WO2026008556A1 - Procede et dispositif de prediction du potentiel de vie d'un puits de chaleur d'un aeronef - Google Patents

Procede et dispositif de prediction du potentiel de vie d'un puits de chaleur d'un aeronef

Info

Publication number
WO2026008556A1
WO2026008556A1 PCT/EP2025/068516 EP2025068516W WO2026008556A1 WO 2026008556 A1 WO2026008556 A1 WO 2026008556A1 EP 2025068516 W EP2025068516 W EP 2025068516W WO 2026008556 A1 WO2026008556 A1 WO 2026008556A1
Authority
WO
WIPO (PCT)
Prior art keywords
airport
aircraft
airports
visited
heat sink
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/EP2025/068516
Other languages
English (en)
Inventor
Geoffroy ZARDI
Elise CREMILLIEU
François OZENNE
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.)
Safran SA
Original Assignee
Safran 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 Safran SA filed Critical Safran SA
Publication of WO2026008556A1 publication Critical patent/WO2026008556A1/fr
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
    • B60T17/18—Safety devices; Monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16D—COUPLINGS FOR TRANSMITTING ROTATION; CLUTCHES; BRAKES
    • F16D65/00—Parts or details
    • F16D65/78—Features relating to cooling
    • F16D65/84—Features relating to cooling for disc brakes
    • F16D65/847—Features relating to cooling for disc brakes with open cooling system, e.g. cooled by air
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C25/00—Alighting gear
    • B64C25/32—Alighting gear characterised by elements which contact the ground or similar surface 
    • B64C25/42—Arrangement or adaptation of brakes

