Maintenance prédictive pour l’aéronautique : comment ça marche ?

13 Juin 2019
Maintenance Prédictive
L’avènement de la maintenance prédictive, un phénomène de rupture technologique introduit par le développement des data technologies désormais associées au machine learning…

AUSY est de plus en plus impliqué dans un nombre croissant de projets de « maintenance prédictive », principalement pour le secteur aéronautique.

Dans ce domaine, les applications sont nombreuses et concernent essentiellement :

  • les aéronefs ;
  • les équipements au sol ;
  • les moyens et équipements d’engineering et de manufacturing.

Dans tous ces cas, la préoccupation première est simple : éviter les pannes. En ce sens, il est nécessaire d’identifier les possibilités de dysfonctionnements avant qu’ils ne surviennent. La deuxième grande problématique est plus d’ordre économique : il s’agit d’améliorer la performance et le fonctionnement des plateformes ou des équipements.

Les bénéfices principaux de la maintenance prédictive concernent donc à la fois la réduction des coûts d’ingénierie, de manufacturing et d’exploitation, mais aussi un gain éloquent en fiabilisation et en sécurité.

Par exemple, les systèmes actuellement en place pour l'aviation civile permettent d’obtenir des réductions significatives de la consommation de carburant (de l’ordre de -1% à -5%), une augmentation de la fiabilité opérationnelle et de la disponibilité des flottes, et une sécurisation accrue avec l’automatisation des autorisations de vol.

Fondamentalement, un système de maintenance prédictive comporte trois grandes composantes :

  • une solution d’acquisition et de transfert de data ;
  • une infrastructure de type Big Data pour stocker les data et effectuer des calculs de masse, ceci incluant la sécurisation des données et des applications ; 
  • des solutions combinées d’analytics permettant l’analyse fine des data ainsi que la production de prédictions et de recommandations.

AUSY intervient à divers niveaux sur ces trois composantes.

 

Acquisition et Transfert des Data

Première étape indispensable, l’acquisition des données s’opère de deux manières distinctes. Pour les équipements, un réseau de capteurs est associé à une solution de connectivité. Pour les aéronefs, un calculateur spécialisé est couplé à une carte mémoire de grande capacité.

Dans le cas d’équipements fixes ou mobiles, les data sont transmises directement au fur et à mesure de leur acquisition à une plateforme intermédiaire de type IoT Platform. La connectivité passe par des protocoles comme 4G, WiFi ou CPL (Courant Porteur en Ligne), ou bien par des réseaux classiques (généralement sous TCP/IP) ou spécialisés de très bas débit/faible consommation, de type LPWAN (Low Power Wide Area Network) comme SIGFOX ou LoRa. La 5G et WiFi 6 sont ainsi d’ores et déjà très attendus pour pouvoir monter en gamme en termes de performance et de sécurité.   

Dans le cas des aéronefs, où le dispositif d’acquisition est donc embarqué, les évolutions technologiques récentes permettent une récupération des data qui n’occasionne pas de dépose de composant, comme c’était le cas auparavant.      

Deux types de transferts sont couramment utilisés à ce jour :

  • en temps réel (en vol), via une liaison Satcom par exemple, ce qui implique une limitation dans le volume de data transmissible. On ne transmettra que des échantillons ou des données partielles ;
  • après chaque vol, via une liaison 4G ou Wifi, avec transmission de la totalité des data acquises.  

Dans la plupart des solutions mises en œuvre, des opérateurs sont équipés de tablettes utilisables en (relative) proximité des appareils pour déclencher le transfert à distance. Les data sont soit rapatriées dans des box intermédiaires sécurisées, soit transmises directement au système de chargement et de stockage des data. Le plus souvent un mode déconnecté est disponible pour permettre de réaliser ces opérations en différé.

Depuis quelques années, les équipements d’acquisition sont fortement montés en puissance, permettant la mesure d’un nombre de plus en plus élevé de paramètres.

