Le diagnostic et le pronostic de panne en avion

Fault diagnosis and prognosis system for aircraft

• Auteur / Autrice : Zefeng Wang
• Direction : Jean-Luc Zarader, Sylvain Argentieri
• Type : Thèse de doctorat
• Discipline(s) : Robotique
• Date : Soutenance en 2013
• Etablissement(s) : Paris 6

Mots clés

Mots clés contrôlés

Analyse discriminante

Réseaux neuronaux (informatique)

Traitement du signal

Résumé

L'objectif de cette thèse est de construire un système intelligent, efficace et pratique pour diagnostiquer et pronostiquer les pannes d'avions. Mes recherches portent sur ''La MOdélisation, le DIagnostic et le PROnostic (MODIPRO) de pannes dans les systèmes complexes''. Ce travail s'inscrit dans le cadre d'un projet FUI intitulé MODIPRO, qui est porté par Dassault Aviation, dont l’objectif est de mettre sur marché une solution logicielle. Cette solution logicielle permettra d’analyser la masse de données acquises en vol par un parc d’avions afin d'en déduire des règles de diagnostic et un pronostic de panne. Le système proposé dans cette thèse a été entièrement testé à l'aide de données expérimentales de trois trimoteurs d'avions Z1, Z2 et Z3 (fournies par Dassault Aviation). L'ensemble du système devrait être construit sur une base de données contenant environ 67 heures de vol dossiers impliquant 32 capteurs. Les solutions de diagnostic classiques deviennent de moins en moins applicables pour les avions modernes, dont les systèmes électroniques et mécaniques deviennent de plus en plus complexes. Dans l’état de l’art, la maintenance non planifiée n'a lieu qu'au moment où les pannes surviennent, ce qui est trop tard pour observer les dysfonctionnements; la maintenance planifiée est préventive et doit être réalisée périodiquement et indépendamment de l'état physique de l'avion, ce qui nécessite une quantité importante de ressources financières et humaines. Bien que les tests intégrés soient largement utilisés aujourd’hui, ils prennent également beaucoup du temps car le personnel de maintenance a besoin de se connecter à une boîte de diagnostic de l'appareil après chaque vol. Ces méthodes classiques provoquent souvent un grand nombre de fausses alarmes, par conséquent la maintenance planifiée est encore indispensable aujourd’hui. De plus, les systèmes de diagnostic et de pronostic classique, tels que le management de maintenance conditionnelle (CBM) et la gestion du pronostique de situation (PHM), n’analysent la situation des avions que lorsque ceux-ci sont au sol - en mode «hors-ligne», ils ne peuvent donc pas contrôler des avions en mission. Pour résoudre tous ces problèmes et garantir un taux élevé de participation des aéronefs, le système proposé dans cette thèse utilise des méthodes d'apprentissage automatique pour détecter, isoler et même prévoir les pannes d'avions tout en conservant la fiabilité et la sécurité. Ces recherches font appel aux techniques de traitement du signal, de la reconnaissance des formes et de la classification. D'une part, un modèle de diagnostic permet de déduire la cause « réelle » d’une panne par l’observation et le traitement de signaux acquis en vol. D'autre part, un modèle de pronostic fournit l’état d’avancement d’une dégradation et permet donc d’anticiper ou reporter la maintenance. L’exploitant du système peut utiliser le diagnostic pour identifier et localiser une panne et le pronostic pour arbitrer entre ses besoins d’exploitation, ses coûts de remise en état, les risques de défaillance et leurs conséquences. En plus, ce système peut être utilisé non seulement en mode «hors-ligne», lors de la maintenance d'un aéronef, mais aussi en mode «en ligne», lorsque celui-ci est en mission. Selon les exigences de la situation, les missions du système en ligne et du système hors ligne peuvent être différentes. Le système en ligne est chargé de détecter les pannes et d’envoyer des alarmes au pilote et à la tour de contrôle. Le système hors-ligne nécessite de localiser les pannes et de faire un rapport détaillé au centre de maintenance. En outre, le système a besoin d'analyser les données des vols effectués afin de prévoir des pannes. Afin de garantir la fiabilité du système, différentes méthodes d’apprentissage sont connectées en parallèle comme des sous-systèmes. Ces méthodes peuvent compenser les inconvénients de l'autre. Dans un premier temps, les données sont analysées et pré-classées par une approche classique et simple - l'analyse discriminante linéaire (LDA). Sur la base de ces résultats, une nouvelle approche de la classification appelée SCM est proposé d'améliorer la précision du diagnostic. SCM est différent de SVM qui exige des vecteurs de support à la frontière de chaque classe pour distinguer les différentes catégories. SCM cherche les vecteurs de support de centres et sous-centres véritables de chaque classe au cours de l'apprentissage automatique. Il peut utiliser les centres correspondants comme le modèle de la classe. La classification des données se fait simplement d'après l'éloignement des