Definitions

  • the present invention relates to a method and device for predicting the life potential of heat sinks in an aircraft.
  • heat sinks are among the components for which this is particularly true. Indeed, there is a significant disparity in the lifespan of heat sinks from one aircraft to another.
  • a heat sink is a series of discs located on the landing gear wheels; when they come into contact with each other, they allow the aircraft to brake. Predicting the potential lifespan of a heat sink is a complex task, and currently, no solution exists that can accurately make such predictions.
  • the present invention makes it possible to overcome the problem of data access, to make a personalized prediction of the number of cycles that a heat sink can perform, and to provide recommendations to airlines that will allow them to optimize the lifespan of their heat sinks and better manage their fleet. DESCRIPTION OF THE INVENTION
  • an embodiment proposes a method for predicting the heat sink lifespan potential of an aircraft, characterized in that the method comprises the following steps:
  • characteristics of each airport being at least representative of the airport's runways and their characteristics
  • One embodiment also relates to a device for predicting the heat sink lifespan potential of an aircraft, characterized in that the device comprises:
  • the present invention makes it possible to predict the life potential of heat wells without requiring the use of sensors.
  • the present invention makes it possible to overcome the problem of accessing the intrinsic data of an aircraft.
  • the present invention also makes it possible to make a precise and personalized prediction of the number of cycles that a heat well will be able to perform depending on the airports on which it will operate.
  • the present invention also makes it possible to take into account the different factors influencing the wear of heat sinks and to provide recommendations to airlines to optimize the lifespan of their heat sinks and to better manage their fleet.
  • the invariance property of the model makes it possible to evaluate a heat sink life potential and to train the model only once on the training set in order to then predict the number of cycles that a heat sink will be able to complete.
  • the process also includes a step of determining a severity score for each airport from the trained model, the descriptive set of the airport and a list containing only the airport.
  • the invariance property of the model allows us to extrapolate a severity score for individual airports and to train the model only once on the training set.
  • the model has two capabilities: to predict the number of cycles that a heat well can achieve given its frequency of visits to different airports.
  • the present invention makes it possible to identify the airports that cause significant wear and tear on heat sinks.
  • the characteristics of an airport are the number of runways at each airport, the number of runways with a surface, an indicator of the condition of the surface of each runway, the length of the runways at each airport, the mechanical characteristics of the runway surface, the distances of the airport taxiways laid out for the movement of aircraft between parking points and runways, the cleanliness of the runways, the altitude of the airport.
  • the present invention makes it possible to identify the airports that cause significant wear and tear on heat wells.
  • the process also includes a step of determining the frequency of visits to each airport.
  • the model takes as input a list of airports and an associated visit frequency list, and by training the model only once, it can obtain both a prediction of the number of cycles and a prediction of the airport's severity.
  • the determination of a severity score and the prediction are performed using machine learning software.
  • the machine learning software determines the severity score and prediction from two levels of dense neural networks and between the two levels of dense neural networks the process includes a weighting step by frequency of visits to each airport.
  • a particular mode also relates to a computer program product. It includes instructions for implementing, by a piece of equipment, the process according to one of the preceding embodiments, when said program is executed by a processor of the device.
  • a particular mode also relates to a storage medium. It stores a computer program comprising instructions for implementing, by a node device, the process according to one of the preceding embodiments, when said program is executed by a processor of the device.
  • FIG. 1 schematically illustrates an example of an algorithm for determining descriptive data of an airport for different periods of a year
  • FIG. 2 schematically illustrates an example of an algorithm for determining, for each aircraft, the airports visited by the aircraft since the last heat sink installation on the aircraft;
  • FIG. 3 schematically illustrates an example of a model training and evaluation algorithm
  • FIG. 4 schematically illustrates an example of an algorithm for predicting the life potential of a heat sink
  • FIG. 5 schematically illustrates an example of an algorithm for predicting the severity score of an airport
  • FIG. 6 schematically illustrates an example of the architecture of a device for predicting the life potential of heat sinks of an aircraft.
  • Fig. 1 schematically illustrates an example of an algorithm for determining descriptive data of an airport for different periods of a year.
  • the device 60 for predicting the life potential of an aircraft heat sink obtains the characteristics of each airport at stage E100.
  • the characteristics of an airport include, for example, the number of runways at each airport, the number of runways with a surface, an indicator of the condition of the surface of each runway, the length of the runways at each airport, the mechanical characteristics of the runway surface, the distances of the airport taxiways laid out for the movement of aircraft between parking points and runways, the cleanliness of the runways and the altitude of the airport.
  • any characteristic that can be measured across all airports worldwide can be integrated.
  • satellite data can be used to associate each runway with the length of its taxiways or its proximity to Residential areas.
  • the length of a runway affects whether or not an aircraft pilot needs to reverse thrust during a short landing.
  • the proximity of residential areas to an airport runway can influence its use or help limit noise pollution.
  • the aircraft heat sink life potential prediction device 60 obtains environmental data from each airport at stage El 10.
  • Environmental data includes, for example, temperature, humidity, wind, visibility, pollution, etc.
  • the device 60 for predicting the life potential of an aircraft heat sink forms predetermined airport/time period pairs.
  • step E130 the device 60 for predicting the lifetime potential of an aircraft heat sink aggregates all the information obtained in step E120 to produce a statistical representation of the airport's environmental characteristics. Data from the same airport are aggregated using the following statistical tools: median, quantiles (Q10 and Q90), and mean deviation from the median.
  • the value below which 10% of the lowest values are found is called the 10th quantile (Q10), and the value above which 10% of the highest values are found is called the 90th quantile (Q90).
  • the device 60 for predicting the life potential of an aircraft heat sink performs a preprocessing of the data obtained at steps El 00 and El 30.
  • Each pair (season, airport) is represented by a vector whose values represent the airport's characteristics.
