WO2024134050A1 - Procedes de sauvegarde de donnees de vol et de generation d'un module de detection d'un evenement anormal utilise pour declencher ladite sauvegarde - Google Patents

Procedes de sauvegarde de donnees de vol et de generation d'un module de detection d'un evenement anormal utilise pour declencher ladite sauvegarde Download PDF

Info

Publication number
WO2024134050A1
WO2024134050A1 PCT/FR2023/051855 FR2023051855W WO2024134050A1 WO 2024134050 A1 WO2024134050 A1 WO 2024134050A1 FR 2023051855 W FR2023051855 W FR 2023051855W WO 2024134050 A1 WO2024134050 A1 WO 2024134050A1
Authority
WO
WIPO (PCT)
Prior art keywords
indicators
event
module
flight
aircraft
Prior art date
Application number
PCT/FR2023/051855
Other languages
English (en)
Inventor
Denis Jules Charles DELVILLE
Frédéric Pierre Philippe BOCAGE
Nicolas Joël Daniel FANTON
Sylvaine Picard
Original Assignee
Safran Electronics & Defense
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 Safran Electronics & Defense filed Critical Safran Electronics & Defense
Publication of WO2024134050A1 publication Critical patent/WO2024134050A1/fr

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • B64D2045/0065—Black boxes, devices automatically broadcasting distress signals