centres. En outre, SCM peut travailler pour l'analyse pronostique et parfaitement résoudre le problème même dans le cas où les données sont non linéaires. L'évolution temporelle des données de vol est analysée par chaque modèle de panne. Sur la base de l'évolution de la distance entre le nuage de données et les centres du modèle, le système calcule la tendance de l'évolution des données et prévoit les pannes probables. Au-delà d'un pronostic de panne à court terme, le système peut également être utilisé pour faire une évaluation à long terme de l'état des aéronefs. Ceci est plus convaincant et efficace par rapport aux méthodes de régression et aux méthodes statistiques, qui n'ont pas la précision d'une régression à long terme et qui nécessitent plus de temps pour l'analyse des données. Bien que les résultats de diagnostic des SCM et SVM soient déjà satisfait, avec un taux de détection correcte qui dépasse 95%, des réseaux de neurones artificiels (ANN) sont utilisés pour construire un autre sous-système, afin d’analyser l’impact des différents types des capteurs et confirmer les modèles produits par SCM et SVM. Les ANN sont une approche tout à fait différente de SCM et SVM : il s'agit d'un modèle mathématique qui est inspiré par les aspects de structure et fonctionnelles des réseaux de neurones biologiques. Un réseau de neurones est constitué d'un groupe interconnecté de neurones artificiels, et il traite les informations en utilisant une approche connexionniste de calcul. Les capteurs sont répartis en différents groupes correspondants à leur type : température, pression de l'air, etc. Ces groupes des capteurs constituent les entrées des réseaux de neurones, ainsi nous pouvons étudier l'importance de chaque type de capteur d'après leurs poids dans le réseau et les résultats du diagnostic des pannes. Avec ces résultats, on peut déterminer quels groupes des capteurs sont les plus importants pour diagnostiquer chaque type de panne. Les méthodes SCM, SVM et ANN ont besoin beaucoup de temps pour réaliser l’apprentissage, ce qui ne permet pas d’apprendre au cours des vols. Dans certains cas, il peut être nécessaire de reconstruire le système de diagnostic et de pronostic, par exemple si un capteur est perdu pendant la mission. Pour pallier à cela, nous avons ajouté des sous-systèmes basés sur des arbres de décision (DT) et des modèles des mélanges Gaussiens (GMM). L'algorithme C4. 5 apprend automatiquement le meilleur arbre de décision en effectuant une recherche dans l'ensemble des arbres possibles selon les données d'apprentissage disponibles. Donc il est capable de travailler même avec des éléments d'information manquants. Il peut être utilisé pour construire un sous-système capable de restructurer le système de diagnostic à temps si certains capteurs ou informations sont perdus. Les GMM permettent de dessiner le plan des modèles dysfonctionnelles pour surveiller l’évolution des données réelles de l'avion dans le système de pronostic. Contrairement aux systèmes d’experts ou à d'autres méthodes classiques, les méthodes développées dans cette thèse peuvent facilement intégrer de nouvelles pannes et de nouvelles règles dans la base de données : il n'y a pas de conflit entre les nouvelles et les anciennes règles. D’autre part, les capteurs sont susceptibles de tomber en panne, certaines entrées peuvent donc manquer au système. Les mesures des capteurs étant utilisées comme entrées du système, la nature des capteurs influe sur l'exactitude des résultats de diagnostic et de pronostic, ainsi que dans la confiance que l'on peut avoir dans ceux-ci. Pour traiter ces problèmes, le système doit constamment vérifier l’état des capteurs à l’aide d’un modèle physique. Si certains capteurs sont en panne, le système d'origine n'est pas applicable. Il faut alors démarrer une solution d'urgence, comme le réapprentissage rapide de l'arbre de décision afin de construire un nouveau système de diagnostic de panne temporaire. En plus de cela, l'analyse en composantes principales (PCA) et l'analyse discriminante linéaire (LDA) peuvent non seulement réduire la dimension des données d'entrée, mais permettent aussi de visualiser les données en 2D ou en 3D. Ces outils sont très utiles pour observer le pronostic de panne d’un avion ou d’une flotte d’avions à partir des données réelles. D’autre part, ces informations peuvent servir aux ingénieurs pour étudier la nature des pannes observées. Le système décrit ici n'est pas une boîte noire. Bien qu'il soit construit principalement pour les avions de combat, il peut être aussi appliqué à tous les autres types d'avions, nommément des avions civile. D'une part, le système et ses modèles détectant les dysfonctionnements potentiels peuvent être conçus pour éclairer les services de client chargés de surveiller l'état des avions afin d'assurer la sécurité des clients. D'autre part, ce système peut également accumuler les connaissances (y compris les règles de fonctionnement) pour le bureau d’études et parfaire la conception de nouveaux avions.

