REVENDICATIONS
1. Procédé de prédiction d’une panne d’un équipement (6) d’une plateforme mobile, notamment un aéronef, à partir de données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobile, notamment plusieurs vols de l’aéronef, le procédé de prédiction étant mis en œuvre par un système de prédiction, le procédé comportant :
- une phase de génération d’un jeu d’entraînement et d’un jeu de test destinés à l’établissement d’un algorithme de prédiction, l’algorithme de prédiction étant notamment basé sur des techniques d’apprentissage automatique, l’algorithme de prédiction étant propre à prédire une panne d’un équipement (6) d’une plateforme mobile à partir de données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobile, la génération comportant un traitement distinct selon la nature de la phase d’utilisation, la nature de la phase d’utilisation comprenant au moins deux types de phases d’utilisation, un premier type correspondant à une phase d’utilisation n’ayant pas été suivie d’une dépose de l’équipement (6) pour cause de panne durant un intervalle de temps supérieur ou égal à un premier intervalle de temps (T1) et un deuxième type correspondant à une phase d’utilisation suivie d’une dépose pour cause de panne de l’équipement (6) durant un intervalle de temps inférieur ou égal à un deuxième intervalle de temps (T2),
- une phase d’établissement de l’algorithme de prédiction à partir du jeu d’entraînement et du jeu de test générés, et
- une phase d’utilisation de l’algorithme de prédiction établi.
2. Procédé de prédiction selon la revendication 1 , dans lequel, lors de la phase de génération, le jeu d’entraînement et le jeu de test comportent un ensemble de données, chaque donnée étant les valeurs d’un ensemble de vecteurs de caractéristiques étiquetés par une étiquette dépendant de la nature de la phase d’utilisation.
3. Procédé de prédiction selon la revendication 2, dans lequel l’étiquette est une première étiquette pour les phases d’utilisation n’ayant pas été suivies d’une dépose de l’équipement (6) pour cause de panne durant un intervalle de temps supérieur ou égal au premier intervalle de temps (T1) et une deuxième étiquette pour les phases d’utilisation suivies d’une dépose pour cause de panne de l’équipement (6) durant un intervalle de temps inférieur ou égal au deuxième intervalle de temps (T2), les deux étiquettes étant distinctes.
4. Procédé de prédiction selon l’une quelconque des revendications 1 à 3, dans lequel, la phase de génération comporte une étape de :
- détermination de valeurs de vecteurs de caractéristiques initiaux,
- normalisation et lissage des vecteurs de caractéristiques initiaux pour obtenir des vecteurs de caractéristiques lissés, et
- filtrage des vecteurs de caractéristiques lissés pour obtenir des vecteurs de caractéristiques finaux, les vecteurs de caractéristiques finaux étant les vecteurs de caractéristiques du jeu d’entraînement et du jeu de test.
5. Procédé de prédiction selon la revendication 4, dans lequel les données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobile comportent des messages de maintenance, un vecteur de caractéristiques initial étant associé à un message de maintenance respectif, l’étape de détermination de la valeur des vecteurs de caractéristiques initiaux étant, pour chaque vecteur de caractéristiques initial, une étape de dénombrement du nombre de messages de maintenance associés au vecteur de caractéristiques initial, la valeur du vecteurs de caractéristiques initial étant égal au nombre dénombré.
