[go: up one dir, main page]

WO2016075409A1 - Procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné - Google Patents

Procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné Download PDF

Info

Publication number
WO2016075409A1
WO2016075409A1 PCT/FR2015/053050 FR2015053050W WO2016075409A1 WO 2016075409 A1 WO2016075409 A1 WO 2016075409A1 FR 2015053050 W FR2015053050 W FR 2015053050W WO 2016075409 A1 WO2016075409 A1 WO 2016075409A1
Authority
WO
WIPO (PCT)
Prior art keywords
tuple
values
tuples
sequence
exogenous
Prior art date
Application number
PCT/FR2015/053050
Other languages
English (en)
Inventor
Aurélie GOUBY
Guillaume BOTHIER
Original Assignee
Snecma
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 Snecma filed Critical Snecma
Priority to US15/525,574 priority Critical patent/US10486833B2/en
Priority to GB1709066.3A priority patent/GB2558017B/en
Publication of WO2016075409A1 publication Critical patent/WO2016075409A1/fr

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration

Definitions

  • the present invention relates to the field of "Health Monitoring” of aeronautical equipment.
  • Health Monitoring is the monitoring of changes in the health and condition of equipment, especially a turbomachine, throughout its life.
  • One of the objectives of the Health Monitoring is to anticipate and plan the maintenance operations in a sufficiently relevant way to avoid any problem that could cause a malfunction or even a breakdown (with probably dramatic consequences if it takes place in the air). To this end, we seek to finely track all accessible engine parameters to predict preventative maintenance operations rather than healing (which are particularly more expensive).
  • the implementation of the engine monitoring requires a detailed expertise of the operation of the engine according to its own operating parameters (so-called “endogenous” parameters, for example the inlet pressure of the combustion chamber, the temperature of the exhaust gas , etc.) but also external parameters, related to the environment (so-called “exogenous” parameters, for example the altitude or the temperature of the incoming air). It has been proposed to analyze the behavior of an engine in comparison with the behavior encountered in the past (see patent application FR2971595).
  • Modeling via a "medium” operation thus makes it very difficult to take into account the operating conditions of an engine of a fighter jet that can be pushed to its limits in these very severe external conditions during certain missions.
  • the present invention proposes according to a first aspect a method of monitoring an aircraft engine operating in a given environment, characterized in that it comprises the implementation by data processing means of steps of: (a) receiving a sequence of n-tuples of physical parameter values relating to said aircraft engine, including at least one endogenous parameter specific to the operation of the engine and at least one exogenous parameter specific to said environment, said values being measured at course of time by sensors so that each tuple of the sequence defines a point of a flight of said aircraft, a set of reference sequences of n-tuples of values of said physical parameters being stored in a database stored on data storage means;
  • Step (a) comprises separating the values of the exogenous parameters and the values of the endogenous parameters
  • Step (b) comprises, for each n-tuple of the received sequence, a preliminary step (bO) of determining an exogenous class of the tuple according to the values of the exogenous parameters of said tuple, among a a plurality of exogenous classes each defined by the exogenous parameter values of a subset of said set of n-tuplet reference sequences;
  • Step (bO) comprises projecting said tuple in the context classes so as to identify the closest exogenous class according to a distance criterion
  • the regression model used in step (b) for a tuple of the received sequence is the model associated with the exogenous class determined for said tuple;
  • the method comprises a preliminary phase of processing said set of reference sequences of n-tuples of the database, comprising the implementation by data processing means of steps of: (aO) classification of the reference sequences n-tuples so as to generate said plurality of exogenous classes;
  • Step (a6) comprises, for each cell generated, calculating a density of the cell defined as the number of reference sequences for which the cell comprises at least one tuple defining a point recurrent potential obtained, step (a7) being implemented for cells with the highest density;
  • Each endogenous parameter is chosen from a pressure at the output of an engine booster, a static pressure at the inlet of a combustion chamber of the engine, a temperature at the output of the booster of the engine, a temperature of the exhaust gases of the engine, motor, a mass flow of fuel at the inlet of a high-pressure compressor of the engine, and a high-pressure rotation speed at the inlet of the compressor High-pressure of the engine;
  • Each exogenous parameter is chosen from an altitude, a temperature at the inlet of an engine blower, and a low-pressure rotational speed at the inlet of the engine blower;
  • the sensors are integrated into the engine, said sequence of n-tuples being received from the engine via an Aircraft Communication Addressing and Reporting System (ACARS) transmission;
  • ACARS Aircraft Communication Addressing and Reporting System
  • the method comprises adding the received n-tuplet sequence to said set of n-tuplet reference sequences.
  • the invention relates to equipment for monitoring an aircraft engine operating in a given environment, comprising:
  • a set of reference sequences of n-tuples of physical parameter values relating to said aircraft engine including at least one endogenous parameter specific to the operation of the engine and at least one exogenous parameter specific to said environment, and a set of phase signatures, each signature being defined by a n-tuple of values of the physical parameters and an n-tuple of associated variance values,
  • a computation module for each n-tuple of the received sequence, according to a regression model associated with a subset of said set of n-tuple reference sequences, of a normalized value of the endogenous parameter by relative to the exogenous parameters, so as to obtain a sequence of standardized n-tuples;
  • a calculation module for each stabilized phase, of average values of the physical parameters on the part of the sequence of n-tuples corresponding to the stabilized phase, so as to obtain a tuple defining a recurrent point of said flight of the aircraft, and
  • the data processing module is further configured to implement: A module for classifying reference sequences of n-tuples so as to generate a plurality of exogenous classes each defined by the values of the exogenous parameters of a subset of said set of reference sequences of n-tuples; A module for determining, for each exogenous class, said regression model associated with the subset of said set of n-tuplet reference sequences by a regression modeling the value y of the endogenous parameter as a function of the values of the exogenous parameters from the set of n-tuples of the exogenous class;
  • a calculation module for each tuple of the set of reference sequences, of an estimated value of the endogenous parameter and of an associated residual for the exogenous class of the tuple;
  • a calculation module for each tuple of the set of reference sequences, of the normalized value of the endogenous parameter with respect to the exogenous parameters, so as to obtain a set of standardized n-tuple reference sequences;
  • An identification module for each standard n-tuplet reference sequence, of at least one stabilized phase in said normalized n-tuplet reference sequence, a stabilized phase corresponding to a part of said representative sequence of a flight time above a given threshold and in which normalized tuple values are constant at a given variance;
  • a calculation module for each stabilized phase of each reference sequence, of average values of the physical parameters on the part of the sequence of n-tuples corresponding to the stabilized phase, so as to obtain a tuple defining a recurrent point; potential of a flight of the aircraft;
  • a module for classifying n-tuples defining a potential recurrent point obtained so as to generate a plurality of cells, each associated with a subset of the n-tuples defining a potential recurring point;
  • a calculation module for at least one generated cell, of a n-tuple of values of the physical parameters and an n-tuple of associated variance values so as to define a phase signature associated with the cell, and storage phase signatures in said database of data storage means.
  • the invention relates to a system comprising:
  • an aircraft comprising a motor and sensors
  • the invention relates to a computer program product comprising code instructions for the execution of a method according to the first aspect of the invention for monitoring an operating aircraft engine. in a given environment; and computer-readable storage means on which a computer program product comprises code instructions for executing a method according to the first aspect of the invention for monitoring an aircraft engine in operation in a given environment.
  • FIG. 1 represents an example of an environment in which the method according to the invention is implemented
  • FIGS. 2a-2b illustrate the steps of two phases of an example of the method according to the invention
  • FIG. 3 represents an example of exogenous classes used in a process according to the invention
  • FIG. 4 represents examples of stabilized phases identified during the implementation of the method according to the invention.
  • FIGS. 5a-5b represent examples of cells used during the implementation of the method according to the invention.
  • the present method is a method for monitoring an aircraft engine 1 operating in a given environment, in particular a military aircraft (for example a fighter aircraft) on mission.
  • the engine 1 is typically all or part of a turbomachine, in particular double flow.
  • the objective is to find flight phases where the behavior of the engine is identical regardless of the context, and to determine snapshots, in other words the "recurring flight-to-flight points" mentioned above, associated with these phases. These recurring points make it possible to refer to behaviors already encountered in the past and thus to make it easier to plan maintenance operations.
  • the present method can be applied to any measurement monitoring, but preferably it is a "pseudo real-time" monitoring: the engine 1 is equipped with sensors 20, active during the flight of the engine. 2. This aircraft then sends regularly to the ground small instant messages including the values of the measurements from the sensors 20. These messages are sent for example by satellite 35 (ACARS protocol) through transmission means, and equipment 3 disposed on the ground comprising data processing means 31 (by example a processor) and data storage means 32 (for example a hard disk) receives the data contained in these messages via a base station 34 and processes them for the implementation of the method.
  • ACARS protocol satellite 35
  • equipment 3 disposed on the ground comprising data processing means 31 (by example a processor) and data storage means 32 (for example a hard disk) receives the data contained in these messages via a base station 34 and processes them for the implementation of the method.
  • the latter is not limited to any procedure for transmitting measurements to the equipment 3 (for example, it is possible for the measurements to be stored on the aircraft during flight time, and transmitted en bloc. to equipment 3 after landing). Moreover, the treatment can be deferred in time. It is even conceivable that the equipment 3 be integrated with the aircraft 2.
  • the equipment 3 (or other equipment) is equipped with interface means 33 (such as a keyboard and a screen) for interacting, and in particular for displaying the results (see below).
  • interface means 33 such as a keyboard and a screen
  • the first step (a) of the present method consists in the reception by the data processing means 31 of a sequence of n-tuples of values x 1 exec ... x n -exec ; y exec of physical parameters relating to said aircraft engine 1, including at least one endogenous parameter specific to the operation of the engine 1 and at least one exogenous parameter specific to said environment.
  • tuple is meant a vector comprising a value for each of the parameters.
  • the values are measured over time by the sensors 20, and each tuple is associated with a time instant.
  • a sequence designates a flight of the aircraft, and the n-tuples of the sequence are points of the flight, thus obtained consecutively during the flight.
  • the values are acquired (and possibly emitted) at regular time intervals, for example at a frequency between 0.1 Hz and 10 Hz, in particular about 1 Hz (a value acquired for each parameter every second of the flight). .
  • Endogenous or exogenous parameters are physical parameters. They thus represent physical quantities such as a temperature or a pressure. The person skilled in the art will choose the type of physical quantity to be measured according to the effects to be monitored on the engine. For each parameter, the associated sensor 20 is adapted to the size (thermometer, pressure gauge, etc.).
  • the other physical parameters are "endogenous", and are therefore specific to the environment of the engine 1, i.e. the context. In other words, they are parameters whose value is not affected by the operation of the engine, but that the engine experiences. For example, in the case of a dual-flow military engine (each with the associated code in parentheses):
  • exogenous parameter is an "explanatory” or “predictive” variable, as opposed to an endogenous parameter (y value) that is an “explain” or “predict” variable.
  • the x value of the exogenous parameter is a cause, when the y value of the endogenous parameter is a consequence.
  • a tuple x 1 ... x n ; y denotes a point acquisition: for x values of the exogenous parameters, y values of the endogenous parameters are measured.
  • a set of reference sequences of n-tuples (x 1i -X ni; y i ) i ⁇ [1, p] of values of said physical parameters (p sequences) is stored in a database itself stored on the means. 32.
  • Each sequence corresponds to a flight of a similar aircraft (with a similar engine), and for each of its flights there is a sequence of n-tuples. Tuples of the base define each of the reference values y t endogenous parameters for values x t exogenous parameters.