The goal of this thesis is to build an effective and practical intelligent system to diagnose and prognose aircraft faults. My research focuses on “The MOdeling, DIagnosis and PROgnosis (MODIPRO)” faults in complex systems. This work is a part of a project entitled FUI MODIPRO which is supported by Dassault Aviation. The objective of this project is to research and develop a software solution MODIPRO Version 0 and put it on the aviation market. This software solution can analyze a huge mass of data acquired from a flight and a fleet of aircraft, and the system can deduce rules for diagnosis and prognosis of faults. The system proposed in this thesis has been fully tested by using actual experimental data from a tri-engines system of aircrafts Z1, Z2 and Z3 (supplied by Dassault Aviation). The whole system would be built on a database containing about 67 hours of flight records involving 32 sensors. With the rapid development of modern aero technology and the market demand of high- performance, aircraft systems have become more and more. Thus, the classical diagnosis methods become less available. In the state of the art, unplanned maintenance takes place only at breakdowns, which is too late to observe the faults; the planned maintenance costs too much financial resources and manpower, which needs to set a periodic interval to perform preventive maintenance regardless of the health status of a physical asset. Although Build in Test (BIT) system is used widely, it also costs too much human and financial resource. In a general way the maintenance staffs need to connect the diagnostic box to the aircraft via interface after each flight mission. Because these classical methods often cause the false alarm, the planned maintenance is also indispensable today. In addition, classical diagnostic and prognostic system, such as Condition-Based Maintenance (CBM) and Prognostic Health Management (PHM), analyze the health state of aircrafts when they are on the ground – in the ''offline'' mode, they can’t supervise the aircraft during the mission. In order to resolve these problems and guarantee a high ratio of attendance of aircraft, the system proposed in this thesis uses machine-learning methods to automatically detect, isolate, and even forecast aircraft faults while maintaining reliability and safety. The researches involve signals processing techniques, pattern recognition and classification. On the one hand, the diagnostic model allows the system to deduce the ''real'' cause of a fault by the observation and the treatment of acquired signals from flight records. On the other hand, the model can provide a progress of degradation of the health state and thus allows anticipating the faults or deferring the needless planned maintenance. The diagnosis system can locate and identify faults and the prognosis system can make the arbitration of a future maintenance plan on basis of the operating needs, the costs of rehabilitation, the risk of fault and the consequences. In addition to this, the system proposed in this thesis can be used not only in the off-line mode when aircraft maintenance occurs, but also in the on-line mode during the aircraft’s mission. According to the different situations requirements, the missions of on-line system and off-line system are different. The on-line system is tasked with detecting faults and sending the alarms to the pilot and the Aircraft Ground Center (AGC) in time. The off-line system is obliged to locate the fault(s) and make a detail report to the maintenance center. Additionally, the system needs to analyze the flight data in the past time for the sake of forecasting the fault(s). In order to ensure the reliability of the system, different methods of machine learning are used in parallel as subsystems. These methods can compensate the disadvantages of each other. At first, the data are analyzed and pre-classified by Linear Analysis Discriminant (LDA), a classical and simple approach. On basis of the results, a novel approach of classification called SCM is proposed to improve the accuracy of diagnosis. SCM is different from SVM that requires the support vectors on the boundary of every class to distinguish the categories. SCM seeks the support vectors of true centers and sub-centers of each class during the machine learning. It can make the corresponding centers as the model of the class. The classification of data is simply done by the power distances of the centers. Furthermore, SCM can work for the