Definitions

  • the present invention is located in the field of aeronautics and more precisely in the field of regulatory flight recorders, otherwise called “flight recorders” or “black boxes”.
  • ED-273 is itself based on work which took place under the control of the BEA (Investigation and Analysis Office) on a set of sixty-eight 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, an emergency situation is considered to have started. Otherwise, if all conditions are false, then the flight is considered normal.
  • the detection of the distress situation only takes place a very short time, 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 through 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.
  • the invention therefore aims at a solution for anticipating the detection of an accident of a future aircraft, without excessively generating untimely false alarms and for transmitting, before the occurrence of the accident, a copy of the entire or a significant quantity of data contained in one or more black boxes of the aircraft to an external receiver.
  • the invention aims above all to identify new symptomatic or warning criteria of a distress situation, that is to say not identified on the sixty-eight accident flights and to initiate emergency communication (transmission of data to an external receiver to the aircraft).
  • the invention proposes to analyze the data collected during healthy or considered healthy flights and which were downloaded into maintenance computers at the end of these flights.
  • the invention relates to a method for generating a module for detecting an abnormal event occurring during a flight in an aircraft.
  • reference event an event which occurred during a healthy flight at a time t and which can be represented by a set of indicators at this time t. Reference events are used to generate the abnormal event detection module.
  • the detection module 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.
  • a preferred use of the detection module is to determine, when used in an aircraft during flight, whether an event of interest which occurs during flight is normal or atypical so as to trigger a communication of emergency, i.e. sending flight data to an external receiver.
  • the detection module can also be used on the ground, to detect if an event of interest produced during a healthy or accidental flight is detected as normal or atypical so as to retrain and/or validate the detection module.
  • indicator the type of an indicator (for example “pitch angle”) and
  • indicator value a value of this indicator at a time t, for example 20°.
  • subsets of the complete set of indicators which represent a reference event will be used. Those skilled in the art understand that such an incomplete subset only gives a partial/incomplete/imperfect representation of the reference event.
  • the method for generating a module for detecting an abnormal event in accordance with the invention comprises:
  • a decision model making it possible to determine a definitive opinion on the normal or atypical nature of an event of interest based on partial opinions determined for this event of interest, a partial opinion being determined for each subset 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 module for detecting an abnormal event being configured to, when implemented in an aircraft in flight, generate or not a distress signal depending on said definitive notice determined for an event of interest produced during the flight.
  • the module for detecting an abnormal event is a computer program configured to be able to be executed by a processor of the aircraft.
  • the generation method, object of the invention uses data from healthy flights or considered healthy, namely flights which ended without a major accident occurring.
  • this detection module is capable of determining a definitive opinion according to which an event of interest produced during a healthy or accidental flight is a normal or atypical event.
  • 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 type (in English LocalOutlierFactor).
  • Partial opinions on the normal or atypical nature of an event are qualified as partial because they are obtained by considering only a subset of the set of indicators which completely represents this event.
  • the decision model is configured to take into account 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 normality or atypical of a reference event.
  • 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.
  • 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:
  • 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:
  • the invention also relates to an aircraft comprising a backup device as mentioned above.
  • the backup device can for example be integrated into a flight data acquisition unit (in English Flight-Data Acquisition Unit) which receives different flight data, in analog or digital form from a certain number of sensors and systems avionics, and which routes at least some of this data to the black box.
  • a flight data acquisition unit in English Flight-Data Acquisition Unit
  • receives different flight data in analog or digital form from a certain number of sensors and systems avionics, and which routes at least some of this data to the black box.
  • the invention considers that among the flight data considered healthy, atypical events occur which would have merited the triggering of emergency communication of the flight data because these atypical events would potentially have could 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.
  • the invention therefore proposes to allow the detection of these atypical events by analysis of data acquired and recorded during healthy flights.
  • 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.
  • These healthy flight data are for example data from an ACMS system for monitoring the condition of the aircraft (Aircraft Condition Monitoring System). It is recalled that an aircraft health monitoring system is a predictive maintenance tool composed of a high-capacity flight data acquisition unit and associated sensors that sample, monitor and record information and the flight parameters of the main systems and components of the aircraft.
  • the ACMS system data used to define the new trigger criteria, and collected on healthy flights are much larger and much richer than the black box data from the sixty-eight accident flights analyzed by the BEA to identify the thirteen criteria recalled above.
  • 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 black box data.
  • the data used by the invention may contain data of the type recorded in black boxes but also other types of data.
  • the data from the ACMS systems on the A330-300 aircraft includes more than 695 parameters, a very significant number of them not being recorded in the black boxes.
  • the invention can take into account all the criteria defined by the BEA and other flight data, for example at least one of:
  • the transmission of data to the external receiver can, for example, be carried out by radio via satellite in particular or by GSM network.
  • 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.
  • 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 progressively on board the aircraft, detecting that the the aircraft is likely to have an accident, from the detection, transmit 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 order of registration.