6. Procédé de prédiction selon la revendication 4 ou 5, dans lequel lors de l’étape de filtrage, il est appliqué une corrélation de Pearson attribuant une note à chaque vecteur de caractéristiques lissé et un seuillage à l’aide d’un seuil prédéterminé, les vecteurs de caractéristiques finaux étant les vecteurs de caractéristiques ayant un score supérieur ou égal au seuil prédéterminé.
7. Procédé de prédiction selon l’une quelconque des revendications 4 à 6, dans lequel la phase de génération comporte une étape de normalisation des valeurs des vecteurs de caractéristiques initiaux et une étape de lissage des vecteurs de caractéristiques normalisés sur au moins deux phases d’utilisation.
8. Procédé de prédiction selon l’une quelconque des revendications 1 à 7, dans lequel l’algorithme de prédiction est un algorithme de classification entraîné par apprentissage supervisé.
9. Procédé de prédiction selon l’une quelconque des revendications 1 à 8, dans lequel les données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobile comprennent des premières données et des deuxièmes données, les premières données correspondant à un ensemble de déposes pour cause de pannes ayant eu lieu par le passé et les deuxièmes données correspondant aux données collectées lors d’au moins une phase d’utilisation de la plateforme mobile, le procédé comporte une phase de croisement des données par application d’une technique de jointure aux premières données et aux deuxièmes données.
10. Système de prédiction (10) propre à prédire une panne d’un équipement (6) d’une plateforme mobile à partir de données de maintenance collectées durant plusieurs phases d’utilisation de la plateforme mobile, notamment plusieurs vols de l’aéronef, le système de prédiction (10) comportant :
- un module de génération d’un jeu d’entraînement et d’un jeu de test destinées à l’établissement d’un algorithme de prédiction, l’algorithme de prédiction étant notamment basé sur des techniques d’apprentissage automatique, l’algorithme de prédiction étant propre à prédire une panne d’un équipement (6) d’une plateforme mobile, le module de génération étant propre à appliquer un traitement distinct des phases d’utilisation n’ayant pas été suivies d’une dépose de l’équipement (6) pour cause de panne durant un intervalle de temps supérieur ou égal à un premier intervalle de temps (T1) et des phases d’utilisation suivies d’une dépose pour cause de panne de l’équipement (6) durant un intervalle de temps inférieur ou égal à un deuxième intervalle de temps (T2),
- un module d’établissement de l’algorithme de prédiction à partir du jeu d’entraînement et du jeu de test générés, et
- un module d’utilisation de l’algorithme de prédiction établi.
11. Produit programme d’ordinateur (12) comportant un programme d’ordinateur comprenant des instructions de programme, le programme d’ordinateur étant chargeable sur une unité de traitement de données (20) et adapté pour entraîner la mise en œuvre d’étapes d’un procédé selon l’une quelconque des revendications 1 à 9 lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement des données (20).
12. Support lisible d’informations (32) comportant des instructions de programme formant un programme d’ordinateur, le programme d’ordinateur étant chargeable sur une unité de traitement de données (20) et adapté pour entraîner la mise en œuvre d’étapes d’un procédé selon l’une quelconque des revendications 1 à 9 lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement de données (20).
PCT/EP2021/056531 2020-03-16 2021-03-15 Procédé de prédiction d'une panne d'un équipement d'une plateforme mobile et dispositifs associés Ceased WO2021185761A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2002542 2020-03-16
FR2002542A FR3108184B1 (fr) 2020-03-16 2020-03-16 Procédé de prédiction d'une panne d'un équipement d'une plateforme mobile et dispositif associé