  • the received sequence of n-tuples x 1 exec ... x n - exec ; y exec designates the "monitored" sequence, that is to say that of the flight for which it seeks to monitor the engine 1 in operation in a given environment
  • this monitored sequence can be a sequence obtained in real time (in particular in a ACARS operation) or a sequence obtained in deferred time (n-tuples x 1 exec ... x n-exec ; y exec stored in the database and placed on hold).
  • Learning phase The present process comprises two phases. The first is a learning phase and the second is an execution phase.
  • the learning phase is implemented beforehand so as to create the models that will be described later (and if necessary store them on the data storage means 32), and the execution phase is then implementation at each new reception of a sequence. This is the execution phase that allows the monitoring of the engine 1, object of the invention.
  • the learning phase can be restarted from time to time to update the models.
  • the learning phase can be seen as a set of processing steps of only the data of the database (ie independently of the sequence of n-tuples x 1 exec ... x n-exec ; y exec ).
  • the learning phase begins with a step (aO) of classification of the reference sequences of n-tuples (x 1i - Xn , y i ) i ⁇ [1, p] so as to generate said plurality of exogenous classes.
  • each "exogenous class" is defined by the values (x 1i - X ni; y i ) i ⁇ [1, p ( ] Pj denotes the cardinal of the exogenous class j, the sum of the pj equals p) the exogenous parameters of a subset of said set of n- tuplet reference sequences (x 1i - X ni; y i ) i ⁇ [1, p] -
  • this step consists of the partition of the n-tuples (x 1i - X ni; y i ) i ⁇ [1, p] deprived of the values of the endogenous parameters (ie their restriction to all or part of the exogenous parameters, in this case hyperplanes in our example to a single endogenous parameter) via unsupervised classification methods (in particular chosen from the k-means
  • each exogenous class is thus associated with a subset of the set of reference sequences of n-tuples (x 1i -X ni; y i ) i ⁇ [1, p] subset consisting of "close" flights in terms of context.
  • the advantage of setting k for example between 2 and 10 is to define a maximum number of exogenous classes for the classification to be relevant (do not have as many classes as points when they are all far away.).
  • An optimization method makes it possible to choose k so as to maximize the difference between the different groups and to minimize the difference between points of the same class).
  • FIG. 3 thus illustrates an example representing the arrangement of the n-tuples (x 1i -X ni; y i ) i ⁇ [1, p] in a three-dimensional space generated by the three exogenous parameters ALTF, T2 and XN2.
  • ALTF the exogenous parameter
  • This step is followed by a step (a1) of determining a plurality of regression models each associated with a subset of said set of n- tuplet reference sequences (x 1i - X ni; y i ) i ⁇ [ 1, p] (in particular an exogenous class), by a regression modeling y as a function of x on the values of the n-tuples (x 1i -X ni, y i ) i ⁇ [1, p] of the subset ( in other words, those associated with the exogenous class).
  • this step is repeated so as to determine regression models modeling each y in function of x. These regression models will be used in the execution phase.
  • Step (a1) consists of other terms to determine functions f j (j is an index denoting the j-th exogenous class) of making it possible to better approximate the values y i as a function of the values x 1i. x ni , for a given type of link. Linear, polynomial, exponential, logarithmic regressions are thus known.
  • the choice of the type of link used is advantageously made according to the shape of the curve and can be done automatically by optimization by maximizing a coefficient of determination, for example as described in the patent application FR2939928.
  • the learning phase comprises the computation (repeated for each endogenous parameter), for each of the tuple (x 1i - Xn , y i ) i ⁇ [1, p] of a estimated value y / of the endogenous parameter and of an associated residual resf, for the class j to which the tuple belongs (x1i - Xni; yi) i ⁇ [1, p].
  • the residual is the difference between a value estimated and a measured value. From the regression model, we simply obtain these values by the formulas for
  • the data processing means 31 deduce another model used in the execution phase: this is the normalization model.
  • the objective is to remove the influence of contexts on the endogenous parameters, in other words to make them standardized and comparable since they are brought back to the same flight conditions.
  • step (a3) is thus calculated for each n-tuple (x 1i - X ni; y i ) i ⁇ [1, p] of all the reference sequences, a normalized value of the endogenous parameter relative to to the parameters exogenous, so as to obtain a set of standardized n-tuplet reference sequences
  • the standardization model is thus calculated for each n-tuple (x 1i - X ni; y i ) i ⁇ [1, p] of all the reference sequences, a normalized value of the endogenous parameter relative to to the parameters exogenous, so as to obtain a set of standardized n-tuplet reference sequences.
  • the normalization model is for example given by the formula is the average value of the parameter y
  • a step (a4) identifying (if possible) for each reference sequence of tuples normalized (1i x ... x ni; --norm Y i) i ⁇ [1, p] at least one stabilized phase in said normalized n- tuplet reference sequence (x 1i ...
  • a minimum stabilized phase duration t to be attained and for each parameter a tolerance on the variance is fixed. It should be noted that a military aircraft pilot often remains in a stable phase for a short time, which is why it is desirable to test several minimum time thresholds and several variance window sizes. In a known manner, the variance is calculates as the average of the squared residuals.
  • Figure 4 illustrates the value sequences for three endogenous (normalized) parameters P23, TM49 and XN25. Three phases are identified in which each of the endogenous parameters has a substantially constant value.
  • each phase step (a5) into a n-tuple by averaging parameter values of the phase (ie over the n-tuples (x1i ... thirteenth; Yi --norm) i ⁇ [1, p] of said sequence portion corresponding to the phase).
  • nxk the number of parameters and k the number of stabilized phases found during the flight.
  • the tuple defines a "potential" recurring point
  • the tuples defining a potential recurrent point obtained are classified by the data processing means 31 in the manner of what is done in the step (aO).
  • a plurality of unsupervised methods can be implemented, and preferably the self-adaptive map method of Kohonen is chosen.
  • the classification makes it possible to generate a plurality of cells according to a map as represented in FIG. 5a, each associated with a subset of the n-tuples. defining a potential recurring point.
  • This step advantageously comprises, for each cell generated, calculating a "density" of the cell defined as the number of reference sequences for which the cell comprises at least one n-tuple. defining a potential recurrent point obtained (in other words, the number of potential recurring points per cell is calculated, counting only one point if a flight (ie a sequence) comprises several times the same phase).
  • the number displayed on each cell of FIG. 5a is thus the number of flights projected in each cell).
  • the densest cell or cells are identified (the cell at 184 flights in the example of Figure 5a), and selected.
  • a minimum threshold of cell density can be provided.
  • the base of n-tuples is not large enough to construct a relevant map, it can be expected to group some neighboring classes into "meta-classes", as shown in Figure 5b, where build a map with fewer cells.
  • a signature of the cell is calculated in step (a7).
  • This signature is a signature of a type of recurrent phase of the flights of the aircraft.
  • a signature s is defined by a tuple x 1s ... x ns ; y s values of the physical parameters and a tuple far s (x 1 ) ... var s (x n ); var s (y) of associated variance values.
  • the tuple x 1s ... x ns ; y s of values is typically the "representative" of the cell, ie the center of the cell in the sense of Kohonen, where the mean of the n-tuples of the cell.
  • the variance is the "real" variance of the parameters of the cell, that is to say typically that where m is the
  • the obtained phase signatures are stored in said database of data storage means (32).
  • the learning phase represents a preparatory work to accelerate the execution phase (which corresponds to the heart of the present method according to the invention).
  • the learning phase can alternatively be performed "at the same time” as the execution phase.
  • This phase makes it possible to monitor the engine 1 operating in a given environment during a flight defined by a sequence of n-tuples of values of the physical parameters of the
  • Step (a) sees the receipt of the n-tuples treat. This step includes separating values exogenous parameters and values of endogenous parameters (eg through a list).
  • a value of each endogenous parameter is calculated for the values
  • step (b) comprises a preliminary step (bO) of determining an exogenous class of the n-tuple according to the values of the parameters.
  • exogenous of said tuple out of a plurality of exogenous classes each defined by the values of the exogenous parameters of a
  • the exogenous class of the tuple is
  • this determination is done for example by projection of said tuple in the exogenous classes so as to identify the nearest exogenous class according to a distance criterion (conventional method in which the data processing means 31 calculate for each class exogenous a distance (according to a given distance criterion) between the class and a restriction x exec ... x n exec to the exogenous parameters of said tuple, and the class j for which the distance is the shortest is chosen)
  • step (c) the stabilized phases are identified from the set of phase signatures stored in said database of the data storage means 32.
  • a stabilized phase corresponds to a portion of said sequence representative of a flight time greater than a given threshold and in which the values of the standardized n-tuples coincide with the values of the tuple from a signature to the associated variance.
  • step (d) these recurring points are defined as a tuple of average values of the physical parameters on the part of the sequence of n-tuples corresponding to the
  • the equipment 3 (shown in FIG. 1) for implementing the method just described (monitoring an aircraft engine 1 operating in a given environment) comprises data processing means 31 , data storage means 32, and interface means 33.
  • the data storage means 32 store in a database:
  • each signature being defined by a tuple of physical parameter values and a tuple associated values of variance
  • the data processing means 31 are configured to implement:
  • a stabilized phase corresponding to a part of said sequence representative of a flight time greater than a given threshold and in which the values of the standardized n-tuples coincide with the values of the tuple of a signature with the variance
  • a calculation module for each stabilized phase, of average values of the physical parameters on the part of the sequence of n-tuples corresponding to the stabilized phase, so as to obtain a tuple defining a recurrent point of said flight of the aircraft 2;
  • the data processing means 31 also implement a determination module, for each n-tuple x i exec- x n exec> y eX ec of the received sequence, of an exogenous class of the n-tuple. according to the values of the exogenous parameters
  • the regression model associated with a subset of said set of n-tuple reference sequences is then the model associated with the exogenous class.
  • This determination module can realize the projection of said tuple in the context classes so as to identify the closest exogenous class according to a distance criterion.
  • the data processing module 31 is further configured to implement:
  • An identification module for each reference sequence of standardized n-tuples of at least one phase
  • a calculation module for each stabilized phase of each reference sequence, of average values of the physical parameters on the part of the sequence of n-tuples; corresponding to the stabilized phase, so as to obtain a tuple defining a potential recurrent point
  • a calculation module for at least one generated cell, of an n-tuple of physical parameter values and a tuple of associated variance values so
  • phase signature associated with the cell defining a phase signature associated with the cell, and storing phase signatures in said database of data storage means 32.
  • the equipment 3 fits as explained in a preferred manner in a system further comprising the aircraft 2 (preferably military) comprising the engine 1 and the sensors 20 measuring the physical parameter values of the engine 1.
  • the invention relates to a computer program product comprising code instructions for the execution (on data processing means 31, in particular those of the equipment 3) of a method according to the first aspect of the invention for monitoring an aircraft engine 1 operating in a given environment, as well as storage means readable by a computer equipment (for example the data storage means 32 of this equipment 3) on which we find this product computer program.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Transportation (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Testing Of Engines (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

La présente invention concerne un procédé de surveillance d'un moteur (1) d'aéronef (2) en fonctionnement dans un environnement donné, caractérisé en ce qu'il comprend la mise en œuvre par des moyens de traitement de données (31) d'étapes de : (a) Réception d'une séquence de n-uplets (x1 - exec... xn - exec ; yexec) de valeurs de paramètres physiques relatifs audit moteur (1) d'aéronef (2), dont au moins un paramètre endogène propre au fonctionnement du moteur (1) et au moins un paramètre exogène propre audit environnement; (b) Pour chaque n-uplet (x1- exec... xn- exec ; yexec) de la séquence reçue, calcul en fonction d'un modèle de régression d'une valeur normalisée (yexec-norm) du paramètre endogène par rapport aux paramètres exogènes; (c) Identification d'au moins une phase stabilisée dans ladite séquence de n-uplets normalisée (x1- exec... xn- exec : ; yexec-norm) à partir d'un ensemble de signatures de phases; (d) Pour chaque phase stabilisée, calcul de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets (x1- exec... xn- exec; yexec) correspondant à la phase stabilisée, de sorte à obtenir un n-uplet (x1...xn;y) définissant un point récurrent dudit vol de l'aéronef (2).