  • This backup can be implemented using the backup method described in document FR2967647 (Al).
  • 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 are are produced during said healthy flights:
  • the threshold associated with a subset of indicators being determined from a type of a distribution of said normality scores calculated for this subset.
  • the threshold is determined based on the shape of a tail of the distribution.
  • the normality scores calculated for a subset of indicators are obtained by a learned algorithm associated with this subset.
  • first level indicators there are, among the aforementioned indicators, so-called first level indicators and so-called second level indicators.
  • the 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.
  • Second level indicators can be obtained by aggregating first level indicators, for example by an average, minimum or maximum type function, over a given period of time, for example over the last ten seconds.
  • first level indicators for example by an average, minimum or maximum type function
  • second level indicators makes it possible to determine a partial opinion on the basis of indicator values considered during a time window corresponding to this aggregation period.
  • the decision model used in the invention can be of different nature. This may be in particular:
  • condition 1 a model based on a combination of logical conditions (for example if condition 1 and (condition 2 or condition 3) ...); Or
  • an event is considered atypical (partial opinion) if the normality score of this event exceeds said threshold.
  • the different stages of the generation method or the 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 wired model.
  • 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 method of generating and/or a method of saving data as described above.
  • This program may use any programming language, and be in the form of source code, object code, or intermediate code between source code and object code, such as in a partially compiled form, or in any other desirable shape.
  • the invention also relates to an information medium readable by a computer, and comprising instructions for a computer program as mentioned above.
  • the information carrier can be any entity or device capable of storing the program.
  • the medium may include a storage means, such as a ROM, a non-volatile memory of the flash type or even a magnetic recording means, for example a hard disk.
  • the information carrier may be a transmissible medium such as an electrical or optical signal, which may be carried via an electrical or optical cable, by radio or by other means.
  • the program according to the invention can in particular be downloaded on an Internet type network.
  • the information carrier may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in executing the method in question.
  • Figure 1 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;
  • Figure 2 represents a first example of thresholds on these two indicators for the events of Figure 1;
  • Figure 3 represents a second example of thresholds on these two indicators for the events of Figure 1;
  • Figure 4 represents the result of a classification of the event indicators of Figure 1 by a mathematical tool or by an operator;
  • Figure 5 represents a third example of threshold for the event indicators of Figure 1;
  • Figure 6 represents an aircraft conforming to a particular embodiment of the invention
  • Figure 7 represents the main steps of a data backup method according to one embodiment of the invention.
  • Figure 8 illustrates an example of a decision model that can be used in the invention
  • Figure 9 represents the main steps of a method for generating a module for detecting an abnormal event in accordance with one embodiment of the invention.
  • Figure 10 represents a first example of distribution of normality scores
  • Figure 11 shows a second example of normality score distribution
  • Figure 12 represents a third example of distribution of normality scores
  • Figure 13 shows four distributions of normality scores.
  • the data backup method uses a module for detecting an abnormal event in accordance with the invention to trigger, during a flight, the transmission of data from flight if the module detects an abnormal event during the flight.
  • This detection module uses thresholds stored in the detection module by the method of generating this module from indicator values associated with reference events which occurred during healthy flights.
  • 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.
  • first level indicators which can for example be represented in the form of vectors of which each component represents raw flight data or meteorological data at a time t and second-level indicators that can be obtained from first-level indicators; it 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.
  • Figures 1 to 5 illustrate different ways of determining a threshold to discriminate between normal and atypical events.
  • Figure 1 presents the correlation of these indicators in each event, each point corresponds to an event, potentially resulting from several flights.
  • a threshold for each of the indicators approximately 1.31 for the normal acceleration nz and 0.08 for the longitudinal acceleration ny;
  • FIG 3 there is shown a hatched area in which there are the points representing the events whose normal acceleration nz and the longitudinal acceleration ny of the aircraft are simultaneously greater than their respective thresholds.
  • Figure 5 illustrates an example in which a weighted sum of the normal and longitudinal acceleration indicators is compared to a threshold, the points located in the hatched area triggering, when detected, an urgent transmission of at least one part data collected during the flight.
  • flight data dv and meteorological data dm are acquired during an acquisition step F10.
  • flight data make it possible to determine, for a time t of the flight, indicators of an event occurring at this time t. This data is recorded in an MEM memory of the aircraft and part of this data is copied into a black box referenced FDR.
  • first level event indicators there are, among the aforementioned event indicators, so-called first level event indicators and so-called second level event indicators.
  • the first level indicators can for example be represented in the form of vectors each component of which represents flight data dv or meteorological data dm at a time t.
  • Flight data constituting first level indicators within the meaning of the invention can for example be chosen from the following data:
  • Wind speed is an example of meteorological data.
  • An indicator considered at a time t 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 instants t-i, t-(i+ 1) being for example separated by 1 second.
  • second level indicators can be obtained (i) by aggregation of first level indicators or (ii) by aggregation of categorical parameters.
  • a categorical parameter takes as its value modalities as opposed to quantitative variables.
  • a second level indicator could be:
  • An event EV(t) of the aircraft flight at time t is defined by the values of all the indicators at time t.