  • 1-out-of-n encoding involves encoding an n-state variable using n bits for categorical variables and normalizing the data for numerical variables. Outliers are identified and removed. Missing values are replaced by the mean in the case of numerical data or by the most frequent value in the case of categorical data.
  • Fig. 2 schematically illustrates an example of an algorithm for determining, for each aircraft, the airports visited by the aircraft since the last heat sink installation on the aircraft.
  • the device 60 for predicting the life potential of an aircraft heat sink obtains an identifier (tail number) for each aircraft
  • the device 60 for predicting the life potential of an aircraft heat sink obtains, for each identified aircraft, the last date of shipment and receipt of the heat sink.
  • the device 60 for predicting the life potential of an aircraft heat sink obtains, for each identified aircraft, the list of all airports visited by the aircraft since it was equipped with the received heat sinks.
  • the list of airports visited is obtained from flight tracking software such as "FlightRadar24" and “FlightAware,” available on the internet. This software indicates the position of aircraft in flight. From the positions of each identified aircraft, it is possible to deduce the list of airports visited by each identified aircraft since it was equipped with the heat sinks. This solution avoids having to contact the operator of the identified aircraft.
  • device 60 for predicting the heat sink life potential of an aircraft determines for each identified aircraft the frequency of visits, per season, of the identified aircraft to each airport.
  • device 60 for predicting the life potential of an aircraft heat sink determines a training dataset at least from the frequency of visits and the descriptive set of airport season pairs.
  • the data obtained at steps E230 and E240 form a training dataset in the form of vectors of the representations of the airports visited and the frequencies of visits at step E250.
  • Fig. 3 schematically illustrates an example of a model training and evaluation algorithm.
  • a learning model as described in the publication entitled “Deep Sets” whose authors are Manzil Zaheer, Satwik Kottur, and Siamak Ravanbhakhsh is used in step E320.
  • the model respects the conditions explained in the DeepSet paper in order to ensure an invariance property to the order of airports visited.
  • the model takes as input (E300) the vectors representing the visited airports and the visit frequencies obtained in step (E250).
  • a first series of dense neural network layers represents these vectors in a latent space to perform a prediction (E330) of the number of cycles completed and subsequently penalize the error (E340).
  • Training is performed in a supervised manner using gradient descent (E350) and weight adjustment (E360).
  • E370 hyperparameters are tested using a technique such as GridSearch to parameterize the model in the best possible way (number of neurons, layers, etc.) in order to obtain a trained E310 model which after several iterations is evaluated as E380.
  • Fig. 4 schematically illustrates an example of an algorithm for predicting the severity score of an airport.
  • This algorithm is performed for each airport.
  • the model is used to predict the severity of each airport visited individually, it is preferable for the model to be independent of the order in which the airports are visited. Indeed, the present invention aims to obtain absolute severity scores, independent of the conditions encountered at other airports.
  • the prediction is made from the descriptive vectors of the airport season pairs E400 obtained in step El 50 and the data from step E410.
  • a first sequence of dense neuronal layers creates a representation of these vectors in a latent space to obtain a model of the airport (E430).
  • a weighted sum of these representations is performed using the airport visit frequencies (E410) as the weighting.
  • the result of this weighted sum is fed into a second sequence of neuronal layers (E440), which predicts, at output (E450), the total number of cycles the heat sink can perform if only the airport is visited. This number corresponds to a severity score for the visited airport.
  • Fig. 5 schematically illustrates an example of an algorithm for predicting the life potential of a heat well.
  • the user provides a list of visited airports and their frequency.
  • Our solution retrieves the corresponding vector representations for each of these airports and provides them as input to the model along with the associated visit frequencies.
  • the model then predicts the total number of cycles expected for the heat sink.
  • the prediction of the life potential of a heat well is carried out from the descriptive vectors of the airport season pairs E500 obtained in step El 50 and the anticipated visit frequencies for each airport/season pair.
  • a first sequence of dense neuronal layers creates a representation of these vectors in a latent space to obtain a model representing the airport models (E530).
  • a weighted sum of these representations is performed using the frequencies (E510) of anticipated visits for each airport/season pair as weighting. The result of this weighted sum is given as input to a second sequence of neuronal layers (E540), which predicts the total number of cycles that the heat sink (E550) can perform.
  • Fig. 6 schematically illustrates an example of the architecture of a device for predicting the life potential of heat sinks of an aircraft.
  • the device 60 for predicting the life potential of an aircraft heat sink comprises, connected by a communication bus 600: a processor or CPU (“Central Processing Unit”) 601; a random access memory (RAM) 602; a read-only memory (ROM) 603; a storage unit such as a hard disk drive (or a storage media reader, such as an SD card reader) 604; at least one communication interface 605 enabling the device 60 for predicting the life potential of an aircraft heat sink to access different databases or different flight tracking software.
  • a communication bus 600 a processor or CPU (“Central Processing Unit”) 601; a random access memory (RAM) 602; a read-only memory (ROM) 603; a storage unit such as a hard disk drive (or a storage media reader, such as an SD card reader) 604; at least one communication interface 605 enabling the device 60 for predicting the life potential of an aircraft heat sink to access different databases or different flight tracking software.
  • a communication bus 600 a processor or CPU (“Central Processing Unit”) 601; a random access memory (RAM
  • the 601 processor is capable of executing instructions loaded into RAM 602 from ROM 603, external memory (not shown), storage media (such as an SD card), or a communication network. When the Cont controller device is powered on, the 601 processor can read instructions from RAM 602 and execute them. These instructions form a computer program that causes the 601 processor to implement all or part of the process described in relation to Figs. 1 to 5.
  • the method described below in relation to Figs. 1 to 5 can be implemented in software form by executing a set of instructions by a programmable machine, for example a DSP (Digital Signal Processor) or a microcontroller, or in hardware form by a dedicated machine or component, for example an FPGA (Field-Programmable Gate Array) or an ASIC (Application-Specific Integrated Circuit).
  • a programmable machine for example a DSP (Digital Signal Processor) or a microcontroller
  • FPGA Field-Programmable Gate Array
  • ASIC Application-Specific Integrated Circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Transportation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