Description

Procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné
DOMAINE TECHNIQUE GENERAL
La présente invention concerne le domaine du « Health Monitoring » des équipements aéronautiques.
Plus précisément, elle concerne un procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné.
ETAT DE L'ART
Le Health Monitoring (en français surveillance de l'état de santé) désigne le suivi de l'évolution de la santé et de l'état d'un équipement, en particulier une turbomachine, tout au long de sa vie.
Un des objectifs du Health Monitoring est d'anticiper et planifier les opérations de maintenance de manière suffisamment pertinente pour éviter tout problème qui pourrait causer un dysfonctionnement voire une panne (aux conséquences probablement dramatiques si elle a lieu en l'air). A cette fin, on cherche à suivre finement tous les paramètres moteurs accessibles permettant de prévoir des opérations de maintenance préventives plutôt que curatives (qui sont notamment plus coûteuses).
La mise en place du suivi du moteur requiert une expertise fine du fonctionnement du moteur en fonction de ses propres paramètres de fonctionnement (paramètres dits « endogènes », par exemple la pression en entrée de la chambre de combustion, la température des gaz d'échappement, etc.) mais aussi des paramètres extérieurs, liés à l'environnement (paramètres dit « exogènes », par exemple l'altitude ou la température de l'air entrant). Il a été proposé d'analyser le comportement d'un moteur par comparaison aux comportements rencontrés dans le passé (voir la demande de brevet FR2971595). Pour ce faire, il faut pouvoir comparer les moteurs entre eux, c'est-à-dire qu'il faut supprimer l'influence du contexte sur les paramètres étudiés, en d'autres termes les normaliser (par exemple, les vols subsahariens présentent une température des gaz d'échappement qui sera plus élevée que la normale, sans pour autant que le fonctionnement du moteur soit anormal).
Ces méthodes de normalisation, qui fonctionnent par apprentissage d'un modèle, sont construites avec un point précis et représentatif du vol : le « snapshot » (en français « instantané »). Ces points représentatifs du vol seront appelés par la suite points récurrents vol à vol.
Si pour les moteurs civils, où la phase de snapshot est typiquement une phase de croisière, ces méthodes apportent entière satisfaction, la situation est plus compliquée pour les moteurs militaires. En effet, le profil de vol est différent : un avion de reconnaissance change constamment de régime et d'altitude.
La modélisation via un fonctionnement « moyen » permet ainsi très difficilement de prendre en compte les conditions de fonctionnement d'un moteur d'un avion de chasse qui peut être poussé à ses limites dans ces conditions extérieures très sévères au cours de certaines missions
Il serait donc souhaitable de disposer d'une façon fiable, efficace, et reproductible de surveiller le fonctionnement d'un moteur d'aéronef y compris militaire, quelles que soient la variété, la diversité et l'étendue de ses opérations.
PRESENTATION DE L'INVENTION
La présente invention propose selon un premier aspect un procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné, caractérisé en ce qu'il comprend la mise en œuvre par des moyens de traitement de données d'étapes de : (a) Réception d'une séquence de n-uplets de valeurs de paramètres physiques relatifs audit moteur d'aéronef, dont au moins un paramètre endogène propre au fonctionnement du moteur et au moins un paramètre exogène propre audit environnement, lesdites valeurs étant mesurées au cours du temps par des capteurs de sorte que chaque n-uplet de la séquence définit un point d'un vol dudit aéronef, un ensemble de séquences de référence de n-uplets de valeurs desdits paramètres physiques étant stocké dans une base de données stockée sur des moyens de stockage de données ;
(b) Pour chaque n-uplet de la séquence reçue, calcul en fonction d'un modèle de régression associé à un sous-ensemble dudit ensemble de séquences de référence de n-uplets, d'une valeur normalisée du paramètre endogène par rapport aux paramètres exogènes, de sorte à obtenir une séquence de n-uplets normalisés ;
(c) Identification d'au moins une phase stabilisée dans ladite séquence de n-uplets normalisée à partir d'un ensemble de signatures de phases stocké dans ladite base de données des moyens de stockage de données, chaque signature étant définie par un n-uplet de valeurs des paramètres physiques et un n-uplet de valeurs de variance associée, une phase stabilisée correspondant à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés coïncident avec les valeurs du n-uplet d'une signature à la variance associée près ;
(d) Pour chaque phase stabilisée, calcul de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets correspondant à la phase stabilisée, de sorte à obtenir un n-uplet définissant un point récurrent dudit vol de l'aéronef, et transmission à des moyens d'interface.
La normalisation des paramètres endogènes permet de s'affranchir contexte et de pouvoir comparer deux vols, et l'utilisation des signatures permet de trouver des phases stabilisées et par là des points récurrents vol à vol caractérisant facilement et efficacement le comportement du moteur par rapport à des comportements connus. Selon d'autres caractéristiques avantageuses et non limitatives :
• l'étape (a) comprend la séparation des valeurs des paramètres exogènes et des valeurs des paramètres endogènes ;
• l'étape (b) comprend, pour chaque n-uplet de la séquence reçue, une étape préalable (bO) de détermination d'une classe exogène du n-uplet en fonction des valeurs des paramètres exogènes dudit n-uplet, parmi une pluralité de classes exogènes chacune définie par les valeurs des paramètres exogènes d'un sous-ensemble dudit ensemble de séquences de référence de n-uplets ;
• l'étape (bO) comprend la projection dudit n-uplet dans les classes de contextes de sorte à identifier la classe exogène la plus proche selon un critère de distance ;
• le modèle de régression utilisé à l'étape (b) pour un n-uplet de la séquence reçue est le modèle associé à la classe exogène déterminée pour ledit n-uplet ;
· le procédé comprend une phase préalable de traitement dudit ensemble de séquences de référence de n-uplets de la base de données, comprenant la mise en œuvre par des moyens de traitement de données d'étapes de : (aO) classification des séquences de référence de n-uplets de sorte à générer ladite pluralité de classes exogènes ;
(a1 ) pour chaque classe exogène, détermination dudit modèle de régression associé au sous-ensemble dudit ensemble de séquences de référence de n-uplets par une régression modélisant la valeur du paramètre endogène en fonction des valeur des paramètres exogènes à partir de l'ensemble des n-uplets de la classe exogène ; (a2) pour chaque n-uplet de l'ensemble de séquences de référence, calcul pour la classe exogène du n-uplet d'une valeur estimée du paramètre endogène et d'un résidu associé ; (a3) Pour chaque n-uplet de l'ensemble de séquences de référence, calcul de la valeur normalisée du paramètre endogène par rapport aux paramètres exogènes, de sorte à obtenir un ensemble de séquences de référence de n-uplets normalisés ;
(a4) pour chaque séquence de référence de n-uplets normalisés, identification d'au moins une phase stabilisée dans ladite séquence de référence de n-uplets normalisée, une phase stabilisée correspondant à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés sont constantes à une variance donnée près ;
(a5) pour chaque phase stabilisée de chaque séquence de référence, calcul de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets correspondant à la phase stabilisée, de sorte à obtenir un n-uplet définissant un point récurrent potentiel d'un vol de l'aéronef ;
(a6) classification des n-uplets définissant un point récurrent potentiel obtenus de sorte à générer une pluralité de cellules, chacune associée à un sous-ensemble des n-uplets définissant un point récurrent potentiel ;
(a7) pour au moins une cellule générée, calcul d'un n-uplet de valeurs des paramètres physiques et un n-uplet de valeurs de variance associée de sorte à définir une signature de phase associée à la cellule, et stockage des signatures de phases dans ladite base de données des moyens de stockage de données.
• la classification des étapes (aO) et (a6) est mise en œuvre conformément à une méthode non-supervisée choisie parmi l'algorithme des k-moyennes, la méthode des cartes auto-adaptatives de Kohonen et la classification ascendante hiérarchique (CAH) ;
· l'étape (a6) comprend, pour chaque cellule générée, le calcul d'une densité de la cellule définie comme le nombre de séquences de référence pour lesquelles la cellule comprend au moins un n-uplet définissant un point récurrent potentiel obtenu, l'étape (a7) étant mise en œuvre pour les cellules présentant la densité la plus élevée ;
• chaque paramètre endogène est choisi parmi une pression en sortie d'un booster du moteur, une pression statique en entrée d'une chambre de combustion du moteur, une température en sortie du booster du moteur, une la température des gaz d'échappement du moteur, un débit massique de carburant en entrée d'un compresseur Haute-Pression du moteur, et un régime de rotation Haute-Pression en entrée du compresseur Haute- Pression du moteur ;
· chaque paramètre exogène est choisi parmi une altitude, une température en entrée d'une soufflante du moteur, et un régime de rotation basse pression en entrée de la soufflante du moteur ;
• les capteurs sont intégrés dans le moteur, ladite séquence de n-uplets étant reçue depuis le moteur via une transmission Aircraft Communication Addressing and Reporting System (ACARS) ;
• les n-uplets d'une séquence sont mesurés par les capteurs à une fréquence régulière comprise entre 0.1 Hz et 10Hz ;
• le procédé comprend l'ajout de la séquence reçu de n-uplets audit ensemble de séquences de référence de n-uplets.
Selon un deuxième aspect, l'invention concerne un équipement de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné, comprenant :
- des moyens de traitement de données,
- des moyens de stockage de données stockant dans une base de données :
o un ensemble de séquences de référence de n-uplets de valeurs de paramètres physiques relatifs audit moteur d'aéronef, dont au moins un paramètre endogène propre au fonctionnement du moteur et au moins un paramètre exogène propre audit environnement, et o un ensemble de signatures de phases, chaque signature étant définie par un n-uplet de valeurs des paramètres physiques et un n-uplet de valeurs de variance associée,
- des moyens d'interface,
l'équipement étant caractérisé en ce que les moyens de traitement de données sont configurés pour mettre en œuvre :
- Un module de réception d'une séquence de n-uplets de valeurs des paramètres physiques relatifs audit moteur d'aéronef, lesdites valeurs étant mesurées au cours du temps par des capteurs de sorte que chaque n-uplet de la séquence définit un point d'un vol dudit aéronef ;
- Un module de calcul, pour chaque n-uplet de la séquence reçue, en fonction d'un modèle de régression associé à un sous-ensemble dudit ensemble de séquences de référence de n-uplets, d'une valeur normalisée du paramètre endogène par rapport aux paramètres exogènes, de sorte à obtenir une séquence de n-uplets normalisés ;