  • step F15 subsets of indicators selected from this complete set of indicators are constituted.
  • 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.
  • the module MDEA for detecting an abnormal event determines for an event EV occurring at a time t, and for each subset of indicators El,, an opinion partial ap, on the normal (N) or atypical (A) character of this event based on the values of the indicators of this event for this subset.
  • the partial opinion determined api for the first subset of indicators can be that this event is normal
  • the partial opinion ap 2 determined for the second subset of indicators may be that this event is atypical;
  • the partial opinion ap 3 determined for the third subset of indicators may be that this event is normal;
  • the partial opinion ap 4 determined for the fourth subset of indicators may be that this event is normal
  • the partial opinion ap 5 determined for the fifth subset of indicators may be that this event is atypical.
  • the MDEA abnormal event detection module calculates, for each subset of indicators El,, a normality score sn, based on the values of only the indicators of the subset El, at time t , using an algorithm AAi associated with this subset El,, and compares this normality score sn, with a threshold TH, determined for this subset of indicators El,.
  • each AA algorithm was learned on reference events from healthy flights to define a normality score for the subsets of indicators El, as well as the threshold TH, of this subset.
  • the abnormal event detection module MDEA determines, using a decision model, from the partial opinions ap, a definitive opinion AD on the normal N or atypical character A of the event EV at the moment t..
  • the abnormal event detection module MDEA determines that the event EV at time t is an atypical event A, this module emits a distress signal SD.
  • Figure 8 illustrates a decision model LD which can be used by an abnormal event detection module MDEA according to the invention to generate a distress signal SD.
  • an indicator of the EI 4 set is a level two indicator which represents a type of flight phase (for example take-off, climb phase, cruise, descent phase, landing preparation phase. ..) obtained by an AEF state machine.
  • Each algorithm AA determines a partial opinion ap, on the normal or atypical nature of the event of interest from the associated subset El,.
  • the indicators I 6 to ho are indicators defined by the BEA.
  • the LD decision model is represented by the thick line box.
  • a distress signal SD is generated if and only if at least one of the following five conditions is satisfied: condition 1/ the partial notice ap 4 determined for the first subset of indicators Eh and the notice partial api determined for the second subset of EI 2 indicators are both of the opinion that the EV event 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 where a categorical indicator of the fourth subset EI 4 takes a determined modality, has exceeded a value X in a one-minute time window; 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 risk of RD distress corresponding to a criterion defined by an indicator I 6 to I 10 of the BEA is detected.
  • the abnormal event detection module MDEA can generate a distress signal SD if a following combination of indicator values is detected:
  • a communication module COM of the aircraft triggers the transmission (step F40) of the flight data dv and the data weather dm included in the MEM memory to an external receiver.
  • This process consists in particular of:
  • - select from a set of indicators representative of an event of at least one healthy flight, the indicators of the subsets of indicators El,. These subsets of indicators are those which will be used by the data saving method in step F15 already described; - teach each AA algorithm, associated with a subset of El indicators, to generate a normality score according to the values associated with these indicators at a given time;
  • One or more TH thresholds can be determined by a flight safety expert.
  • flight data dv is obtained, and possibly meteorological data dm acquired during healthy flights, for example from maintenance data from previous flights.
  • the indicators of the subsets El are selected during a step E15.
  • a step E20 we learn from a plurality of events EV k from healthy flights, and for each subset of indicators El, the algorithms AA, to generate a normality score sn i ;k for each event EV k .
  • the threshold TH associated with a subset of indicators El, is determined from the shape of the distribution of normality scores.
  • a TD type of the distribution of normality scores calculated for this subset is determined, during a step E30, for each subset of indicators El,.
  • Figures 10 to 12 represent typical cases of normality score distribution 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.
  • Figure 10 represents a first TDi type of distribution in which the number of occurrences of normality scores drops suddenly from a normality score, for example 2 in this figure.
  • the threshold can be chosen slightly higher than this value by taking a more or less significant safety margin.
  • Two thresholds are represented according to two options 1 and 2 corresponding to two safety margins.
  • Figure 11 represents a second type TD 2 of more continuous distribution than that of Figure 10.
  • events which have a normality score around 6 have a much lower probability (the scale of the ordinates is logarithmic) than events which have a normality score around 1.
  • Figure 12 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.
  • the threshold can be chosen between these extreme values and the maximum value of the main distribution. This choice is illustrated by option 4 in Figure 12.
  • FIGS 10 to 12 are only examples presented to illustrate that normality score distributions can be of very different types.
  • the invention proposes to automatically detect the type of distribution. For this purpose, we can use a method of characterizing the tails of distributions which produces an index called “tail index” which characterizes the shape of the tail of distribution.
  • the tail index obtained is equal to 160
  • the tail index obtained is equal to -4.6
  • the tail index obtained is equal to 0.28
  • a method of characterizing the tail of this distribution to automatically determine the type of this distribution, and automatically set the threshold TH, associated with this subset of indicators according to this type , for example in accordance with options 1 to 4 defined previously.
  • the LD decision model can be determined by a flight safety expert.
  • this step comprises the comparison of the normality score sn i;k associated with the values of El, calculated by the algorithm AA, in step E20 with the threshold TH, determined in step E30.
  • step E50 we implement the decision model LD to determine the normal or atypical nature of the event EV k according to the partial opinions ap i;k .
  • an expert can use different training and validation data sets to determine the hyperparameters of the AA algorithms.
  • the learned algorithms AA, the thresholds TH, and the decision model LD are recorded (step E60) in a memory of the abnormal event detection module MDEA to be able to be used during the flight of an aircraft so that it can determine:

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

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.

Description

Description
Titre de l'invention : Procédés de sauvegarde de données de vol et de génération d'un module de détection d'un évènement anormal utilisé pour déclencher ladite sauvegarde.
Arrière-plan de l'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 ».
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.
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.
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.
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 :
- Taux d'inclinaison excessif (en anglais « excessive bank ») ;
- Tangage excessif (en anglais « excessive pitch »)
- Décrochage (en anglais « stall »)
- Vitesse calibrée faible (en anglais «low CAS »)
- Vitesse verticale excessive (en anglais « Excessive vertical speed »)
- Survitesse (en anglais « overspeed »)
- Facteurs de charge inhabituels (en anglais « unusual load factors») - Commande de roulis excessive (en anglais « excessive roll command»)
- Utilisation excessive de la gouverne de direction (en anglais « excessive use of rudder»)
- Avertissement du Système d'avertissement et d'alarme d'impact (en anglais « Terrain awareness and warning system TAWS warning»)
- Altitude trop basse (en anglais « too low altitude »)
- Alerte du système d'alerte de trafic et d'évitement de collision (en anglais « Traffic Alert and Collision Avoidance System»)
- Avertissement d'altitude de la cabine (en anglais « 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.
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.
Objet et résumé de l'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.
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).
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.
On rappelle que les études de l'art antérieur, notamment du BEA, portent sur l'analyse de soixante-huit vols accidentés.
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. 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.
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.
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.
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.
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 réentraîner et/ou valider le module de détection.
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°.
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.
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 oeuvre 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.
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.
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.
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.
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).
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.
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.
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.
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.
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.
L'invention concerne également un aéronef comportant un dispositif de sauvegarde tel que mentionné ci-dessus.
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.
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.
L'invention propose donc de permettre la détection de ces évènements atypiques par analyse des données acquises et enregistrées au cours de vols sains.
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.
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.
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.
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.
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. 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 ;
La transmission des données vers le récepteur extérieur peut par exemple se faire par voie hertzienne par satellite en particulier ou par réseau GSM.
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.
En particulier, la présente invention peut mettre en oeuvre 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.
Cette sauvegarde peut être mise en oeuvre en utilisant le procédé de sauvegarde décrit dans le document FR2967647 (Al).
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.
Dans un mode de réalisation, le seuil est déterminé en fonction de la forme d'une queue de la 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.
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.
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.
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.
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.
Dans un exemple, un évènement est considéré atypique (avis partiel) si le score de normalité de cet événement dépasse ledit seuil.
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.
En conséquence, l'invention vise aussi un programme d'ordinateur sur un support d'informations, ce programme étant susceptible d'être mis en oeuvre dans un ordinateur contrôleur, ce programme comportant des instructions adaptées à la mise en oeuvre des étapes d'un procédé de génération et/ou d'un procédé de sauvegarde de données tel que décrit ci-dessus.
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.
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.
Brève description des dessins :
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 :
[Fig. 1] La figure 1 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;
[Fig. 2] La figure 2 représente un premier exemple de seuils sur ces deux indicateurs pour les évènements de la figure 1;
[Fig. 3] La figure 3 représente un deuxième exemple de seuils sur ces deux indicateurs pour les évènements de la figure 1;
[Fig. 4] La figure 4 représente le résultat d'une classification des indicateurs des événements de la figure 1 par un outil mathématique ou par un opérateur;
[Fig. 5] La figure 5 représente un troisième exemple de seuil pour les indicateurs des évènements de la figure 1;
[Fig. 6] La figure 6 représente un aéronef conforme à un mode particulier de réalisation de l'invention ;
[Fig. 7] La figure 7 représente les principales étapes d'un procédé de sauvegarde de données selon un mode de réalisation de l'invention ;
[Fig. 8] La figure 8 illustre un exemple de modèle de décision pouvant être utilisé dans l'invention ;
[Fig. 9] La figure 9 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 ;
[Fig. 10] La figure 10 représente un premier exemple de distribution de scores de normalité;
[Fig. 11] La figure 11 représente un deuxième exemple de distribution de scores de normalité;
[Fig. 12] La figure 12 représente un troisième exemple de distribution de scores de normalité;
[Fig. 13] La figure 13 représente quatre distributions de scores de normalité.
Description de différents modes de réalisation
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. 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.
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.
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.
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.
Les figures 1 à 5 illustrent différentes façons de déterminer un seuil pour discriminer des évènements normaux et atypiques.
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.
La figure 1 présente la corrélation de ces indicateurs dans chaque événement, chaque point correspond à un événement, potentiellement issu de plusieurs vols.
Sur la figure 2, 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.
Considérer chaque point de la zone hachurée comme un évènement annonciateur d'un accident à venir conduirait à un grand nombre de faux positifs.
Sur la figure 3, 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.
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 figure 2. Par contre, des événements annonciateurs d'un événement pourraient ne pas être détectés. Sur la figure 4, on a représenté le résultat d'une classification des évènements de la figure 1 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.
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.
Par exemple, la figure 5 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.
