Développement de stratégies de maintenance structurales prédictives pour aéronefs utilisant le pronostic à base de modèles

Development of predictive structural maintenance strategies for aircraft using model-based prognostics

• Auteur / Autrice : Yiwei Wang
• Direction : Christian Bès, Nicolas Binaud
• Type : Thèse de doctorat
• Discipline(s) : Génie Mécanique, Mécanique des Matériaux
• Date : Soutenance le 14/03/2017
• Etablissement(s) : Toulouse, INSA
• Ecole(s) doctorale(s) : Mécanique, Energétique, Génie Civil, Procédés
• Partenaire(s) de recherche : Laboratoire : Institut Clément Ader - Institut Clément Ader / ICA
• Jury : Président / Présidente : Pierre Villon
• Jury : Examinateurs / Examinatrices : Christian Bès, Nicolas Binaud, Christian Gogu, Laurent Saintis, Johanna Senatore
• Jury : Rapporteurs / Rapporteuses : Christophe Berenguer, Bruno Castanier

Mots clés

Mots clés contrôlés

Aéronefs

Perturbation (mathématiques)

Kalman, Filtrage de

Maintenance conditionnelle

Mots clés libres

Propagation de fissures de fatigue

Maintenance prédictive

Filtrage de Kalman étendu

Méthode de perturbation au premier ordre

Fatigue crack growth

Predictive maintenance

Model-based prognostics

Extended Kalman filter

First-order Perturbation method

Résumé

La maintenance aéronautique est fortement régulée, notamment à travers l’établissement d’un planning de maintenance obligatoire, permettant de garantir la sureté structurale. La fréquence des arrêts en maintenance est déterminée de manière très conservative en vue d’assurer les exigences de fiabilité. Développer des stratégies de maintenance moins conservatives et plus efficaces peut alors représenter une voie pour une nouvelle croissance des compagnies aériennes. Les systèmes de monitoring embarqué de structures, sont progressivement introduits dans l’industrie aéronautique. Ces développements pourraient alors permettre de nouvelles stratégies de maintenance structurale basées sur la prévision de l’état de santé de chaque élément structural, plutôt que basée sur une maintenance programmée, tel qu’implémentée actuellement. Dans ce cadre général, ce travail se concentre sur le suivi par un système embarqué de la propagation de fissures de fatigue dans les panneaux de fuselage. Une nouvelle méthode de prévision des fissures basée sur des modèles de propagation est développée, qui permet de filtrer le bruit des mesures du système embarqué, identifier la taille actuelle de la fissure et prédire son évolution future et par conséquent la fiabilité des panneaux. Cette approche prédictive est intégrée dans le processus de maintenance structurale aéronautique et deux types de maintenances prédictives sont proposés. L’étude numérique montre que ces stratégies de maintenance prédictive peuvent réduire de manière significative les coûts de maintenance en réduisant le nombre d’arrêts en maintenance et le nombre de réparations inutiles.

Aircraft maintenance represents a major economic cost for the aviation industry. Traditionally, the aircraft maintenance is highly regulated based on fixed schedules (thus called scheduled maintenance) in order to ensure safety. The frequency of scheduled maintenance is designed to be very conservative to maintain a desirable level of reliability. Developing efficient maintenance can be an important way for airlines to allow a new profit growth. With the development of sensor technology, structural health monitoring (SHM) system, which employ a sensor network sealing inside aircraft structures to monitor the damage state, are gradually being introduced in the aviation industry. Once it is possible to monitor the structure damage state automatically and continuously by SHM systems, it enables to plan the maintenance activities according to the actual or predicted health state of the aircraft rather than a fixed schedule. This work focus on the fatigue crack propagation in the fuselage panels. The SHM system is assumed to be employed. A model-based prognostics method is developed, which enables to filter the noise of SHM data to estimate the crack size, and to predict the future health state of the panels. This predictive information is integrated into the maintenance decision-making and two types of predictive maintenance are developed. The numerical study shows that the predictive maintenance significantly reduces the maintenance cost by reducing the number of maintenance stop and the repaired panels.