La présente invention concerne un procédé et un dispositif de prédiction du potentiel de vie de puits de chaleur d'un aéronef dans lequel on : - obtient des caractéristiques de chaque aéroport, - obtient des données environnementales de chaque aéroport, - on forme (E500), pour chaque aéroport, un ensemble descriptif de l'aéroport à partir des caractéristiques de l'aéroport des données environnementales, - on détermine (E510) pour au moins un aéronef connu, une liste des aéroports visités par l'aéronef depuis la dernière installation de puits de chaleur sur l'aéronef, - on forme (E520, E530, E540) un jeu d'entrainement, - on entraine et évalue un modèle à partir du jeu d'entrainement, - on prédit (E550) un potentiel de vie de puits de chaleur de l'aéronef à partir de l'ensemble descriptif et d'une liste des aéroports visités par l'aéronef

Description

PROCEDE ET DISPOSITIF DE PREDICTION DU POTENTIEL DE VIE D’UN PUITS
DE CHALEUR D’UN AERONEF
DOMAINE TECHNIQUE
La présente invention concerne un procédé et un dispositif de prédiction du potentiel de vie de puits de chaleur d’un aéronef.
ETAT DE LA TECHNIQUE ANTERIEURE
Dans le domaine de l’aéronautique, la prédiction de la durée de vie des équipements est un enjeu majeur et les puits de chaleurs font partie des équipements pour lesquels cela est particulièrement vrai. En effet, il existe une disparité importante de la durée de vie des puits de chaleur d’un aéronef à l’autre. Le puits de chaleur est la superposition des disques au niveau des roues du train d’atterrissage qui lorsqu’ils sont mis en contact les uns avec les autres permettent à l’avion de freiner. La prédiction du potentiel de vie d’un puits de chaleur est une tâche complexe et il n’existe pas aujourd’hui de solution capable de réaliser avec précision de telles prédictions.
En effet, si l’utilisation de données mesurées et/ou mémorisées par des équipements compris dans un aéronef permet dans de nombreux cas de calculer une durée de vie restante, l’accessibilité à ce type d’information n’est pas garantie pour tous les aéronefs. L’absence de capteur adapté ou la difficulté d’accès aux données sont en effet des obstacles majeurs.
Aujourd’hui, la majorité des aéronefs ne sont pas équipés de capteurs mesurant l’état d’usure d’un puits de chaleur. Si de tels capteurs existaient, l’accès à ces données à des fins de prédiction pour d’autres aéronefs est néanmoins difficile de par la quantité de données à traiter et de par l’autorisation par le titulaire de l’aéronef au traitement de ces données.
La présente invention permet de s’affranchir du problème d’accès aux données, de réaliser une prédiction personnalisée du nombre de cycles que pourra réaliser un puits de chaleur et de fournir des recommandations aux compagnies aériennes qui leur permettront d’optimiser le temps de vie de leur puits de chaleur et de mieux gérer leur flotte. EXPOSE DE L'INVENTION
A cette fin, selon un premier aspect, un mode de réalisation propose un procédé de prédiction du potentiel de vie de puits de chaleur d’un aéronef caractérisé en ce que le procédé comporte les étapes de :
- obtention de caractéristiques de chaque aéroport, les caractéristiques d’un aéroport étant au moins représentatives des pistes de l’aéroport et de leurs caractéristiques,
- obtention, pour différentes périodes de temps d’une année, de données environnementales de chaque aéroport,
- formation, pour chaque aéroport, d’un ensemble descriptif de l’aéroport à partir des caractéristiques de l’aéroport des données environnementales pour les différentes périodes de temps,
- détermination pour au moins un aéronef connu, d’une liste des aéroports visités par l’aéronef depuis la dernière installation de puits de chaleur sur l’aéronef, la détermination des aéroports étant effectuée à partir de données de vols de l’aéronef depuis la dernière installation du puits de chaleur et la liste des aéroports visités étant obtenue à partir de logiciels de suivi de vols,
- formation d’un jeu d’entrainement à partir de l’ensemble descriptif et de la liste des aéroports visités par l’aéronef,
- entrainement et évaluation d’un modèle à partir du jeu d’entrainement, le modèle ayant une propriété d’invariance à l’ordre des aéroports visités,
- prédiction d’un potentiel de vie de puits de chaleur de l’aéronef à partir de l’ensemble descriptif et d’une liste des aéroports visités par l’aéronef
Un mode de réalisation concerne aussi un dispositif de prédiction du potentiel de vie de puits de chaleur d’un aéronef caractérisé en ce que le dispositif comporte :
- des moyens d’obtention de caractéristiques de chaque aéroport, les caractéristiques d’un aéroport étant au moins représentatives des pistes de l’aéroport et de leurs caractéristiques,
- des moyens d’obtention, pour différentes périodes de temps d’une année, de données environnementales de chaque aéroport,
- des moyens de formation, pour chaque aéroport, d’un ensemble descriptif de l’aéroport à partir des caractéristiques de l’aéroport des données environnementales pour les différentes périodes de temps, - des moyens de détermination pour au moins un aéronef connu, d’une liste des aéroports visités par l’aéronef depuis la dernière installation de puits de chaleur sur l’aéronef, la détermination des aéroports étant effectuée à partir de données de vols de l’aéronef depuis la dernière installation du puits de chaleur et la liste des aéroports visités étant obtenue à partir de logiciels de suivi de vols,
- des moyens de formation, pour chaque aéroport d’un jeu d’entrainement à partir de l’ensemble descriptif et de la liste des aéroports visités par l’aéronef,
- des moyens d’entrainement et d’évaluation d’un modèle à partir du jeu d’entrainement, le modèle ayant une propriété d’invariance à l’ordre des aéroports visités,
- des moyens de prédiction d’un potentiel de vie de puits de chaleur de l’aéronef à partir de l’ensemble descriptif et d’une liste des aéroports visités par l’aéronef
Ainsi, la présente invention permet de prédire le potentiel de vie de puits de chaleurs sans nécessiter l’utilisation de capteurs.
La présente invention permet de s’affranchir du problème d’accès aux données intrinsèques d’un aéronef.
La présente invention permet aussi d’effectuer une prédiction précise et personnalisée du nombre de cycles que pourra réaliser un puit de chaleur en fonction des aéroports sur lesquels il sera amené à opérer.
La présente invention permet aussi de prendre en compte les différents facteurs influent sur l’usure des puits de chaleur et permet de fournir des recommandations aux compagnies aériennes permettant d’optimiser le temps de vie de leur puits de chaleur et de mieux gérer leur flotte.
La propriété d’invariance du modèle permet d’évaluer un potentiel de vie de puits de chaleur et d’entrainer le modèle une seule fois sur le jeu d’entrainement pour ensuite prédire le nombre de cycles que pourra réaliser un puits de chaleur.
Selon un mode particulier, le procédé comporte en outre une étape de détermination d’un score de sévérité de chaque aéroport à partir du modèle entrainé, de l’ensemble descriptif de l’aéroport et d’une liste ne contenant que l’aéroport.
La propriété d’invariance du modèle permet d’extrapoler un score de sévérité des aéroports individuellement et d’entrainer le modèle une seule fois sur le jeu d’entrainement.
Ainsi, le modèle a deux capacités, celle de prédire le nombre de cycles que pourra réaliser un puits de chaleur étant donné ses fréquences de visites des différents aéroports. Ainsi la présente invention permet d’identifier les aéroports à l’origine d’une usure importante des puits de chaleur.