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 oeuvre dans un aéronef AER en vol. Il utilise un module MDEA de détection d'un évènement anormal conforme à l'invention. La figure 9 qui sera décrite ultérieurement présente un procédé conforme à l'invention pour générer ce module de détection.
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.
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.
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.
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.
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.
La vitesse du vent est un exemple de donnée météorologique.
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.
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.
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 minutes
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.
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.
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.
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 El,, un avis partiel ap, sur le caractère normal (N) ou atypique (A) de cet évènement à partir des valeurs des indicateurs de cet évènement pour ce sous-ensemble.
Par exemple, pour un évènement donné,
- au vu des valeurs des indicateurs du premier sous-ensemble à l'instant T, l'avis partiel déterminé api pour 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 ap2 déterminé 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 ap3 déterminé 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 ap4 déterminé 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 ap5 déterminé pour le cinquième sous-ensemble d'indicateurs peut être que cet événement est atypique.
Pour cela, le module MDEA de détection d'évènement anormal calcule, pour chaque sous- ensemble d'indicateurs El,, un score de normalité sn, sur la base des valeurs des seuls indicateurs du sous-ensemble El, à l'instant t, en utilisant un algorithme AAi associé à ce sous-ensemble El,, et compare ce score de normalité sn, avec un seuil TH, déterminé pour ce sous-ensemble d'indicateurs El,.
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, a été appris sur des événements de référence issus de vols sains à définir un score de normalité pour les sous-ensembles d'indicateurs El, ainsi que le seuil TH, de ce sous-ensemble.
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,, un avis définitif AD sur le caractère normal N ou atypique A de l'évènement EV à l'instant 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.
La figure 8 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.
Sur cette figure, on a représenté cinq sous-ensembles d'indicateurs EIt à EI5 associés à cinq algorithmes AAi à AA5. On a également représenté cinq indicateurs I6 à ho. Les indicateurs des cinq sous-ensembles d'indicateurs E à EI5 et les indicateurs I6 à ho font 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.
A titre d'exemple, un indicateur de l'ensemble EI4 est 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.
Chaque algorithme AA, détermine un avis partiel ap, sur le caractère normal ou atypique de l'événement d'intérêt à partir du sous-ensemble associé El,.
Dans cet exemple, les indicateurs I6 à ho sont des indicateurs définis par le BEA.
Le modèle de décision LD est représenté par le cadre en traits épais.
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 ap4 déterminé pour le premier sous-ensemble d'indicateurs Eh et l'avis partiel api déterminé pour le deuxième sous-ensemble d'indicateurs EI2 sont tous les deux d'avis que l'évènement EV est atypique ; condition 2/ l'avis partiel ap2 déterminé pour le deuxième sous-ensemble d'indicateurs EI2 et l'avis partiel ap3 déterminé pour le troisième sous-ensemble d'indicateurs EI3 sont 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 EI4 prend 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 EI5 d'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 I6 à I10 du BEA est détecté.
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).
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.
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.
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 El,. 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, associé à un sous-ensemble d'indicateurs El, à générer un score de normalité en fonction des valeurs associées à ces indicateurs à un instant donné ;
- calculer le seuil TH, de chaque sous-ensemble d'indicateurs El, ; et
- définir le modèle de décision LD mentionné à l'étape F30, par exemple illustré en figure 8.
Un ou plusieurs seuils TH, peuvent être déterminés par un expert en sécurité des vols.
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.
Les indicateurs des sous-ensembles El, sont sélectionnés au cours d'une étape E15.
Au cours d'une étape E20, on apprend à partir d'une pluralité d'évènements EVk issus de vols sains, et pour chaque sous-ensemble d'indicateurs El,, les algorithmes AA, à générer un score de normalité sni;k pour chaque événement EVk.
On obtient ainsi, pour chaque sous-ensemble d'indicateurs El,, avec l'algorithme appris dédié, une distribution de ces scores de normalité.
Dans un mode de réalisation, le seuil TH, associé à un sous-ensemble d'indicateurs El, est déterminé à partir de la forme de la distribution des scores de normalité.
Ainsi, dans ce mode de réalisation, on détermine, au cours d'une étape E30, pour chaque sous- ensemble d'indicateurs El,, un type TD, de la distribution des scores de normalité calculés pour ce sous-ensemble.
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.
La figure 10 représente un premier type TDi de 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 TDi le 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.
La figure 11 représente un deuxième type TD2 de distribution plus continue que celle de la figure 10. 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.
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 figure 11.
La figure 12 représente un troisième type TD3 de 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 figure 12.
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.
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.
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"
A titre illustratif, un algorithme de caractérisation des queues de distribution a été appliqué aux quatre distributions de la figure 13 :
Pour la distribution uniforme de la figure 10(a), l'indice de queue obtenu est égal à 160
Pour la distribution beta de la figure 10(b), l'indice de queue obtenu est égal à -4,6
Pour la distribution normale de la figure 10(c), l'indice de queue obtenu est égal à 0,31
Pour la distribution exponentielle de la figure 10(d), l'indice de queue obtenu est égal à 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, associé à ce sous-ensemble d'indicateurs en fonction de ce type, par exemple conformément aux options 1 à 4 définies précédemment.
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.
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.
Dans un mode particulier de réalisation, le modèle de décision LD peut être déterminé par un expert dans la sécurité des vols.
Au cours d'une étape E40, on détermine, pour chaque évènement EVk, et pour chaque sous- ensemble d'indicateurs El,, un avis partiel api;k sur le caractère normal N ou atypique A de cet évènement en fonction des valeurs des indicateurs de ce sous-ensemble. Dans le mode de réalisation décrit ici, cette étape comporte la comparaison du de score de normalité sni;k associé aux valeurs de El, calculé par l'algorithme AA, à l'étape E20 avec le seuil TH, déterminé à l'étape E30.
Puis, au cours d'une étape E50, on, met en oeuvre le modèle de décision LD pour déterminer le caractère normal ou atypique de l'évènement EVk en fonction des avis partiels api;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 hyperpara mètres des algorithmes AA,.
Les algorithmes appris AA,, les seuils TH, et 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, sur 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.