- Un module d'identification d'au moins une phase stabilisée dans ladite séquence de n-uplets normalisée à partir dudit ensemble de signatures de phases, une phase stabilisée correspondant à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés coïncident avec les valeurs du n-uplet d'une signature à la variance associée près ;
- Un module de calcul, pour chaque phase stabilisée, de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets correspondant à la phase stabilisée, de sorte à obtenir un n- uplet définissant un point récurrent dudit vol de l'aéronef, et
- Un module de transmission aux moyens d'interface. Selon d'autres caractéristiques avantageuses et non limitatives :
• le module de traitement de données est en outre configuré pour mettre en œuvre : - Un module de classification des séquences de référence de n-uplets de sorte à générer une pluralité de classes exogènes chacune définie par les valeurs des paramètres exogènes d'un sous- ensemble dudit ensemble de séquences de référence de n-uplets ; - Une module de détermination, pour chaque classe exogène, dudit modèle de régression associé au sous-ensemble dudit ensemble de séquences de référence de n-uplets par une régression modélisant la valeur y du paramètre endogène en fonction des valeur des paramètres exogènes à partir de l'ensemble des n-uplets de la classe exogène ;
- Un module de calcul, pour chaque n-uplet de l'ensemble de séquences de référence, d'une valeur estimée du paramètre endogène et d'un résidu associé pour la classe exogène du n-uplet ;
- Un module de calcul, pour chaque n-uplet de l'ensemble de séquences de référence, de la valeur normalisée du paramètre endogène par rapport aux paramètres exogènes, de sorte à obtenir un ensemble de séquences de référence de n-uplets normalisés ;
- Un module d'identification, pour chaque séquence de référence de n- uplets normalisés, d'au moins une phase stabilisée dans ladite séquence de référence de n-uplets normalisée, une phase stabilisée correspondant à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés sont constantes à une variance donnée près ;
- Un module de calcul, pour chaque phase stabilisée de chaque séquence de référence, de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets correspondant à la phase stabilisée, de sorte à obtenir un n-uplet définissant un point récurrent potentiel d'un vol de l'aéronef ;
- Un module de classification des n-uplets définissant un point récurrent potentiel obtenus de sorte à générer une pluralité de cellules, chacune associée à un sous-ensemble des n-uplets définissant un point récurrent potentiel ;
- Un module de calcul, pour au moins une cellule générée, d'un n-uplet de valeurs des paramètres physiques et un n-uplet de valeurs de variance associée de sorte à définir une signature de phase associée à la cellule, et de stockage des signatures de phases dans ladite base de données des moyens de stockage de données.
Selon un troisième aspect, l'invention concerne un système comprenant :
- un aéronef comprenant un moteur et des capteurs ;
- un équipement selon le deuxième aspect de l'invention de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné.
Selon un quatrième et un cinquième aspect, l'invention concerne un produit programme d'ordinateur comprenant des instructions de code pour l'exécution d'un procédé selon le premier aspect de l'invention de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné ; et un moyen de stockage lisible par un équipement informatique sur lequel un produit programme d'ordinateur comprend des instructions de code pour l'exécution d'un procédé selon le premier aspect de l'invention de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné.
PRESENTATION DES FIGURES
D'autres caractéristiques et avantages de la présente invention apparaîtront à la lecture de la description qui va suivre d'un mode de réalisation préférentiel. Cette description sera donnée en référence aux dessins annexés dans lesquels : - la figure 1 représente un exemple d'environnement dans lequel le procédé selon l'invention est mis en œuvre ;
- les figures 2a-2b illustrent les étapes de deux phases d'un exemple du procédé selon l'invention ;
- la figure 3 représente un exemple de classes exogènes utilisées dans un procédé selon l'invention
- la figure 4 représente des exemples de phases stabilisées identifiées lors de la mise en œuvre du procédé selon l'invention ;
- les figures 5a-5b représente des exemples de cellules utilisées lors de la mise en œuvre du procédé selon l'invention.
DESCRIPTION DETAILLEE
En référence à la figure 1 , le présent procédé est un procédé de surveillance d'un moteur 1 d'aéronef 2 en fonctionnement dans un environnement donné, en particulier un aéronef militaire (par exemple un avion de chasse) en mission. Le moteur 1 est typiquement tout ou partie d'une turbomachine, en particulier double flux. L'objectif est de trouver des phases de vol où le comportement du moteur est identique indépendamment du contexte, et de déterminer des snapshots, en d'autres termes des « points récurrents vol à vol » évoqués précédemment, associés à ces phases. Ces points récurrents permettent de se référer à des comportements déjà rencontrés par le passé et donc de prévoir plus facilement des opérations de maintenance.
Le présent procédé peut s'appliquer à n'importe quelle surveillance de mesure, mais de façon préférée, il s'agit d'une surveillance « pseudo temps réel » : le moteur 1 est équipé de capteurs 20, actifs pendant le vol de l'aéronef 2. Ce dernier alors envoie régulièrement au sol des petits messages instantanés comprenant les valeurs des mesures issus des capteurs 20. Ces messages sont envoyés par exemple par satellite 35 (protocole ACARS) grâce à des moyens de transmission, et un équipement 3 disposé au sol comprenant des moyens de traitement de données 31 (par exemple un processeur) et des moyens de stockage de données 32 (par exemple un disque dur) reçoit les données contenues dans ces messages via une station de base 34 et les traite pour la mise en œuvre du procédé.
L'homme du métier comprendra que ce dernier n'est limité à aucune procédure pour la transmission des mesures à l'équipement 3 (il est par exemple possible que les mesures soient stockées sur l'aéronef le temps du vol, et transmises en bloc à l'équipement 3 après l'atterrissage). Par ailleurs, le traitement peut être différé dans le temps. Il est même envisageable que l'équipement 3 soit intégré à l'aéronef 2.
L'équipement 3 (ou un autre équipement) est équipé de moyens d'interfaces 33 (tels qu'un clavier et un écran) pour interagir, et en particulier pour l'affichage des résultats (voir plus loin).
De façon générale, la première étape (a) du présent procédé consiste en la réception par les moyens de traitement de données 31 d'une séquence de n-uplets de valeurs x1 exec ... xn -exec; yexec de paramètres physiques relatifs audit moteur 1 d'aéronef 2, dont au moins un paramètre endogène propre au fonctionnement du moteur 1 et au moins un paramètre exogène propre audit environnement.
Par « n-uplet », on entend un vecteur comprenant une valeur pour chacun des paramètres. Les valeurs sont mesurées au cours du temps par les capteurs 20, et chaque n-uplet est associé à un instant temporel. Une séquence désigne un vol de l'aéronef, et les n-uplets de la séquence sont des points du vol, ainsi obtenus consécutivement au cours du vol. De façon préférée, les valeurs sont acquises (et le cas échéant émises) à intervalles temporels réguliers, par exemple à une fréquence comprise entre 0.1 Hz et 10Hz, en particulier environ 1 Hz (une valeur acquise pour chaque paramètre à chaque seconde du vol).
Les paramètres endogènes ou exogènes sont des paramètres physiques. Ils représentent ainsi des grandeurs physiques telles qu'une température ou une pression. L'homme du métier choisira le type de grandeur physique à mesurer en fonction des effets à surveiller sur le moteur. Pour chaque paramètre, le capteur 20 associé est adapté à la grandeur (thermomètre, manomètre, etc.).
Comme expliqué, certains paramètres physiques sont « endogènes », et sont donc propres au fonctionnement du moteur 1 . En d'autres termes, ils sont des paramètres dont la valeur est directement impactée par le fonctionnement du moteur. On citera par exemple, dans le cas d'un moteur militaire double flux (avec à chaque fois le code associé entre parenthèses) :
- la pression en sortie du booster (P23) ;
- la pression statique en entrée de la chambre de combustion (PS32) ;
- la température en sortie du booster (T23) ;
- la température des gaz d'échappement (TM49) ;
- le débit massique de carburant en entrée du compresseur Haute- Pression (W25) ;
- le régime de rotation Haute-Pression en entrée du compresseur Haute-Pression (XN25).
Les autres paramètres physiques sont « endogènes », et sont donc propres à l'environnement du moteur 1 , i.e. le contexte. En d'autres termes, ils sont des paramètres dont la valeur n'est pas impactée par le fonctionnement du moteur, mais que subit le moteur. On citera par exemple, dans le cas d'un moteur militaire double flux (avec à chaque fois le code associé entre parenthèses) :
- l'altitude (ALTF) ;
- La température en entrée de la soufflante (T2) ;
- Le régime de rotation basse pression en entrée de la soufflante (XN2).
Un paramètre exogène (valeur x) est une variable « explicative » ou « prédictive », par opposition à un paramètre endogène (valeur y) qui est une variable « à expliquer » ou «à prédire ». En d'autres termes, la valeur x du paramètre exogène est une cause, lorsque la valeur y du paramètre endogène est une conséquence. Un n-uplet x1 ... xn; y désigne une acquisition ponctuelle : pour des valeurs x des paramètres exogènes, des valeur y des paramètres endogènes sont mesurées. Dans la suite de la présente description, on prendra l'exemple d'un paramètre endogène (et n paramètres exogène), mais on comprendra qu'il suffit de répéter les étapes du procédé pour chaque paramètre endogène s'il y en a plusieurs, et que le nombre de paramètres exogènes n'a pas d'importance. Dans les exemples, on prendra trois paramètres exogènes.
Un ensemble de séquences de référence de n-uplets (x1i - Xni;yi)i∈[1,p] de valeurs desdits paramètres physiques (p séquences) est stocké dans une base de données elle-même stockée sur les moyens de stockage de données 32. Chaque séquence correspond à un vol d'un aéronef similaire (avec un moteur similaire), et pour chacun de ses vols on a une séquence de n-uplets. Les n-uplets de la base définissent chacun des valeurs de référence yt des paramètres endogènes pour des valeurs xt des paramètres exogènes.
Par séquences et valeurs « de référence », on entend qu'elles sont acquises pendant des vols antérieurs connus, c'est-à-dire qu'elles peuvent être considérées comme exploitables. Des éventuelles valeurs anormales ont déjà été supprimées de la base.
La séquence reçue de n-uplets x1 exec ... xn - exec; yexec désigne la séquence « surveillée », c'est-à-dire celle du vol pour lequel on cherche à surveiller le moteur 1 en fonctionnement dans un environnement donné