Selon un mode particulier, les caractéristiques d’un aéroport sont le nombre de pistes de chaque aéroport, le nombre de pistes disposant d’un revêtement, un indicateur de l’état du revêtement de chaque piste, la longueur des pistes de chaque aéroport, les caractéristiques mécaniques du revêtement de la piste, les distances des voies de circulation de l’aéroport aménagées pour le déplacement des avions entre les points de stationnement et les pistes, la propreté des pistes, l’altitude de l’aéroport.
Ainsi la présente invention permet d’identifier les aéroports à l’origine d’une usure importante des puits de chaleur.
Selon un mode particulier, les données environnementales sont parmi la température, l’humidité, le vent, la visibilité, la pollution pendant la période de temps de l’année. Ainsi la présente invention permet d’effectuer une prédiction précise et personnalisée du nombre de cycles que pourra réaliser un puits de chaleur en fonction des aéroports sur lesquels il sera amené à opérer et en fonction des saisons.
Selon un mode particulier, le procédé comporte en outre une étape de détermination de la fréquence des visites de chaque aéroport.
Le modèle prend ainsi en entrée une liste d’aéroports et une liste de fréquence de visite associée, et permet, en ne faisant qu’un entrainement du modèle une seule fois, d’obtenir à la fois une prédiction du nombre de cycles et une prédiction de la sévérité de l’aéroport. Selon un mode particulier, la détermination d’un score de sévérité et la prédiction sont effectuées à partir d’un logiciel d’apprentissage automatique.
Selon un mode particulier, le logiciel d’apprentissage automatique détermine le score de sévérité et la prédiction à partir de deux niveaux de réseaux neuronaux denses et entre les deux niveaux de réseaux neuronaux denses le procédé comporte une étape de pondération par fréquence des visites de chaque aéroport.
Un mode particulier concerne aussi un produit programme d’ordinateur. Il comprend des instructions pour implémenter, par un équipement, le procédé selon l’un des modes de réalisation précédents, lorsque ledit programme est exécuté par un processeur du dispositif. Un mode particulier concerne aussi un support de stockage. Il stocke un programme d’ordinateur comprenant des instructions pour implémenter, par un dispositif nœud, le procédé selon l’un des modes de réalisation précédents, lorsque ledit programme est exécuté par un processeur du dispositif. BREVE DESCRIPTION DES DESSINS
Les caractéristiques de l'invention mentionnées ci-dessus, ainsi que d'autres, apparaîtront plus clairement à la lecture de la description suivante d'un exemple de réalisation, ladite description étant faite en relation avec les dessins joints, parmi lesquels :
[Fig. 1] illustre schématiquement un exemple d’un algorithme de détermination de données descriptives d’un aéroport pour différentes périodes d’une année ;
[Fig. 2] illustre schématiquement un exemple d’un algorithme de détermination pour chaque aéronef des aéroports visités par l’aéronef depuis la dernière installation de puits de chaleur sur l’aéronef ;
[Fig. 3] illustre schématiquement un exemple d’un algorithme d’entrainement et d’évaluation d’un modèle ;
[Fig. 4] illustre schématiquement un exemple d’un algorithme de prédiction du potentiel de vie d’un puits de chaleur ;
[Fig. 5] illustre schématiquement un exemple d’un algorithme de prédiction d’un score de sévérité d’un aéroport ;
[Fig. 6] illustre schématiquement un exemple d’architecture d’un dispositif de prédiction du potentiel de vie de puits de chaleur d’un aéronef.
EXPOSE DETAILLE DE MODES DE REALISATION
La Fig. 1 illustre schématiquement un exemple d’un algorithme de détermination de données descriptives d’un aéroport pour différentes périodes d’une année.
Le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef obtient les caractéristiques de chaque aéroport à l’étape E100.
Les caractéristiques d’un aéroport sont par exemple, le nombre de pistes de chaque aéroport, le nombre de pistes disposant d’un revêtement, un indicateur de l’état du revêtement de chaque piste, la longueur des pistes de chaque aéroport, les caractéristiques mécaniques du revêtement de la piste, les distances des voies de circulation (taxiways) de l’aéroport aménagées pour le déplacement des avions entre les points de stationnement et les pistes, la propreté des pistes et l’altitude de l’aéroport.
Par construction, toute caractéristique pouvant être mesurée dans l’ensemble des aéroports du monde est à même d’être intégrée. Par exemple, l’utilisation de données satellitaires peut être utilisée pour associer à chaque piste la longueur des taxiways ou la proximité aux habitations. En effet, la longueur d’une piste a un effet sur la nécessité ou pas pour le pilote d’un aéronef de procéder à une inversion de poussée lors d’un atterrissage court. De même la proximité d’habitations d’une des pistes de l’aéroport peut influencer sur l’utilisation de celle-ci ou pour limiter l’impact sonore.
Le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef obtient des données environnementales de chaque aéroport à l’étape El 10.
Les données environnementales sont par exemple la température, l’humidité, le vent, la visibilité, la pollution, etc...
A l’étape E120, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef forme des couples aéroport / périodes de temps prédéterminées.
Les conditions environnementales pouvant fortement varier au cours de l’année, les données environnementales sont regroupées en plusieurs périodes prédéterminées d’une année telles que par exemple les saisons. La représentation par saison permet d’avoir une vision plus juste des conditions aux aéroports en fonction de la période.
A l’étape E130, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef agrège l’ensemble des informations obtenues à l’étape El 20 de manière à avoir une représentation statistique des caractéristiques environnementales de l’aéroport. Les données d’un même aéroport sont agrégées à l’aide des outils statistiques suivants : médiane, les quantiles (Q10 et q90) et écart moyen à la médiane.
On qualifie de quantile 10 (Q 10) la valeur en-dessous de laquelle on trouve 10% des valeurs les plus basses et de quantile 90 (Q90), la valeur au-delà de laquelle on trouve 10% des valeurs les plus hautes.
A l’étape E140, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef effectue un prétraitement des données obtenues aux étapes El 00 et El 30.
Chaque couple (saison, aéroport) est ainsi représenté par un vecteur dont les valeurs représentent les caractéristiques de l’aéroport. Afin que ces vecteurs soient exploitables par un réseau de neurones, nous réalisons un encodage 1 parmi n qui consiste à encoder une variable à n états sur n bits sur les variables catégorielles et une normalisation sur les variables numériques. Les données aberrantes sont identifiées et supprimées. Les valeurs manquantes sont remplacées par la moyenne dans le cas numérique ou par la valeur la plus fréquente dans le cas catégoriel.
Les données prétraitées sont ainsi disponibles à l’étape El 50 et forment un ensemble descriptif des couples saisons aéroports. La Fig. 2 illustre schématiquement un exemple d’un algorithme de détermination pour chaque aéronef des aéroports visités par l’aéronef depuis la dernière installation de puits de chaleur sur l’aéronef
A l’étape E200, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef obtient un identifiant (tail number) de chaque aéronef
A l’étape E210, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef obtient, pour chaque aéronef identifié, la dernière date d’expédition et de réception du puits de chaleur.
A l’étape E220, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef obtient, pour chaque aéronef identifié, la liste de tous les aéroports visités par l’aéronef depuis qu’il est équipé des puits de chaleurs reçus.