Claims

REVENDICATIONS
[Revendication 1] Procédé de génération d'un module (MDEA) de détection d'un évènement anormal se produisant au cours d'un vol dans un aéronef, ce procédé étant mis en oeuvre par un ordinateur et comportant :
- une étape (E10) d'obtention de données de vols acquises uniquement au cours de vols considérés sains ;
- pour au moins un sous-ensemble d'indicateurs sélectionnés dans un ensemble d'indicateurs obtenus à partir desdites données et représentatifs d'un évènement de référence qui s'est produit au cours d'un instant d'un dit vol sain, une étape (E30) d'association, à ce sous-ensemble (El,) d'indicateurs, d'un seuil (THi) permettant de déterminer un avis partiel sur le caractère normal ou atypique de cet évènement de référence à partir des valeurs des indicateurs dudit sous-ensemble (El,);
- une étape de configuration dudit module de détection (MDEA) avec :
(i) les indicateurs et le seuil (TH,) de chaque sous-ensemble d'indicateurs, et avec
(ii) un modèle de décision (LD) 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 oeuvre 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.
[Revendication 2] Procédé de génération selon la revendication 1 comportant pour une pluralité de sous-ensembles (El,) d'indicateurs représentatifs d'évènements de référence qui se sont produits au cours desdits vols sains :
- une étape (E20) de calcul d'un score de normalité (sni;k) pour chacun (EVk) desdits évènements de référence à partir des valeurs des indicateurs dudit sous-ensemble (El,) pour cet évènement (EVk) ;
- le seuil (THi) associé (E30) à un sous-ensemble (Eli) d'indicateurs étant déterminé à partir d'un type d'une distribution desdits scores de normalité calculés pour ce sous-ensemble (Eli).
[Revendication 3] Procédé de génération selon la revendication 2 dans lequel ledit seuil (THi) est déterminé (E30) en fonction de la forme d'une queue de ladite distribution desdits scores de normalité (sni;k).
[Revendication 4] Procédé de génération selon la revendication 2 ou 3 dans lequel lesdits scores de normalité (sni;k) calculés (E20) pour un sous-ensemble d'indicateurs (El,) sont obtenus par un algorithme à apprentissage (AA,) associé à ce sous-ensemble.
[Revendication 5] Procédé de génération selon l'une quelconque des revendications 1 à 4, dans lequel le modèle de décision (LD) est configuré pour prendre en compte une pluralité d'avis partiels déterminés pour une pluralité de sous-ensembles (Eli) d'indicateurs pendant une fenêtre de temps afin de déterminer l'avis définitif sur le caractère normal ou atypique d'un évènement de référence.
[Revendication 6] 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 selon l'une quelconque des revendications 1 à 5.
[Revendication 7] Procédé de sauvegarde de données de vol acquises au cours d'un vol d'un aéronef, ledit aéronef (AER) comportant un module (MDEA) de détection d'un évènement anormal selon la revendication 6, ce procédé comportant :
- une étape de collecte de données (dv, dm) au cours du vol et de mémorisation desdites données collectées dans une mémoire (MEM) de l'aéronef ;
- une étape de copie d'au moins une partie desdites données collectées dans une boîte noire (FDR) de l'aéronef ;
- une étape de fourniture desdites données collectées en entrée dudit module de détection (MDEA) ; 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 (SD) généré par ledit module.
[Revendication 8] 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 selon la revendication 6, ce dispositif comportant :
- un module de collecte de données au cours du vol et de mémorisation desdites données collectées dans une mémoire (MEM) de l'aéronef ;
- un module de copie d'au moins une partie desdites données collectées dans une boîte noire (FDR) de l'aéronef ; et
- un module de fourniture desdites données collectées en entrée dudit 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 (SD) généré par ledit module de détection d'un évènement anormal. [Revendication 9] Aéronef comportant un dispositif de sauvegarde de données selon la revendication 8 ou un processeur configuré pour mettre en oeuvre un module de détection d'un évènement anormal selon la revendication 6. [Revendication 10] Programme d'ordinateur (PG) comportant des instructions pour l'exécution des étapes du procédé de génération selon l'une quelconque des revendications 1 à 5 et/ou des instructions pour l'exécution des étapes du procédé de sauvegarde selon la revendications 7 lorsque ledit programme est exécuté par un ordinateur.
PCT/FR2023/051855 2022-12-20 2023-11-27 Procedes de sauvegarde de donnees de vol et de generation d'un module de detection d'un evenement anormal utilise pour declencher ladite sauvegarde WO2024134050A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2213995A FR3143559A1 (fr) 2022-12-20 2022-12-20 Procédés de sauvegarde de données de vol et de génération d’un module de détection d’un évènement anormal utilisé pour déclencher ladite sauvegarde.
FRFR2213995 2022-12-20

Publications (1)

Publication Number Publication Date
WO2024134050A1 true WO2024134050A1 (fr) 2024-06-27

Family

ID=86332135

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2023/051855 WO2024134050A1 (fr) 2022-12-20 2023-11-27 Procedes de sauvegarde de donnees de vol et de generation d'un module de detection d'un evenement anormal utilise pour declencher ladite sauvegarde

Country Status (2)