Comme expliqué cette séquence surveillée peut être aussi bien une séquence obtenue en temps réel (en particulier dans un fonctionnement ACARS) ou bien une séquence obtenue en temps différé (n-uplets x1 exec ... xn - exec; yexec stockés dans la base de données et placés en attente). Phase d'apprentissage Le présent procédé comprend deux phases. La première est une phase d'apprentissage et la seconde est une phase d'exécution. De façon préférée, la phase d'apprentissage est mise en œuvre préalablement de sorte à créer les modèles qui seront décrits plus loin (et le cas échéant les stocker sur les moyens de stockage de données 32), et la phase d'exécution est ensuite mise en œuvre à chaque nouvelle réception d'une séquence. C'est la phase d'exécution qui permet la surveillance du moteur 1 , objet de l'invention. La phase d'apprentissage peut être relancée de temps à autres pour mettre à jour les modèles.
Alternativement, il est tout à fait possible de ne pas faire de faire d'apprentissage préalable et de déterminer les modèles au coup par coup à chaque mise en œuvre de la phase d'exécution.
On décrira dans la suite de la présente description les deux phases. La phase d'apprentissage peut être vue comme un ensemble d'étapes de traitement des seules données de la base (i.e. indépendamment de la séquence de n-uplets x1 exec ... xn - exec; yexec).
En référence à la figure 2a, la phase d'apprentissage commence par une étape (aO) de classification des séquences de référence de n-uplets (x1i - Xni;yi)i∈[1,p] de sorte à générer ladite pluralité de classes exogènes.
Comme les contextes de vol d'un aéronef militaire sont très variés, il est en effet important de pouvoir les classer. Chaque « classe exogène » est définie par les valeurs (x1i - Xni;yi)i∈[1,p (]Pj désigne le cardinal de la classe exogène j, la somme des pj vaut p) des paramètres exogènes d'un sous-ensemble dudit ensemble de séquences de référence de n-uplets (x1i - Xni;yi)i∈[1,p] - En d'autres termes, cette étape consiste en la partition des n-uplets (x1i - Xni;yi)i∈[1,p] privés des valeurs des paramètres endogènes (i.e. leur restriction à tout ou partie des paramètres exogènes, en l'espèce des hyperplans dans notre exemple à un seul paramètre endogène) via des méthodes de classification non-supervisées (en particulier choisies parmi l'algorithme des k-moyennes, la méthode des cartes auto-adaptatives de Kohonen et la classification ascendante hiérarchique (CAH)). Pour reformuler encore, on place chacun des points de vols définis par un n-uplet (x1i - Xni;yi)i∈[1,p] dans un sous-espace restreint (en termes de dimension) aux paramètres exogènes, et on partitionne cet espace en k classes (par exemple entre 2 et 10), dont chacune sera représentative d'un type général de contexte dans lequel les paramètres exogènes auront des valeurs similaires entre deux vols (par exemple « basse altitude au Qatar »). Chaque classe exogène est ainsi associée à un sous-ensemble de l'ensemble de séquences de référence de n-uplets (x1i - Xni;yi)i∈[1,p] sous-ensemble constitué de vols « proches » en termes de contexte.
L'avantage de fixer k par exemple entre 2 et 10 est de définir un nombre maximum de classes exogènes pour que la classification soit pertinente (ne pas avoir autant de classes que de points lorsque ces derniers sont tous très éloignés.). Une méthode d'optimisation permet de choisir k de façon à maximiser l'écart entre les différents groupes et à minimiser l'écart entre points d'une même classe).
La figure 3 illustre ainsi un exemple représentant la disposition des n- uplets (x1i - Xni;yi)i∈[1,p] clans un espace à trois dimensions engendré par les trois paramètres exogènes ALTF, T2 et XN2. On voit clairement trois classes exogènes qui ressortent.
Cette étape est suivie par une étape (a1 ) de détermination d'une pluralité de modèles de régression chacun associé à un sous-ensemble dudit ensemble de séquences de référence de n-uplets (x1i - Xni;yi)i∈[1,p] (en particulier une classe exogène), par une régression modélisant y en fonction des x sur les valeurs des n-uplets (x1i - Xni;yi)i∈[1,p] dudit sous- ensemble (en d'autre termes ceux associés à la classe exogène). Dans le cas où il y a plusieurs paramètres endogènes, cette étape est répétée de sorte à déterminer des modèles de régression modélisant chaque y en fonction des x. Ces modèles de régression vont être utilisés dans la phase d'exécution.
La régression désigne un ensemble de méthodes statistiques bien connues de l'homme du métier pour analyser la relation d'une variable (ici y) par rapport à une ou plusieurs autres (ici x1.. xn). L'étape (a1 ) consiste en d'autres termes à déterminer des fonctions fj (j est un indice désignant la j- ème classe exogène) de permettant d'approximer au mieux les valeurs yi en fonction des valeurs x1i ... xni, pour un type de lien donné. On connaît ainsi des régressions linéaire, polynomiale, exponentielle, logarithmique, etc.
Le choix du type de lien utilisé est avantageusement fait en fonction de l'allure de la courbe et peut se faire de manière automatique par optimisation en maximisant un coefficient de détermination, par exemple de la façon décrite dans la demande de brevet FR2939928.
Dans une troisième étape (a2), la phase d'apprentissage comprend le calcul (répété pour chaque paramètre endogène), pour chacun des n- uplet (x1i - Xni;yi)i∈[1,p] d'une valeur estimée y/ du paramètre endogène et d'un résidu resf associé, pour la classe j à laquelle appartient le n-uplet (x1i - Xni;yi)i∈[1,p] .le residu est l'écart entre une valeur estimée et une valeur mesurée. A partir des modèle de régression, on obtient simplement ces valeurs par les formules pour
Figure imgf000018_0001
Figure imgf000018_0002
Une fois le modèle de régression créé, les moyens de traitement de données 31 en déduisent un autre modèle utilisé dans la phase d'exécution : il s'agit du modèle de normalisation. Comme expliqué, l'objectif est de retirer l'influence des contextes sur les paramètres endogènes, en d'autres termes de les rendre normalisés et comparables puisqu'ils sont ramenés aux mêmes conditions de vol.
Dans l'étape (a3), est ainsi calculée pour chaque n-uplet (x1i - Xni;yi)i∈[1,p] de l'ensemble des séquences de référence, une valeur normalisée du paramètre endogène par rapport aux paramètres
Figure imgf000018_0003
exogènes, de sorte à obtenir un ensemble de séquences de référence de n- uplets normalisés Le modèle de normalisation
Figure imgf000019_0001
associe à chaque valeur d'un paramètre endogène la valeur normalisée de ce paramètre. Le modèle de normalisation est par exemple donné par la formule est la valeur moyenne du paramètre y
Figure imgf000019_0002
pour les n-uplets de la classe exogène j. En effet, puisque est la
Figure imgf000019_0003
prédiction faite à partir des variables exogènes et que
Figure imgf000019_0004
l'application de la formule précédente permet de soustraire l'influence des endogènes, et il ne reste plus qu'un signal centré en la moyenne et dont la variabilité ne peut plus être expliquée par le contexte.
Une fois les paramètres endogènes normalisés, on va chercher pendant le vol les phases stabilisées. Ainsi, dans une étape (a4), on identifie (si possible) pour chaque séquence de référence de n-uplets normalisés (x1i ... xni; Yi --norm) i∈[1,p] au moins une phase stabilisée dans ladite séquence de référence de n-uplets normalisée (x1i ... xni; Yi --norm) i∈[1,p] une phase stabilisée correspondant à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné, par exemple dix minutes, (si la fréquence d'acquisition est constante, alors ce seuil de temps correspond à un seuil de nombre de points consécutifs) et dans laquelle les valeurs des n-uplets normalisés (x1i ... xni; Yi --norm) i∈[1,p] sont constantes à une variance donnée près. En d'autres termes, on fixe une durée t de phase stabilisée minimum à atteindre et pour chaque paramètre une tolérance sur la variance. Il est à noter qu'un pilote d'avion militaire reste souvent peu de temps dans des phases stables, c'est pourquoi il est souhaitable de tester plusieurs seuils de temps minimum et plusieurs tailles de fenêtre de variance De façon connue, la variance se calcule comme la moyenne des résidus au carré.
La figure 4 illustre les séquences de valeur pour trois paramètres endogènes (normalisés) P23, TM49 et XN25. On repère trois phases stabilisées dans lesquelles chacun des paramètres endogènes présente une valeur sensiblement constante.
Une fois les phases stabilisées trouvées dans les différents vols de l'apprentissage (i.e. pour chaque séquence de l'ensemble), on résume chaque phase (étape (a5)) en un n-uplet
Figure imgf000020_0001
en faisant la moyenne des valeurs paramètres sur la phase (i.e. sur les n-uplets (x1i ... xni; Yi --norm) i∈[1,,p ] de ladite partie de séquence correspondant à la phase). On obtient donc pour un vol une matrice de taille nxk où n est le nombre de paramètres et k le nombre de phases stabilisées trouvées pendant le vol. Le n-uplet définit un point récurrent « potentiel »
Figure imgf000020_0002
d'un vol de l'aéronef 2, et constitue ainsi potentiellement une « signature » de la phase.
Dans l'étape suivante (a6), les n-uplets
Figure imgf000020_0003
définissant un point récurrent potentiel obtenus sont classifiés par les moyens de traitement de données 31 à la manière de ce qui est fait dans l'étape (aO). Comme avant, une pluralité de méthodes non-supervisées peuvent être mises en œuvre, et de façon préférée la méthode des cartes auto-adaptatives de Kohonen est choisie.
La classification permet de générer une pluralité de cellules selon une carte telle que représentée sur la figure 5a, chacune associée à un sous-ensemble des n-uplets
Figure imgf000020_0004
définissant un point récurrent potentiel.
Cette étape comprend avantageusement, pour chaque cellule générée, le calcul d'une « densité » de la cellule définie comme le nombre de séquences de référence pour lesquelles la cellule comprend au moins un n-uplet
Figure imgf000020_0005
définissant un point récurrent potentiel obtenu (en d'autres termes, on calcule le nombre de points récurrents potentiels par cellule, en ne comptant qu'un point si un vol (i.e. une séquence) comprend plusieurs fois une même phase).
Le nombre affiché sur chaque cellule de la figure 5a est ainsi le nombre de vols projetés dans chaque cellule). La ou les cellules les plus denses sont identifiées (la cellule à 184 vols dans l'exemple de la figure 5a), et sélectionnées. Alternativement, il peut être prévu un seuil minimal de densité de cellule. Dans tous les cas, si la base de n-uplets n'est pas assez vaste pour construire une carte pertiente, il peut être prévu de regrouper certaines classes voisines en « méta-classes », tel que représenté sur la figure 5b, où de construire une carte avec moins de cellules.
Pour au moins une cellule générée (en particulier celles où la densité est la plus élevée, i.e. celles où les points sont vraiment « récurrents »), une signature de la cellule est calculée dans l'étape (a7). Cette signature est une signature d'un type de phase récurrent des vols de l'aéronef.
Une signature s est définie par un n-uplet x1s ... xns; ys de valeurs des paramètres physiques et un n-uplet fars(x1) ... vars(xn); vars(y) de valeurs de variance associée. Le n-uplet x1s ... xns; ys de valeurs est typiquement le « représentant » de la cellule, c'est-à-dire le centre de la cellule au sens de Kohonen, où la moyenne des n-uplets
Figure imgf000021_0001
de la cellule.
La variance est la variance « réelle » des paramètres de la cellule, c'est-à-dire typiquement que où m est le
Figure imgf000021_0002
nombre de n-uplets de la cellule (on note que cette formule est la même pour des variables endogènes y).
Les signatures de phases obtenues sont stockées dans ladite base de données des moyens de stockage de données (32).
Phase d'exécution
