Reconnaissance d'arcs de défaut dans les aéronefs par apprentissage artificiel

Arc fault recognition in aircrafts using machine learning techniques

• Auteur / Autrice : Raul Carreira rufato
• Direction : Yacine Oussar
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le ; Soutenance le 14/03/2025
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Physique et d'Etude des matériaux
• Jury : Président / Présidente : Florence Ossart
• Jury : Examinateurs / Examinatrices : Yacine Oussar, Cécile Mallet, Juan Manuel Martinez tarifa, Ian Cotton, Thierry Ditchi
• Jury : Rapporteurs / Rapporteuses : Cécile Mallet, Juan Manuel Martinez tarifa

Mots clés

Mots clés libres

Arcs Électriques

Apprentissage Artificiel

Reconnaissance

Electric Arcs

Machine Learning

Recognition

Résumé

Dans le domaine de l'aéronautique, l'apparition d'un arc électrique (qu'il soit « série » ou « parallèle ») est un événement redouté. Ses conséquences peuvent être synonymes d'endommagement majeur des systèmes ou des structures. Ils peuvent aussi être inévitables mais maitrisés, comme dans les systèmes de coupure, lors de l'ouverture d'un contact par exemple. Dans le cas d'arcs indésirables liés à des défauts, détecter leur présence le plus rapidement possible afin de les couper constitue donc un enjeu majeur. L'énergie et la capacité destructrice des arcs sont directement liées à la puissance du réseau de distribution des avions. Or, la puissance requise par les systèmes électriques embarqués a augmenté considérablement et devrait continuer à augmenter encore plus dans les années à venir. En effet, le monde aéronautique évolue vers des avions plus électriques. Par conséquent, des mesures de sécurité doivent être prises pour reconnaitre les arcs de défauts et couper l'alimentation le plus rapidement possible lorsque cela se produit. De nombreux dispositifs susceptibles d'effectuer la détection d'arcs électriques sont actuellement disponibles. Ils reposent sur l'utilisation et la reconnaissance de « signatures » principalement électriques et issues de nombreux essais réalisés selon des protocoles précis. Malgré tout, quelles que soient les solutions proposées, leur robustesse dans un environnement aéronautique n'est pas satisfaisante compte tenu de l'existence de « faux positifs ». Une détection fiable, robuste et rapide s'avère d'autant plus nécessaire que la puissance électrique (niveaux de tension et de courant) ne cesse d'augmenter tant pour les applications propulsives que non propulsives. L'objectif de cette thèse est de proposer l'utilisation de différentes méthodes de classification par apprentissage artificiel dans le but de reconnaitre la présence des arcs électriques de défaut, en particulier les arcs série en DC en raison de leur difficulté de reconnaissance. La méthodologie décrite dans ce rapport propose l'utilisation d'une technique d'extraction de descripteurs suivie d'une sélection des plus pertinents pour ensuite construire un classifieur à partir des algorithmes proposés. Ce dernier a été testé dans des différentes conditions et s'est montré capable atteindre des taux de fiabilité, robustesse et temps de détection très satisfaisants pour le cas d'application.

In the aeronautical field, the appearance of an electric arc, either in ''series'' or in ''parallel'' with the loads, is considered to be a problematic event. Its consequences can be synonymous of major damages to devices or structures. They can also be unavoidable but controlled, as is the case in cut-off systems when a contact opens for example. In the case of unwanted arcs, related to faults, detecting their presence as quickly as possible is a major challenge. Their destructive capacity is directly related to the voltage and power of the aircraft distribution network. However, the power required by embedded systems has increased considerably and is expected to grow even more in the next years towards more electric aircraft. Consequently, safety measures must be taken to recognize arc faults and cut off the power supply as quickly as possible when it occurs. Many devices capable of detecting arc faults are currently available. They are mainly based on the recognition of electrical signatures resulting from numerous tests carried out according to precise protocols. However, whatever the solutions proposed, their robustness in an aeronautical environment is low given the existence of too many ''false positives''. Reliable, robust and rapid detection is even more necessary as the electrical power (voltage and current levels) continues to increase for both propulsive and non-propulsive applications. The purpose of this thesis is the use of different machine learning classification methods in order to recognize the presence of electric arc faults, in particular DC series arcs due to their difficult recognition. The methodology described in this report proposes the use of a feature extraction technique followed by a selection of the most relevant ones in order to build a classifier from the proposed algorithms. The latter has been tested under different conditions and has shown itself capable of achieving reliability, robustness and detection time rates that are very satisfactory for the application case.