Country Link
FR (1) FR3143559A1 (fr)
WO (1) WO2024134050A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030130771A1 (en) * 2001-10-10 2003-07-10 Crank Kelly C. Method and apparatus for tracking aircraft and securing against unauthorized access
FR2967647A1 (fr) 2010-11-22 2012-05-25 Sagem Defense Securite Procede et systeme de sauvegarde de donnees de fonctionnement d'un vehicule
US20150088363A1 (en) * 2013-09-20 2015-03-26 Airbus Operations (S.A.S.) Method for identifying a piece of defective equipment in an aircraft
US20180340795A1 (en) * 2017-05-23 2018-11-29 Airbus Operations S.A.S. Method and device for monitoring and estimating parameters relating to the flight of an aircraft
US20200204375A1 (en) * 2018-12-21 2020-06-25 Thales Distributed ledgers for sharing data in the aeronautical field

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030130771A1 (en) * 2001-10-10 2003-07-10 Crank Kelly C. Method and apparatus for tracking aircraft and securing against unauthorized access
FR2967647A1 (fr) 2010-11-22 2012-05-25 Sagem Defense Securite Procede et systeme de sauvegarde de donnees de fonctionnement d'un vehicule
US20150088363A1 (en) * 2013-09-20 2015-03-26 Airbus Operations (S.A.S.) Method for identifying a piece of defective equipment in an aircraft
US20180340795A1 (en) * 2017-05-23 2018-11-29 Airbus Operations S.A.S. Method and device for monitoring and estimating parameters relating to the flight of an aircraft
US20200204375A1 (en) * 2018-12-21 2020-06-25 Thales Distributed ledgers for sharing data in the aeronautical field

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
B.M. HILL: "A simple general approach to inference about the tail of a distribution", ANNALS OF STATISTICS, vol. 3, 1975, pages 1163 - 1174
J. BOONRADSAMEEW. BODHISUWANU. JAROENGERATIKUN: "A New Selecting k Method of Hill's Estimator", THAI JOURNAL OF MATHEMATICS, 2021, pages 153 - 163

Also Published As

Publication number Publication date
FR3143559A1 (fr) 2024-06-21

Similar Documents

Publication Publication Date Title
EP2551836B1 (fr) Procédé et dispositif de gestion optimisée de la trajectoire verticale d'un aéronef
EP2599039A1 (fr) Procede et systeme d'analyse de donnees de vol enregistrees au cours d'un vol d'un avion
FR3010809A1 (fr) Procede et dispositif de gestion automatique a bord d'un aeronef de messages audio de controle aerien.
FR2916530A1 (fr) Procede et dispositif pour surveiller une indication de position d'un aeronef.
FR2913800A1 (fr) Dispositif et procedes de filtrage d'alertes anti-collision de terrain et d'obstacles pour aeronef
FR3044143A1 (fr) Appareil electronique et procede d'assistance d'un pilote d'aeronef, programme d'ordinateur associe
FR2905778A1 (fr) Procede de verification de pertinence d'une valeur de masse d'un aeronef
FR3077059A1 (fr) Methode de detection de conditions givrantes pour un aeronef par apprentissage automatique supervise
FR3035534B1 (fr) Procede et systeme de communication et de partage d'informations pour aeronef
FR2991486A1 (fr) Procede et dispositif d'assistance au suivi de mission d'un aeronef
FR3009396A1 (fr) Procede et programme d'ordinateur d'aide a la maintenance d'equipements d'un aeronef
WO2004010079A2 (fr) Procede et dispositif d'aide a la navigation d'un aeronef
FR3002035A1 (fr) Procede de controle des niveaux de fluide hydraulique dans un aeronef
CA2837523A1 (fr) Systeme de prescription de maintenance d'un moteur d'helicoptere
FR3051586A1 (fr) Procede permettant d'identifier la proximite d'une turbulence de sillage et de generer un rapport relatif a cette proximite
FR3082964A1 (fr) Plate-forme d'entrainement et/ou d'assistance au controle aerien via un systeme electronique de controle du trafic aerien, procede associe
FR3040371A1 (fr) Procede et dispositif de determination automatique d'un etat de piste.
FR3066756A1 (fr) Procede et systeme d'anticipation de l'entree dans un domaine de vortex par un giravion
WO2024134050A1 (fr) Procedes de sauvegarde de donnees de vol et de generation d'un module de detection d'un evenement anormal utilise pour declencher ladite sauvegarde
FR2963859A1 (fr) Procede et systeme de transmission des donnees d'enregistreurs de vol en cas d'urgence
EP0404606A1 (fr) Système pour l'élaboration à bord d'un aéronef d'un signal d'alarme en cas d'anomalie pendant le décollage
FR3050351A1 (fr) Procede de controle d'integrite de l'avionique d'un aeronef, dispositif et produit programme d'ordinateur associes
EP2784616B1 (fr) Procédé de détection et de prise en compte d'un changement abrupt d'au moins un indicateur de surveillance d'un dispositif
WO2021122397A1 (fr) Procédé et dispositif de supervision d'un système de pistage
EP2489548B1 (fr) Procédé et dispositif de commande de commutation du système d'éclairage avant adaptatif d'un véhicule automobile