Comme expliqué précédemment, la phase d'apprentissage représente un travail préparatoire pour accélérer la phase d'exécution (qui correspond au cœur du présent procédé selon l'invention). La phase d'apprentissage peut alternativement être réalisée « en même temps » que la phase d'exécution. On fera dans la description de cette partie référence à toutes les formules associées décrites précédemment. Cette phase permet de surveiller le moteur 1 en fonctionnement dans un environnement donné pendant un vol défini par une séquence de n- uplets de valeurs des paramètres physiques du
Figure imgf000022_0009
moteur 1 .
Cette phase est illustrée par la figure 2b. Si la phase d'apprentissage a été mise en œuvre précédemment, les modèles et les signatures peuvent être chargés depuis les moyens de stockage de données 32, comme illustré sur cette figure. L'étape (a), déjà évoqué, voit la réception des n-uplets
Figure imgf000022_0001
à traiter. Cette étape comprend la séparation des valeurs
Figure imgf000022_0002
des paramètres exogènes et des valeurs des
Figure imgf000022_0003
paramètres endogènes (par exemple grâce à une liste).
Dans une étape (b), pour chaque point de la séquence une valeur de chaque paramètre endogène est calculée pour les valeurs
Figure imgf000022_0004
des paramètres exogène en fonction d'un modèle de régression associé à un sous-ensemble dudit ensemble de séquences de référence de n-uplets
Figure imgf000022_0005
(en l'espèce le modèle associé à une classe exogène, déterminé le cas échéant dans la phase d'apprentissage). Pour cela, l'étape (b) comprend une étape préalable (bO) de détermination d'une classe exogène du n-uplet en fonction des valeurs des paramètres
Figure imgf000022_0006
exogènes dudit n-uplet, parmi une pluralité de classes exogènes chacune définie par les valeurs des paramètres exogènes d'un
Figure imgf000022_0007
sous-ensemble dudit ensemble de séquences de référence de n-uplets
En l'espèce, la classe exogène du n-uplet est
Figure imgf000022_0008
typiquement celle dont il est le plus proche (selon ses paramètres exogènes).
Pour cela, cette détermination se fait par exemple par projection dudit n-uplet dans les classes exogènes de sorte à identifier la classe exogène la plus proche selon un critère de distance (méthode classique dans laquelle les moyens de traitement de données 31 calculent pour chaque classe exogène une distance (selon un critère de distance donné) entre la classe et une restriction x exec ... xn exec aux paramètres exogènes dudit n-uplet, et la classe j pour laquelle la distance est la plus courte est choisie)
Une fois la classe exogène j déterminée, le calcul se fait comme expliqué précédemment en calculant tout d'abord une valeur estimée estimée
Figure imgf000023_0001
du paramètre endogène par la formule
Figure imgf000023_0002
Le résidu associé est alors calculé :
Figure imgf000023_0013
Figure imgf000023_0003
Enfin, la valeur normalisée est obtenue directement par la formule
Figure imgf000023_0004
On obtient alors une séquence de n-uplets normalisés
Figure imgf000023_0005
V pour lesquels l'influence du contexte a été supprimée.
Dans l'étape (c), les phases stabilisées sont identifiées à partir de l'ensemble de signatures de phases stocké dans ladite base de données des moyens de stockage de données 32.
Comme expliqué, une phase stabilisée correspond à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés
Figure imgf000023_0006
coïncident avec les valeurs du n-uplet
Figure imgf000023_0007
d'une signature à la variance associée près.
Concrètement, si pendant une durée d'au moins le seuil donné, l'écart entre chaque paramètre du n-uplet
Figure imgf000023_0008
normalisé et chaque paramètre correspondant du n-uplet
Figure imgf000023_0009
d'une signature s, à la valeur correspondante
Figure imgf000023_0010
du n- uplet de variance associé à la signature s, alors il s'agit bien d'une phase stabilisée connue, et un point récurrent vol à vol peut être identifié.
Dans l'étape (d), ces points récurrents sont définis comme un n-uplet
Figure imgf000023_0011
de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets correspondant à la
Figure imgf000023_0012
phase stabilisée. Ces points récurrents sont alors transmis à des moyens d'interface 33 pour exploitation (et/ou par exemple stockés sur les moyens de stockage 32), par exemple détermination d'étapes de maintenance à prévoir, en utilisant des modèles connus.
II est à noter que la séquence reçue de n-uplets
Figure imgf000024_0005
peut alors être ajoutée audit ensemble de séquences de référence de n- uplets (pour renforcer la base d'apprentissage et affiner
Figure imgf000024_0006
les modèles). Equipement et système
L'équipement 3 (représenté sur la figure 1 ) pour la mise en œuvre du procédé qui vient d'être décrit (surveillance d'un moteur 1 d'aéronef 2 en fonctionnement dans un environnement donné) comprend des moyens de traitement de données 31 , des moyens de stockage de données 32, et de moyens d'interface 33.
Les moyens de stockage de données 32 stockent dans une base de données :
o L'ensemble de séquences de référence de n-uplets de valeurs de paramètres physiques relatifs
Figure imgf000024_0001
audit moteur 1 d'aéronef 2, et
o L'ensemble de signatures de phases, chaque signature étant définie par un n-uplet
Figure imgf000024_0002
de valeurs des paramètres physiques et un n-uplet
Figure imgf000024_0003
de valeurs de variance associée,
Les moyens de traitement de données 31 sont configurés pour mettre en œuvre :
- Un module de réception d'une séquence de n-uplets
Figure imgf000024_0004
de valeurs des paramètres physiques relatifs audit moteur 1 d'aéronef 2, lesdites valeurs étant mesurées au cours du temps par des capteurs 20 de sorte que chaque n-uplet de la séquence définit un point d'un vol dudit aéronef (2) ;
- Un module de calcul, pour chaque n-uplet de la
Figure imgf000025_0001
séquence reçue, en fonction d'un modèle de régression associé à un sous-ensemble dudit ensemble de séquences de référence de n- uplets d'une valeur normalisée du
Figure imgf000025_0002
Figure imgf000025_0003
paramètre endogène par rapport aux paramètres exogènes, de sorte à obtenir une séquence de n-uplets normalisés
Figure imgf000025_0004
- Un module d'identification d'au moins une phase stabilisée dans ladite séquence de n-uplets normalisée à
Figure imgf000025_0005
partir dudit ensemble de signatures de phases, une phase stabilisée correspondant à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés
Figure imgf000025_0006
coïncident avec les valeurs du n-uplet d'une signature à la variance
Figure imgf000025_0007
associée près ;
- Un module de calcul, pour chaque phase stabilisée, de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets
Figure imgf000025_0008
correspondant à la phase stabilisée, de sorte à obtenir un n-uplet
Figure imgf000025_0009
définissant un point récurrent dudit vol de l'aéronef 2 ; et
- Un module de transmission des points récurrents aux moyens d'interface 33.
De façon préférée, les moyens de traitement de données 31 mettent également en œuvre un module de détermination, pour chaque n-uplet xi exec - xn exec > yeXec de la séquence reçue, d'une classe exogène du n- uplet en fonction des valeurs des paramètres exogènes
Figure imgf000025_0010
dudit n-uplet, parmi une pluralité de classes exogènes chacune définie par les valeurs des paramètres exogènes d'un sous-ensemble
Figure imgf000025_0011
dudit ensemble de séquences de référence de n-uplets
Figure imgf000026_0001
Le modèle de régression associé à un sous-ensemble dudit ensemble de séquences de référence de n-uplets
Figure imgf000026_0002
est alors le modèle associé à la classe exogène.
Ce module de détermination peut réaliser la projection dudit n-uplet dans les classes de contextes de sorte à identifier la classe exogène la plus proche selon un critère de distance.
Si l'équipement 3 met également en œuvre la phase d'apprentissage, alors le module de traitement de données 31 est en outre configuré pour mettre en œuvre :
- Un module de classification des séquences de référence de n-uplets de sorte à générer une pluralité de classes
Figure imgf000026_0003
exogènes chacune définie par les valeurs des
Figure imgf000026_0004
paramètres exogènes d'un sous-ensemble dudit ensemble de séquences de référence de n-uplets
Figure imgf000026_0005
- Une module de détermination, pour chaque classe exogène, dudit modèle de régression associé au sous-ensemble dudit ensemble de séquences de référence de n-uplets par une
Figure imgf000026_0006
régression modélisant la valeur y du paramètre endogène en fonction des valeur
Figure imgf000026_0007
des paramètres exogènes à partir de l'ensemble des n-uplets de la classe exogène ;
- Un module de calcul, pour chaque n-uplet de
Figure imgf000026_0008
l'ensemble de séquences de référence, d'une valeur estimée
Figure imgf000026_0009
du paramètre endogène et d'un résidu
Figure imgf000026_0011
associé pour la classe exogène ; du n-uplet
Figure imgf000026_0010
- Un module de calcul, pour chaque n-uplet de
Figure imgf000026_0012
l'ensemble de séquences de référence, de la valeur normalisée du paramètre endogène par rapport aux paramètres
Figure imgf000026_0013
exogènes, de sorte à obtenir un ensemble de séquences de référence de n-uplets normalisés
Figure imgf000027_0001
- Un module d'identification, pour chaque séquence de référence de n- uplets normalisés d'au moins une phase
Figure imgf000027_0002
stabilisée dans ladite séquence de référence de n-uplets normalisée
Figure imgf000027_0003
une phase stabilisée correspondant à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés sont constantes à une variance donnée
Figure imgf000027_0004
près ;
- Un module de calcul, pour chaque phase stabilisée de chaque séquence de référence, de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets
Figure imgf000027_0005
correspondant à la phase stabilisée, de sorte à obtenir un n-uplet définissant un point récurrent potentiel
Figure imgf000027_0006
d'un vol de l'aéronef 2 ;
- Un module de classification des n-uplets
Figure imgf000027_0007
définissant un point récurrent potentiel obtenus de sorte à générer une pluralité de cellules, chacune associée à sous-ensemble des n-uplets
Figure imgf000027_0008
définissant un point récurrent potentiel ;
- Un module de calcul, pour au moins une cellule générée, d'un n-uplet
Figure imgf000027_0009
de valeurs des paramètres physiques et un n-uplet de valeurs de variance associée de sorte
Figure imgf000027_0010
à définir une signature de phase associée à la cellule, et de stockage des signatures de phases dans ladite base de données des moyens de stockage de données 32.
L'équipement 3 s'inscrit comme expliqué de façon préférée dans un système comprenant en outre l'aéronef 2 (préférentiellement militaire) comprenant le moteur 1 et les capteurs 20 mesurant les valeurs paramètres physiques du moteur 1 .
Figure imgf000027_0011
Produit programme d'ordinateur
Selon un quatrième et un cinquième aspects, l'invention concerne un produit programme d'ordinateur comprenant des instructions de code pour l'exécution (sur des moyens de traitement de données 31 , en particulier ceux de l'équipement 3) d'un procédé selon le premier aspect de l'invention de surveillance d'un moteur 1 d'aéronef 2 en fonctionnement dans un environnement donné, ainsi que des moyens de stockage lisibles par un équipement informatique (par exemple les moyens de stockage de données 32 de cet équipement 3) sur lequel on trouve ce produit programme d'ordinateur.