La liste des aéroports visités est selon l’invention obtenue à partir de logiciels de suivi de vols tels que les logiciels dénommés « FlightRadar24 » et « FlightAware » disponibles sur le réseau internet. Ces logiciels indiquent la position des aéronefs en vol. A partir des positions de chaque aéronef identifié, il est possible de déduire la liste des aéroports visités par chaque aéronef identifié et ce depuis que celui-ci est équipé des puits de chaleurs reçus. Cette solution évite d’interroger l’opérateur de l’aéronef identifié.
A l’étape E230, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef détermine pour chaque aéronef identifié la fréquence des visites, par saison, de l’aéronef identifié de chaque aéroport.
A l’étape E240, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef détermine un jeu de données d’entrainement au moins à partir de la fréquence des visites et de l’ensemble descriptif des couples saisons aéroports.
Les données obtenues aux étapes E230 et E240 forment un jeu de données d’entrainement sous la forme de vecteurs des représentations des aéroports visités et les fréquences de visites à l’étape E250.
La Fig. 3 illustre schématiquement un exemple d’un algorithme d’entrainement et d’évaluation d’un modèle.
Selon l’invention, un modèle d’apprentissage tel que décrit dans la publication intitulée « Deep Sets » dont les auteurs sont Manzil Zaheer, Satwik Kottur, et Siamak Ravanbhakhsh est utilisé à l’étape E320.
Le modèle respecte les conditions explicitées dans le papier DeepSet afin d’assurer une propriété d’invariance à l’ordre des aéroports visités. Le modèle prend en entrée E300 les vecteurs des représentations des aéroports visités et les fréquences de visites obtenues à l’étape E250. Une première succession de couches de neurones denses réalise une représentation de ces vecteurs dans un espace latent pour effectuer une prédiction E330 du nombre de cycles réalisés et effectuer par la suite une pénalisation de l’erreur E340. L’entrainement se fait de manière supervisée à l’aide d’une descente de gradient E350 et un ajustement des poids E360.
Plusieurs combinaisons d’hyperparamètres E370 sont testées à l’aide d’une technique telle que par exemple GridSearch pour paramétrer le modèle de la meilleure manière possible (nombres de neurones, de couches.) afin d’obtenir un modèle entrainé E310 qui après plusieurs itération est évalué E380.
La Fig. 4 illustre schématiquement un exemple d’un algorithme de prédiction d’un score de sévérité d’un aéroport.
Cet algorithme est effectué pour chaque aéroport.
Pour générer le score de sévérité d’un aéroport, il suffit de donner en entrée E410 du modèle entrainé une liste ne contenant, par saison, que l’aéroport dont on souhaite prédire la sévérité et lui associer une fréquence de visite de 1. La prédiction ainsi obtenue correspond au nombre de cycles total théoriquement attendu si seul cet aéroport était visité. Cette valeur peut donc être interprétée comme la sévérité de l’aéroport pour le modèle.
Comme le modèle est utilisé pour prédire individuellement la sévérité des aéroports visités, il est préférable que le modèle soit indépendant de l’ordre de visite des aéroports. En effet, la présente invention vise à obtenir des scores de sévérité absolus, indépendants des conditions rencontrées dans les autres aéroports.
Dans le cadre de la présente invention, l’ordre de visite des aéroports n’a pas d’impact sur l’usure. Cette propriété s’exprime sous la forme suivante :
Avec 7i une permutation quelconque, x^i) la représentation de l’aéroport i(i) et f notre modèle. Une telle fonction est dite invariante. D’après le théorème énoncé dans le papier Deepset, elle peut également être décomposée comme suit : fi (X ex M®)) Dans notre cas (p est la fonction qui à un aéroport associe sa représentation par le modèle, pondérée par sa fréquence de visite, et p est la fonction qui à partir de ses représentations pondérées prédit l’usure.
La prédiction est effectuée à partir des vecteurs descriptifs des couples saisons aéroports E400 obtenus à l’étape El 50 et des données de l’étape E410.
Une première succession de couches de neurones denses E420 réalise une représentation de ces vecteurs dans un espace latent pour obtenir un modèle de représentation de l’aéroport E430. Une somme pondérée de ces représentations est effectuée en utilisant les fréquences E410 de visite de l’aéroport comme pondération. Le résultat de cette somme pondérée est donné en entrée d’une seconde succession de couches de neurones E440 qui prédisent en sortie E450 le nombre total de cycles que peut réaliser le puits de chaleur si seul l’aéroport est visité et qui correspond à un score de sévérité de l’aéroport visité.
La Fig. 5 illustre schématiquement un exemple d’un algorithme de prédiction du potentiel de vie d’un puits de chaleur.
L’utilisateur fournit la liste des aéroports visités et leur fréquence. Notre solution récupère pour chacun de ces aéroports les représentations vectorielles correspondantes et les fournit en entrée du modèle avec la liste des fréquences de visites associées. Le modèle prédit alors le nombre total de cycles attendus pour le puits de chaleur.
La prédiction du potentiel de vie d’un puits de chaleur est effectuée à partir des vecteurs descriptifs des couples saisons aéroports E500 obtenus à l’étape El 50 et des fréquences de visites anticipées pour chaque couple aéroport / saison.
Une première succession de couches de neurones denses E520 réalise une représentation de ces vecteurs dans un espace latent pour obtenir un modèle de représentation des modèles des aéroports E530. Une somme pondérée de ces représentations est effectuée en utilisant les fréquences E510 de visites anticipées pour chaque couple aéroport / saison comme pondération. Le résultat de cette somme pondérée est donné en entrée d’une seconde succession de couches de neurones E540 qui prédisent en sortie le nombre total de cycles que peut réaliser le puits de chaleur E550.
La Fig. 6 illustre schématiquement un exemple d’architecture d’un dispositif de prédiction du potentiel de vie de puits de chaleur d’un aéronef.
Selon l’exemple d’architecture matérielle représenté à la Fig. 6, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef comprend, reliés par un bus de communication 600 : un processeur ou CPU (« Central Processing Unit » en anglais) 601 ; une mémoire vive RAM (« Random Access Memory » en anglais) 602 ; une mémoire morte ROM (« Read Only Memory » en anglais) 603 ; une unité de stockage telle qu’un disque dur (ou un lecteur de support de stockage, tel qu’un lecteur de cartes SD (« Secure Digital » en anglais) 604 ; au moins une interface de communication 605 permettant au dispositif le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef d’accéder à différentes bases de données ou à différents logiciels de suivi de vol.
Le processeur 601 est capable d’exécuter des instructions chargées dans la RAM 602 à partir de la ROM 603, d’une mémoire externe (non représentée), d’un support de stockage (tel qu’une carte SD), ou d’un réseau de communication. Lorsque le dispositif contrôleur Cont est mis sous tension, le processeur 601 est capable de lire de la RAM 602 des instructions et de les exécuter. Ces instructions forment un programme d’ordinateur causant la mise en œuvre, par le processeur 601, de tout ou partie du procédé décrit en relation avec les Figs. 1 à 5.
Le procédé décrit ci-après en relation avec les Figs. 1 à 5 peut être implémenté sous forme logicielle par exécution d’un ensemble d’instructions par une machine programmable, par exemple un DSP (« Digital Signal Processor » en anglais) ou un microcontrôleur, ou être implémenté sous forme matérielle par une machine ou un composant dédié, par exemple un FPGA (« Field-Programmable Gate Array » en anglais) ou un ASIC (« Application- Specific Integrated Circuit » en anglais). En général, le dispositif 60 de prédiction du potentiel de vie de puits de chaleur d’un aéronef comprend de la circuiterie électronique configurée pour mettre en œuvre les procédés décrits en relation avec les Figs. 1 à 5.