Publications (1)

Publication Number Publication Date
WO2021185761A1 true WO2021185761A1 (fr) 2021-09-23

Family

ID=70978156

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/056531 Ceased WO2021185761A1 (fr) 2020-03-16 2021-03-15 Procédé de prédiction d'une panne d'un équipement d'une plateforme mobile et dispositifs associés

Country Status (2)

Country Link
FR (1) FR3108184B1 (fr)
WO (1) WO2021185761A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781670A (zh) * 2022-04-20 2022-07-22 深圳技术大学 实验设备维修管理方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130132001A1 (en) * 2010-07-23 2013-05-23 Soumaya Yacout Tool and method for fault detection of devices by condition based maintenance
EP3208755A1 (fr) * 2016-02-16 2017-08-23 Taleris Global LLP Interrelation de multiples flux de données
EP3260943A1 (fr) * 2016-06-24 2017-12-27 The Boeing Company Procédés et systèmes de prévision de réparation de structure lors d'un entretien de grande envergure d'un aéronef
EP3460611A1 (fr) * 2017-09-25 2019-03-27 The Boeing Company Système et procédé de détection de défaillances d'aéronefs

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130132001A1 (en) * 2010-07-23 2013-05-23 Soumaya Yacout Tool and method for fault detection of devices by condition based maintenance
EP3208755A1 (fr) * 2016-02-16 2017-08-23 Taleris Global LLP Interrelation de multiples flux de données
EP3260943A1 (fr) * 2016-06-24 2017-12-27 The Boeing Company Procédés et systèmes de prévision de réparation de structure lors d'un entretien de grande envergure d'un aéronef
EP3460611A1 (fr) * 2017-09-25 2019-03-27 The Boeing Company Système et procédé de détection de défaillances d'aéronefs

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SAI VAN CUONG ET AL: "PdM", INFORMATION AND COMMUNICATION TECHNOLOGY, ACM, 2 PENN PLAZA, SUITE 701NEW YORKNY10121-0701USA, 4 December 2019 (2019-12-04), pages 433 - 440, XP058445917, ISBN: 978-1-4503-7245-9, DOI: 10.1145/3368926.3369693 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781670A (zh) * 2022-04-20 2022-07-22 深圳技术大学 实验设备维修管理方法、装置、设备及介质

Also Published As

Publication number Publication date
FR3108184B1 (fr) 2023-01-20
FR3108184A1 (fr) 2021-09-17

Similar Documents

Publication Publication Date Title
US11645515B2 (en) Automatically determining poisonous attacks on neural networks
US10990901B2 (en) Training, validating, and monitoring artificial intelligence and machine learning models
US11514515B2 (en) Generating synthetic data using reject inference processes for modifying lead scoring models
US10599449B1 (en) Predictive action modeling to streamline user interface
US11580419B2 (en) Computer environment infrastructure compliance audit result prediction
US20240303745A1 (en) Customizable presentation for walking a customer through an insurance claims experience
US20180276691A1 (en) Metric Forecasting Employing a Similarity Determination in a Digital Medium Environment
US11790278B2 (en) Determining rationale for a prediction of a machine learning based model
US12412093B2 (en) Machine learning based approach for identification of extremely rare events in high-dimensional space
US11514458B2 (en) Intelligent automation of self service product identification and delivery
EP4187472A1 (fr) Procédé et appareil permettant de détecter des ordres de transaction faux
US20220197977A1 (en) Predicting multivariate time series with systematic and random missing values
US12086164B2 (en) Explainable layered contextual collective outlier identification in a heterogeneous system
CN113159934A (zh) 一种网点客流量的预测方法、系统、电子设备及存储介质
WO2022112583A1 (fr) Procédé d'évaluation de la performance d'un algorithme de prédiction et dispositifs associés
EP4083888B1 (fr) Système de détection d'entités associées à des enregistrements compromis
EP3537345A1 (fr) Procédé mis en uvre par ordinateur, système et produit-programme d'ordinateur permettant de fournir une interface d'application conversationnelle
US11551152B2 (en) Input feature significance identification based on batches of prediction
WO2021185761A1 (fr) Procédé de prédiction d'une panne d'un équipement d'une plateforme mobile et dispositifs associés
US20220075936A1 (en) Mining multi-party collaboration platforms to create triaging trees and playbooks
US20220004759A1 (en) Dataset driven custom learning for multi-scale object detection
US11556810B2 (en) Estimating feasibility and effort for a machine learning solution
CN119691281A (zh) 信息推送方法、装置、设备、介质和程序产品
US11074486B2 (en) Query analysis using deep neural net classification
US20230123421A1 (en) Capturing Ordinal Historical Dependence in Graphical Event Models with Tree Representations

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21711563

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21711563

Country of ref document: EP

Kind code of ref document: A1