Claims

REVENDICATIONS
1. Procédé de surveillance d'un moteur (1 ) d'aéronef (2) en fonctionnement dans un environnement donné, caractérisé en ce qu'il comprend la mise en œuvre par des moyens de traitement de données (31 ) d'étapes de :
(a) Réception d'une séquence de n-uplets
Figure imgf000029_0001
de valeurs de paramètres physiques relatifs audit moteur (1 ) d'aéronef (2), dont au moins un paramètre endogène propre au fonctionnement du moteur (1 ) et au moins un paramètre exogène propre audit environnement, lesdites valeurs étant mesurées au cours du temps par des capteurs (20) de sorte que chaque n-uplet de la séquence définit un point d'un vol dudit aéronef (2), un ensemble de séquences de référence de n-uplets (x1i - Xni;yi)i∈[1,p] de valeurs desdits paramètres physiques étant stocké dans une base de données stockée sur des moyens de stockage de données (32) ;
(b) Pour chaque n-uplet
Figure imgf000029_0002
de la séquence reçue, calcul en fonction d'un modèle de régression associé à un sous- ensemble dudit ensemble de séquences de référence de n-uplets ( d'une valeur normalisée du paramètre
Figure imgf000029_0009
Figure imgf000029_0003
endogène par rapport aux paramètres exogènes, de sorte à obtenir une séquence de n-uplets normalisés · '
Figure imgf000029_0004
(c) Identification d'au moins une phase stabilisée dans ladite séquence
Figure imgf000029_0005
de n-uplets normalisée
Figure imgf000029_0006
à partir d'un ensemble de signatures de phases stocké dans ladite base de données des moyens de stockage de données (32), chaque signature étant définie par un n-uplet
Figure imgf000029_0007
de valeurs des paramètres physiques et un n-uplet de
Figure imgf000029_0008
valeurs de variance associée, une phase stabilisée correspondant à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés
Figure imgf000030_0001
coïncident avec les valeurs du n-uplet
Figure imgf000030_0002
d'une signature à la variance associée près ; (d) Pour chaque phase stabilisée, calcul de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets correspondant à la phase stabilisée, de
Figure imgf000030_0003
sorte à obtenir un n-uplet
Figure imgf000030_0004
définissant un point récurrent dudit vol de l'aéronef (2), et transmission à des moyens d'interface (33).
2. Procédé selon la revendication 1 , dans lequel l'étape (a) comprend la séparation des valeurs
Figure imgf000030_0005
des paramètres exogènes et des valeurs (yexec) des paramètres endogènes.
3. Procédé selon l'une des revendications 1 et 2, dans lequel l'étape (b) comprend, pour chaque n-uplet de
Figure imgf000030_0006
la séquence reçue, une étape préalable (bO) de détermination d'une classe exogène du n-uplet en fonction des valeurs
Figure imgf000030_0007
des paramètres exogènes dudit n-uplet, parmi une pluralité de classes exogènes chacune définie par les valeurs
Figure imgf000030_0008
des paramètres exogènes d'un sous-ensemble dudit ensemble de séquences de référence de n-uplets (x1i - Xni;yi)i∈[1,p]
4. Procédé selon la revendication 3, dans lequel l'étape (bO) comprend la projection dudit n-uplet dans les classes de contextes de sorte à identifier la classe exogène la plus proche selon un critère de distance.
5. Procédé selon l'une des revendications 3 et 4, dans lequel le modèle de régression utilisé à l'étape (b) pour un n-uplet
Figure imgf000031_0013
de la séquence reçue est le modèle associé à la classe exogène déterminée pour ledit n-uplet
Figure imgf000031_0012
6. Procédé selon la revendication 5, comprenant une phase préalable de traitement dudit ensemble de séquences de référence de n-uplets (x1i - Xni;yi)i∈[1,p] de la base de données, comprenant la mise en œuvre par des moyens de traitement de données (31 ) d'étapes de : (aO) classification des séquences de référence de n-uplets de sorte à générer ladite pluralité de classes
Figure imgf000031_0001
exogènes ;
(a1 ) pour chaque classe exogène, détermination dudit modèle de régression associé au sous-ensemble dudit ensemble de séquences de référence de n-uplets par une régression
Figure imgf000031_0002
modélisant la valeur y du paramètre endogène en fonction des valeurs x1 ... xn des paramètres exogènes à partir de l'ensemble des n-uplets de la classe exogène ;
(a2) pour chaque n-uplet de l'ensemble de séquences
Figure imgf000031_0003
de référence, calcul pour la classe exogène (y) du n-uplet d'une valeur estimée du paramètre endogène
Figure imgf000031_0004
Figure imgf000031_0005
et d'un résidu associé ;
Figure imgf000031_0006
(a3) Pour chaque n-uplet de l'ensemble de séquences
Figure imgf000031_0007
de référence, calcul de la valeur normalisée du paramètre
Figure imgf000031_0008
endogène par rapport aux paramètres exogènes, de sorte à obtenir un ensemble de séquences de référence de n-uplets normalisés
Figure imgf000031_0009
(a4) pour chaque séquence de référence de n-uplets normalisés
Figure imgf000031_0010
identification d'au moins une phase stabilisée dans ladite séquence de référence de n-uplets normalisée une phase stabilisée correspondant à une
Figure imgf000031_0011
partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés sont constantes à une variance donnée près ;
Figure imgf000032_0001
(a5) pour chaque phase stabilisée de chaque séquence de référence, calcul de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets correspondant à
Figure imgf000032_0002
la phase stabilisée, de sorte à obtenir un n-uplet
Figure imgf000032_0003
définissant un point récurrent potentiel d'un vol de l'aéronef (2) ;
(a6) classification des n-uplets définissant un point récurrent
Figure imgf000032_0004
potentiel obtenus de sorte à générer une pluralité de cellules, chacune associée à un sous-ensemble des n-uplets
Figure imgf000032_0005
définissant un point récurrent potentiel ;
(a7) pour au moins une cellule générée, calcul d'un n-uplet
Figure imgf000032_0006
de valeurs des paramètres physiques et un n-uplet
Figure imgf000032_0007
de valeurs de variance associée de sorte à définir une signature de phase associée à la cellule, et stockage des signatures de phases dans ladite base de données des moyens de stockage de données (32).
7. Procédé selon la revendication 6, dans laquelle la classification des étapes (aO) et (a6) est mise en œuvre conformément à une méthode non-supervisée choisie parmi l'algorithme des k-moyennes, la méthode des cartes auto-adaptatives de Kohonen et la classification ascendante hiérarchique (CAH).
8. Procédé selon l'une des revendications 6 et 7, dans laquelle l'étape (a6) comprend, pour chaque cellule générée, le calcul d'une densité de la cellule définie comme le nombre de séquences de référence pour lesquelles la cellule comprend au moins un n-uplet
Figure imgf000032_0008
définissant un point récurrent potentiel obtenu, l'étape (a7) étant mise en œuvre pour les cellules présentant la densité la plus élevée.
9. Procédé selon l'une des revendications 1 à 8, dans laquelle chaque paramètre endogène est choisi parmi une pression en sortie d'un booster du moteur (1 ), une pression statique en entrée d'une chambre de combustion du moteur (1 ), une température en sortie du booster du moteur (1 ), une température des gaz d'échappement du moteur (1 ), un débit massique de carburant en entrée d'un compresseur Haute- Pression du moteur (1 ), et un régime de rotation Haute-Pression en entrée du compresseur Haute-Pression du moteur (1 ).
10. Procédé selon l'une des revendications 1 à 9, dans laquelle chaque paramètre exogène est choisi parmi une altitude, une température en entrée d'une soufflante du moteur (1 ), et un régime de rotation basse pression en entrée de la soufflante du moteur (1 ).
11. Procédé selon l'une des revendications 1 à 10, comprenant l'ajout de la séquence reçue de n-uplets
Figure imgf000033_0001
audit ensemble de séquences de référence de n-uplets
Figure imgf000033_0002
12. Equipement (3) de surveillance d'un moteur (1 ) d'aéronef (2) en fonctionnement dans un environnement donné, comprenant :
- des moyens de traitement de données (31 ),
- des moyens de stockage de données (32) stockant dans une base de données :
o un ensemble de séquences de référence de n-uplets de valeurs de paramètres physiques relatifs
Figure imgf000033_0003
audit moteur (1 ) d'aéronef (2), dont au moins un paramètre endogène propre au fonctionnement du moteur (1 ) et au moins un paramètre exogène propre audit environnement, et o un ensemble de signatures de phases, chaque signature étant définie par un n-uplet de valeurs des paramètres
Figure imgf000033_0004
physiques et un n-uplet de
Figure imgf000034_0002
valeurs de variance associée,
- des moyens d'interface (33),
l'équipement (3) étant caractérisé en ce que les moyens de traitement de données (31 ) sont configurés pour mettre en œuvre :
- Un module de réception d'une séquence de n-uplets de valeurs des paramètres physiques relatifs
Figure imgf000034_0001
audit moteur (1 ) d'aéronef (2), lesdites valeurs étant mesurées au cours du temps par des capteurs (20) de sorte que chaque n-uplet de la séquence définit un point d'un vol dudit aéronef (2) ;
- Un module de calcul, pour chaque n-uplet de
Figure imgf000034_0003
la séquence reçue, en fonction d'un modèle de régression associé à un sous-ensemble dudit ensemble de séquences de référence de n- uplets d'une valeur normalisée du
Figure imgf000034_0004
Figure imgf000034_0005
paramètre endogène par rapport aux paramètres exogènes, de sorte à obtenir une séquence de n-uplets normalisés
Figure imgf000034_0006
- Un module d'identification d'au moins une phase stabilisée dans ladite séquence de n-uplets normalisée
Figure imgf000034_0007
à partir dudit ensemble de signatures de phases, une phase stabilisée correspondant à une partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés coïncident avec
Figure imgf000034_0008
les valeurs du n-uplet d'une signature à la variance
Figure imgf000034_0009
associée près ;
- Un module de calcul, pour chaque phase stabilisée, de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets
Figure imgf000034_0010
correspondant à la phase stabilisée, de sorte à obtenir un n-uplet définissant un
Figure imgf000034_0011
point récurrent dudit vol de l'aéronef (2) ; et - Un module de transmission des points récurrents aux moyens d'interface (33).
13. Equipement selon la revendication 12, dans lequel le module de traitement de données (31 ) est en outre configuré pour mettre en œuvre :
- Un module de classification des séquences de référence de n-uplets de sorte à générer une pluralité de classes
Figure imgf000035_0001
exogènes chacune définie par les valeurs
Figure imgf000035_0002
des paramètres exogènes d'un sous-ensemble dudit ensemble de séquences de référence de n-uplets
Figure imgf000035_0003
- Une module de détermination, pour chaque classe exogène, dudit modèle de régression associé au sous-ensemble dudit ensemble de séquences de référence de n-uplets par une
Figure imgf000035_0004
régression modélisant la valeur y du paramètre endogène en fonction des valeur x1 ... xn des paramètres exogènes à partir de l'ensemble des n-uplets de la classe exogène ;
- Un module de calcul, pour chaque n-uplet
Figure imgf000035_0005
de l'ensemble de séquences de référence, d'une valeur estimée du
Figure imgf000035_0006
paramètre endogène et d'un résidu
Figure imgf000035_0007
associé pour la classe exogène (y) du n-uplet
Figure imgf000035_0008
- Un module de calcul, pour chaque n-uplet de
Figure imgf000035_0009
l'ensemble de séquences de référence, de la valeur normalisée du paramètre endogène par rapport aux paramètres
Figure imgf000035_0010
exogènes, de sorte à obtenir un ensemble de séquences de référence de n-uplets normalisés
Figure imgf000035_0011
- Un module d'identification, pour chaque séquence de référence de n- uplets normalisés d'au moins une phase
Figure imgf000035_0012
stabilisée dans ladite séquence de référence de n-uplets normalisée une phase stabilisée correspondant à une
Figure imgf000035_0013
partie de ladite séquence représentative d'un temps de vol supérieur à un seuil donné et dans laquelle les valeurs des n-uplets normalisés sont constantes à une variance donnée
Figure imgf000036_0001
près ;
Un module de calcul, pour chaque phase stabilisée de chaque séquence de référence, de valeurs moyennes des paramètres physiques sur la partie de la séquence de n-uplets correspondant à la phase stabilisée, de sorte
Figure imgf000036_0002
à obtenir un n-uplet
Figure imgf000036_0003
définissant un point récurrent potentiel d'un vol de l'aéronef (2) ;
Un module de classification des n-uplets définissant un
Figure imgf000036_0004
point récurrent potentiel obtenu de sorte à générer une pluralité de cellules, chacune associée à un sous-ensemble des n-uplets définissant un point récurrent potentiel ;
Figure imgf000036_0005
Un module de calcul, pour au moins une cellule générée, d'un n-uplet
Figure imgf000036_0006
de valeurs des paramètres physiques et un n-uplet
Figure imgf000036_0007
de valeurs de variance associée de sorte à définir une signature de phase associée à la cellule, et de stockage des signatures de phases dans ladite base de données des moyens de stockage de données (32).
PCT/FR2015/053050 2014-11-10 2015-11-10 Procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné WO2016075409A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/525,574 US10486833B2 (en) 2014-11-10 2015-11-10 Method for monitoring an aircraft engine operating in a given environment
GB1709066.3A GB2558017B (en) 2014-11-10 2015-11-10 Method for monitoring an aircraft engine operating in a given environment