Claims

REVENDICATIONS
1. Procédé de prédiction du potentiel de vie de puits de chaleur d’un aéronef, le procédé étant implémenté par de la circuiterie électronique d’un dispositif de prédiction, caractérisé en ce que le procédé comporte les étapes de :
- obtention de caractéristiques de chaque aéroport, les caractéristiques d’un aéroport étant au moins représentatives des pistes de l’aéroport et de leurs caractéristiques,
- obtention, pour différentes périodes de temps d’une année, de données environnementales de chaque aéroport,
- formation (E500), pour chaque aéroport, d’un ensemble descriptif de l’aéroport à partir des caractéristiques de l’aéroport des données environnementales pour les différentes périodes de temps,
- détermination (E510) pour au moins un aéronef connu, d’une liste des aéroports visités par l’aéronef depuis la dernière installation de puits de chaleur sur l’aéronef, la détermination des aéroports étant effectuée à partir de données de vols de l’aéronef depuis la dernière installation du puits de chaleur et la liste des aéroports visités étant obtenue à partir de logiciels de suivi de vols,
- formation (E520, E530, E540) d’un jeu d’entrainement à partir de l’ensemble descriptif et de la liste des aéroports visités par l’aéronef,
- entrainement et évaluation d’un modèle à partir du jeu d’entrainement, le modèle ayant une propriété d’invariance à l’ordre des aéroports visités,
- prédiction (E550) d’un potentiel de vie de puits de chaleur de l’aéronef à partir de l’ensemble descriptif et d’une liste des aéroports visités par l’aéronef, la prédiction étant réalisée pour optimiser le temps de vie de puits de chaleur, le procédé comportant en outre une étape de détermination d’un score de sévérité de chaque aéroport à partir du modèle entrainé, de l’ensemble descriptif de l’aéroport et d’une liste ne contenant que l’aéroport.
2. Procédé selon la revendication 1, caractérisé en ce que les caractéristiques d’un aéroport sont le nombre de pistes de chaque aéroport, le nombre de pistes disposant d’un revêtement, un indicateur de l’état du revêtement de chaque piste, la longueur des pistes de chaque aéroport, les caractéristiques mécaniques du revêtement de la piste, les distances des voies de circulation de l’aéroport aménagées pour le déplacement des avions entre les points de stationnement et les pistes, la propreté des pistes, l’altitude de l’aéroport.
3. Procédé selon l’une quelconque des revendications 1 ou 2, caractérisé en ce que les données environnementales comprennent une ou plusieurs grandeurs parmi la température, l’humidité, le vent, la visibilité, la pollution.
4. Procédé selon l’une quelconque des revendications 1 à 3, caractérisé en ce que le procédé comporte en outre une étape de détermination de la fréquence des visites de chaque aéroport.
5. Procédé selon la revendication 1, caractérisé en ce que la détermination d’un score de sévérité et la prédiction sont effectuées à partir d’un logiciel d’apprentissage automatique.
6. Procédé selon la revendication 5, caractérisé en ce que le logiciel d’apprentissage automatique détermine le score de sévérité et la prédiction à partir de deux niveaux de réseaux neuronaux denses et en ce que, entre les deux niveaux de réseaux neuronaux denses, le procédé comporte une étape de pondération par fréquence des visites de chaque aéroport.
7. Dispositif de prédiction du potentiel de vie de puits de chaleur d’un aéronef caractérisé en ce que le dispositif comporte :
- des moyens d’obtention de caractéristiques de chaque aéroport, les caractéristiques d’un aéroport étant au moins représentatives des pistes de l’aéroport et de leurs caractéristiques,
- des moyens d’obtention, pour différentes périodes de temps d’une année, de données environnementales de chaque aéroport,
- des moyens de formation, pour chaque aéroport, d’un ensemble descriptif de l’aéroport à partir des caractéristiques de l’aéroport des données environnementales pour les différentes périodes de temps,
- des moyens de détermination pour au moins un aéronef connu, d’une liste des aéroports visités par l’aéronef depuis la dernière installation de puits de chaleur sur l’aéronef, la détermination des aéroports étant effectuée à partir de données de vols de l’aéronef depuis la dernière installation du puits de chaleur et la liste des aéroports visités étant obtenue à partir de logiciels de suivi de vols,
- des moyens de formation d’un jeu d’entrainement à partir de l’ensemble descriptif et de la liste des aéroports visités par l’aéronef, - des moyens d’entrainement et évaluation d’un modèle à partir du jeu d’entrainement, le modèle ayant une propriété d’invariance à l’ordre des aéroports visités,
- des moyens de prédiction d’un potentiel de vie de puits de chaleur de l’aéronef à partir de l’ensemble descriptif et d’une liste des aéroports visités par l’aéronef, la prédiction étant réalisée pour optimiser le temps de vie de puits de chaleur, - des moyens de détermination d’un score de sévérité de chaque aéroport à partir du modèle entrainé, de l’ensemble descriptif de l’aéroport et d’une liste ne contenant que l’aéroport.
PCT/EP2025/068516 2024-07-05 2025-06-30 Procede et dispositif de prediction du potentiel de vie d'un puits de chaleur d'un aeronef Pending WO2026008556A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2407355 2024-07-05
FR2407355A FR3164297A1 (fr) 2024-07-05 2024-07-05 Procede et dispositif de prediction du potentiel de vie d’un puits de chaleur d’un aeronef

