Maintenance prédictive des systèmes d'air d'avion : une approche basée sur l'apprentissage automatique et les autoencodeurs variationnels
Auteur / Autrice : | William Todo |
Direction : | Béatrice Laurent, Jean-Michel Loubès |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques appliquées |
Date : | Soutenance le 06/10/2023 |
Etablissement(s) : | Toulouse 3 |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, informatique et télécommunications (Toulouse) |
Partenaire(s) de recherche : | Laboratoire : Institut de mathématiques de Toulouse (2007-....) |
Jury : | Président / Présidente : Jean-François Dupuy |
Examinateurs / Examinatrices : Nicolas Canouet | |
Rapporteurs / Rapporteuses : Christophe Biernacki, Mathilde Mougeot |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
Liebherr-Aerospace, acteur majeur de l'industrie aéronautique, se spécialise dans la conception, le développement et la fabrication de systèmes essentiels pour les avions. En tant que constructeur d'équipements d'origine (OEM), l'entreprise garantit la qualité de ses produits, l'approvisionnement en pièces de rechange et offre un soutien technique pour ses produits. En plus de ces rôles, elle fournit des services de maintenance, réparation et opérations (MRO) et des services Aircraft On Ground (AOG) en cas d'immobilisation de l'appareil. Dans ce contexte, l'entreprise Liebherr Aerospace Toulouse se concentre sur le développement d'outils de maintenance prédictive pour réduire le temps d'immobilisation au sol des avions et anticiper les pannes. Ce travail fait l'objet d'une thèse menée en collaboration avec l'Institut de Mathématiques de Toulouse et ANITI. La thèse se compose de cinq chapitres. Le premier chapitre porte sur l'état de l'art de la maintenance prédictive et son lien avec la détection d'anomalies. Il présente également les techniques de machine learning et de deep learning utilisées dans ce domaine. Le deuxième chapitre aborde le fonctionnement des systèmes d'air (ou "bleed air systems") et les défis rencontrés pour la maintenance prédictive de ces systèmes. Le troisième chapitre met en évidence le rôle des autoencodeurs variationnels (VAE) pour la réduction de dimension, et compare leur performance à d'autres techniques. Le quatrième chapitre présente une nouvelle méthode pour comprendre les comportements anormaux des séries temporelles multivariées à l'aide d'un autoencodeur variationnel contrastif (CVAE). Enfin, le cinquième chapitre explique comment la méthode CVAE est adaptée pour résoudre les problèmes de maintenance prédictive. Il introduit une approche semi-supervisée pour former le modèle même en présence de données censurées et compare son efficacité à d'autres modèles classiques. La technique "selective kernels", issue de la classification d'images, est adaptée à la classification de séries temporelles.