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1460853 2014-11-10
FR1460853A FR3028331B1 (fr) 2014-11-10 2014-11-10 Procede de surveillance d'un moteur d'aeronef en fonctionnement dans un environnement donne

Publications (1)

Publication Number Publication Date
WO2016075409A1 true WO2016075409A1 (fr) 2016-05-19

Family

ID=53483851

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2015/053050 WO2016075409A1 (fr) 2014-11-10 2015-11-10 Procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné

Country Status (4)

Country Link
US (1) US10486833B2 (fr)
FR (1) FR3028331B1 (fr)
GB (1) GB2558017B (fr)
WO (1) WO2016075409A1 (fr)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3074590B1 (fr) * 2017-12-04 2023-03-17 Soc Air France Methode de prediction d'une anomalie de fonctionnement d'un ou plusieurs equipements d'un ensemble
US11267587B2 (en) * 2019-06-10 2022-03-08 The Boeing Company Methods and systems for an ad hoc network sensor system
FR3101669B1 (fr) 2019-10-07 2022-04-08 Safran Dispositif, procédé et programme d’ordinateur de suivi de moteur d’aéronef
IT202000004573A1 (it) 2020-03-04 2021-09-04 Nuovo Pignone Tecnologie Srl Modello di rischio ibrido per l'ottimizzazione della manutenzione e sistema per l'esecuzione di tale metodo.
FR3111200B1 (fr) * 2020-06-08 2022-07-08 Airbus Helicopters Procédé et système de contrôle d’un niveau d’endommagement d’au moins une pièce d’aéronef, aéronef associé.
CN111907730B (zh) * 2020-07-31 2021-12-10 西安电子科技大学 一种实时在线的无人机多故障异常检测方法及设备
CN111829425B (zh) * 2020-08-06 2022-05-24 厦门航空有限公司 民机前缘位置传感器的健康监测方法及系统
FR3133885A1 (fr) 2022-03-28 2023-09-29 Safran Procédé de surveillance de l’état de santé de turbomachine d’aéronef

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1630633A2 (fr) * 2004-08-26 2006-03-01 United Technologies Corporation Système de surveillance d'une turbine à gaz
FR2939928A1 (fr) 2008-12-15 2010-06-18 Snecma Standardisation de donnees utilisees pour la surveillance d'un moteur d'aeronef
FR2971595A1 (fr) 2011-02-15 2012-08-17 Snecma Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4215412A (en) * 1978-07-13 1980-07-29 The Boeing Company Real time performance monitoring of gas turbine engines
US4729102A (en) * 1984-10-24 1988-03-01 Sundstrand Data Control, Inc. Aircraft data acquisition and recording system
US6236955B1 (en) * 1998-07-31 2001-05-22 Gary J. Summers Management training simulation method and system
US7440906B1 (en) * 2001-09-04 2008-10-21 Accenture Global Services Gmbh Identification, categorization, and integration of unplanned maintenance, repair and overhaul work on mechanical equipment
JP2006501579A (ja) * 2002-10-01 2006-01-12 ターゲット・ディスカバリー・インコーポレイテッド 仮想モデルの分析のための人工知能
US7005986B2 (en) * 2003-08-19 2006-02-28 Kardios Corporation Remote temperature monitoring apparatus
US20150235143A1 (en) * 2003-12-30 2015-08-20 Kantrack Llc Transfer Learning For Predictive Model Development
US7487029B2 (en) * 2004-05-21 2009-02-03 Pratt & Whitney Canada Method of monitoring gas turbine engine operation
FR2965915B1 (fr) * 2010-10-11 2013-08-02 Snecma Systeme de surveillance d'un banc d'essai de moteur d'aeronef
US8775341B1 (en) * 2010-10-26 2014-07-08 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US8689173B2 (en) * 2011-01-21 2014-04-01 International Business Machines Corporation Detecting design patterns in models by utilizing transformation language
US9916538B2 (en) * 2012-09-15 2018-03-13 Z Advanced Computing, Inc. Method and system for feature detection
US9958867B2 (en) * 2012-01-13 2018-05-01 Borealis Technical Limited Monitoring and control system for enhancing ground movement safety in aircraft equipped with non-engine drive means
US9466024B2 (en) * 2013-03-15 2016-10-11 Northrop Grumman Systems Corporation Learning health systems and methods
FR3006785B1 (fr) * 2013-06-10 2015-07-03 Snecma Procedes de creation d'une base de donnees et d'elaboration d'une carte d'etats de fonctionnement de moteurs d'aeronefs, et un procede de surveillance du fonctionnement d'un moteur d'aeronef associe
WO2014201455A1 (fr) * 2013-06-14 2014-12-18 Larimore Wallace E Procédé et système d'identification de modèle dynamique de surveillance et de commande de machines dynamiques à structure variable ou à conditions de mise en œuvre variables
FR3026785B1 (fr) * 2014-10-06 2019-08-02 Safran Aircraft Engines Surveillance d'un ensemble du systeme propulsif d'un aeronef

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1630633A2 (fr) * 2004-08-26 2006-03-01 United Technologies Corporation Système de surveillance d'une turbine à gaz
FR2939928A1 (fr) 2008-12-15 2010-06-18 Snecma Standardisation de donnees utilisees pour la surveillance d'un moteur d'aeronef
FR2971595A1 (fr) 2011-02-15 2012-08-17 Snecma Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance

Also Published As

Publication number Publication date
GB201709066D0 (en) 2017-07-19
GB2558017B (en) 2020-12-16
GB2558017A (en) 2018-07-04
FR3028331B1 (fr) 2016-12-30
US10486833B2 (en) 2019-11-26
FR3028331A1 (fr) 2016-05-13
US20180170580A1 (en) 2018-06-21

Similar Documents

Publication Publication Date Title
WO2016075409A1 (fr) Procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné
EP2376988B1 (fr) Standardisation de données utilisées pour la surveillance d'un moteur d'aéronef.
WO2010061136A1 (fr) Detection d'anomalie dans un moteur d'aeronef
EP3871078B1 (fr) Système d'environnement informatique pour la surveillance de moteurs d'aéronefs
EP3039497A1 (fr) Surveillance d'un moteur d'aéronef pour anticiper les opérations de maintenance
FR2939924A1 (fr) Identification de defaillances dans un moteur d'aeronef
EP2912526A2 (fr) Système de surveillance d'un ensemble de composants d'un équipement
FR3046268A1 (fr) Systeme d'exploitation de donnees de vol d'un aeronef
EP3941826A1 (fr) Système et procédé de surveillance d'un moteur d'aéronef
FR3035232A1 (fr) Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe
FR3062733A1 (fr) Procede de surveillance d'un equipement de type actionneur electromecanique
WO2016087770A1 (fr) Procédé de surveillance du fonctionnement d'une turbomachine
FR3010200A1 (fr) Procede et dispositif de normalisation de valeurs de parametres de fonctionnement d'un moteur d'aeronef
EP4042007A1 (fr) Dispositif, procédé et programme d'ordinateur de suivi de moteur d'aéronef
EP4499988A1 (fr) Procédé de surveillance de l'état de santé de turbomachine d'aéronef
EP3066445B1 (fr) Procédé d'essai technique
FR2970796A1 (fr) Procede de traitement de messages de pannes generes dans un appareil a systemes complexes
EP4240952B1 (fr) Procédé de détermination de défaut d'un rendement d'un module d'un turbomoteur d'un aéronef
FR3150290A1 (fr) Procédé et dispositif de suivi d’un état d’un moteur d’un aéronef et programme d’ordinateur associé
FR3076634A1 (fr) Procede d'analyse de symptomes de panne de plateformes, et systeme associe
EP4379576A1 (fr) Procédé de détermination d'une probabilité d apparition d'un dysfonctionnement créant un défaut de performance dans un aéronef
FR3134451A1 (fr) Détection et correction de biais de mesure dans des données mesurées au moyen d’équipements d’essais interchangeables de même type
FR3140185A1 (fr) Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef
WO2020229778A1 (fr) Recalage de modèle dans une turbomachine
FR3149712A1 (fr) Detection d’anomalie dans une piece aeronautique

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: 15808713

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 201709066

Country of ref document: GB

Kind code of ref document: A

Free format text: PCT FILING DATE = 20151110

WWE Wipo information: entry into national phase

Ref document number: 15525574

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 15808713

Country of ref document: EP

Kind code of ref document: A1