prognosis analysis and perfectly deal with the nonlinear problem. The evolution of flight data is supervised by each fault model. On the basis of the evolution of the distances from the cloud of data to the centers, the system estimates the tendency of the evolution of data and forecast the probable faults in the future. Beyond a short-term prognosis of faults, the system can also be used to do a long-term evaluation of aircraft healthy state. This is more convincing and efficacious compared to regression methods and statistical methods, which lack the precision of a long-term regression and which require a longer time for data analysis. Although the diagnosis results of SCM and SVM are already satisfied with a correct detection rate that exceeds 95%, Artificial Neural Networks (ANN) are used to build another sub-system, so as to analyze the impact of using different types sensors on the different fault diagnosis and confirm the results from the models SVM and SCM. ANN is a quite different AI technic from SCM and SVM. It is a mathematical model that is inspired by the structure and functional aspects of biological neural networks. A neural network consists of an interconnected group of artificial neurons, and it processes information using a connectionist approach to computation. All the sensors are divided in to different groups corresponding to different types of the sensors. Different combinations of sensors are linked to the neural networks, thus we can study the importance of different types of aircraft sensors by the weights of networks and the diagnosis results of the faults. The methods, as SCM, SVM and ANN, need much time to accomplish machine learning, which cannot do the learning during the flight mission. But, in some cases, it may be necessary to rebuild the diagnosis system, for example if some sensors are broken or lost during the mission. For overcoming this, we added sub-systems based on decision trees (DT) and Gaussian mixture models (GMM), which are easier to interpret, quicker to learn than other data-driven methods, and able to work even with missing pieces of information. The C4. 5 algorithm automatically ''learns'' the best decision tree by performing a search through the set of possible trees according to the available training data. Its needs less time to accomplish the machine learning, so it is also studied and improved in this thesis, and be used to build a subsystem for sake of restructuring the diagnosis system if some sensors or sensors information are lost, especially under the condition of war. GMM can also draw the plan of dysfunctional models and monitor the evolution of the health state of the aircraft in the prognosis system. Unlike expert systems or other conventional methods, the methods developed in this thesis can easily integrate new faults and new rules in the database: there isn’t any conflict between the new and old rules. Beyond that, there is another important problem to consider and resolve: some sensors might be already failed before the machine learning. The measurements via sensors in the aircraft are used as the inputs of the system. The nature of the sensors will impact the accuracy and confidence of the diagnosis and prognosis results of the system. Thus, these data should be treated above of all. First, the system needs to check the healthy state of the sensors. If some sensors are broken down, the original system is not applicable. The system will start the emergency application, like fast relearning of the decision tree in order to build a new temporary fault diagnosis system. In addition to that, Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) are used in data mining. They can not only reduce the input data’s dimension, but also make a visualization of data in 2D or 3D. It is very useful to observe the evaluation of flux data and to realize prognosis, and it is important for engineers to study the nature of faults. The system described here is not a black box. Although the system is built mainly for combat aircraft, it can be applied to all other types of aircraft, namely civil aircraft. On one hand, the system and its dysfunction models of aircraft faults can be designed to illuminate engineering consulting services responsible for monitoring the condition of aircrafts to ensure the safety of clients. On the other hand, this system can also accumulate the knowledge for re-engineering purposes (including diagnosis operational rules) and perfect the design of new aircrafts.