Publications (1)

Publication Number Publication Date
WO2026008556A1 true WO2026008556A1 (fr) 2026-01-08

Family

ID=93100874

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2025/068516 Pending WO2026008556A1 (fr) 2024-07-05 2025-06-30 Procede et dispositif de prediction du potentiel de vie d'un puits de chaleur d'un aeronef

Country Status (2)

Country Link
FR (1) FR3164297A1 (fr)
WO (1) WO2026008556A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10787156B2 (en) * 2015-10-07 2020-09-29 Meggitt Aircraft Braking System Corporation Aircraft brake and tire condition diagnosis and prognosis

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10787156B2 (en) * 2015-10-07 2020-09-29 Meggitt Aircraft Braking System Corporation Aircraft brake and tire condition diagnosis and prognosis

Also Published As

Publication number Publication date
FR3164297A1 (fr) 2026-01-09

Similar Documents

Publication Publication Date Title
Abed et al. Modelling monthly pan evaporation utilising Random Forest and deep learning algorithms
US20200265307A1 (en) Apparatus and method with multi-task neural network
EP3123139B1 (fr) Procédé d'estimation du caractère normal ou non d'une valeur mesurée d'un paramètre physique d'un moteur d'aéronef
EP4009239B1 (fr) Procédé et appareil de recherche d'architecture neurale basée de la performance matérielle
US8706656B1 (en) Multi-label modeling using a plurality of classifiers
US10482491B2 (en) Targeted marketing for user conversion
EP3846087A1 (fr) Procede et systeme de selection d'un modele d'apprentissage au sein d'une pluralite de modeles d'apprentissage
EP2912526B1 (fr) Système de surveillance d'un ensemble de composants d'un équipement
US11295177B2 (en) Ensemble weak support vector machines
CN114612132A (zh) 基于机器学习的客户续保预测方法及相关设备
US11772823B2 (en) Estimating fatigue damage in a structure
EP3613003B1 (fr) Système et procédé pour gérer la détection de fraudes dans un système de transactions financières
US10769866B2 (en) Generating estimates of failure risk for a vehicular component
US20240160419A1 (en) System and method for matching integration process management system users using deep learning and matrix factorization
US20180060885A1 (en) Segmentation based estimation method for demand models under censored data
JP6736530B2 (ja) 予測装置、予測方法、及び予測プログラム
EP3499431A1 (fr) Dispositif électronique de traitement de signaux à optimisation intégrée de consommation d'énergie électrique et procédé correspondant
CN111897702B (zh) 用于业务系统的预警处理方法和装置、计算机系统和介质
CN113159877A (zh) 数据处理方法、装置、系统、计算机可读存储介质
US20250342341A1 (en) Machine learning techniques for generating predictions based on incomplete data
WO2026008556A1 (fr) Procede et dispositif de prediction du potentiel de vie d'un puits de chaleur d'un aeronef
US20180047049A1 (en) Attributing Contributions of Digital Marketing Campaigns Towards Conversions
US20230076149A1 (en) Methods and apparatus for data imputation of a sparse time series data set
CN118171917B (zh) 网络资产的风险评估方法、装置、计算机设备及存储介质
US20240403692A1 (en) Anomaly detection

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: 25738035

Country of ref document: EP

Kind code of ref document: A1