Le boîtier FOMAX (Flight Operation and MAintenance eXchanger), développé par Rockwell Collins et disponible depuis 2018, est aujourd’hui le plus performant du marché. Il gère l’acquisition et l’envoi massifs de data avions et permet d’enregistrer jusqu’à 30 giga octets par vol (au rythme maximum de 10 giga octets par heure). Il comporte un super routeur connecté à un dictionnaire des data produites par les systèmes avioniques. Sa fréquence de mesure varie de 1 à 400 hertz, ce qui correspond à du monitoring en quasi temps réel. La sécurisation est assurée avec une isolation des différentes interfaces et des différentes couches logicielles, et un chiffrage des données avant envoi.

FOMAX a été conçu pour équiper les nouvelles générations d’avions qui fournissent nativement un grand nombre de paramètres, mais il est aussi adaptable sur d’anciennes conceptions.

Depuis 2017, il est progressivement installé, en mode retrofit, sur les A320 et les A440 pour amplifier le nombre de paramètres suivis, et les résultats sont impressionnants. On passe respectivement de 400 à 24 000 et de 1 500 à 40 000 paramètres. Les chiffres des nouvelles générations sont encore plus importants : 350 000 paramètres pour l’A380 et jusqu’à 800 000 paramètres pour l’A350.

 

Infrastructure Big Data

Considérant le volume important de data traitées et manipulées par les systèmes de maintenance prédictive, ceux-ci doivent s’appuyer sur une infrastructure robuste et scalable, sachant que toutes les implémentations existantes sont basées sur des architectures de type Big Data. On y retrouve les trois fonctions principales : intégration, stockage et calcul, le tout en haute performance et dans un environnement le plus sécurisé possible.

A ce niveau toutes les options sont sur la table et on ne dégage pas vraiment de grande tendance en termes de choix d’architecture. On retrouve donc des implémentations basées sur des Clouds Publics et Privés.

Lorsque l’open source est privilégié, le tandem Hadoop/Spark s’impose. Hadoop est désormais quasi-systématiquement associé à Spark pour accélérer les calculs distribués, Spark étant sans conteste le framework le plus puissant en la matière à ce jour. Le stockage est assuré sur une base de type NoSQL (not only SQL), notamment MongoDB que l’on retrouve dans plusieurs systèmes actuellement en service. Pour l’intégration des données, Talend se distingue pour fournir des solutions éprouvées et performantes.

Comme alternative de large ampleur aujourd’hui éprouvée, on citera Amazon AWS avec trois services clé :   

  • S3 – Simple Storage Service, pour le chargement et le stockage des data ;
  • EC2 – Elastic Compute Cloud pour dimensionner et configurer dynamiquement la capacité de calcul. Il permet de construire des machines et d’exécuter des applications simplement. En particulier, le démarrage d’instances de serveurs est possible en quelques minutes, et les capacités peuvent être augmentées ou diminuées en fonction des besoins de calcul ;
  • AWS Lambda – Service de calcul sans serveur, avec dimensionnement de la capacité et mise à l’échelle automatiques. Il permet le déclenchement de tâches par des événements.

Ensuite, depuis quelques années sont apparues des solutions particulièrement intéressantes pour gérer des data issues de mesures répétitives, on les appelle les Time Series Databases. Ce sont des SGBD (Système de Gestion de Base de Données) spécialisés pour des data orientées séries chronologiques (time series) avec des performances optimisées. Ils permettent le chargement et l’interrogation rapides de ce type de données avec une haute disponibilité. Ils sont équipés avec des fonctions temporelles pour effectuer des requêtes sur des structures de données composées de séries de mesures et de valeurs.      

La plus connue de ces solutions est Influx DB dont la première version date de 2013. Elle est développée en open source sous licence du MIT (Massachusset Institute of Technology).

 

Analytics

Pour être efficace, un système de maintenance prédictive s’appuie sur trois grands ensembles de données à partir desquels on pourra produire les analyses :  

  • des données descriptives de toutes les pièces, composants, sous-systèmes et systèmes d’un appareil (aéronef), d’un équipement ou d’un ensemble d’équipements (système sol ou ligne de manufacturing) ;
  • des données historiques des pièces et des composants tout au long de leur cycle de vie ;
  • des données de fonctionnement des appareils et des équipements, dites données d’exploitation. 

Les deux premiers ensembles sont ceux que l’on trouve classiquement dans tout système de maintenance industriel.

La troisième catégorie est celle qui nous intéresse plus spécialement pour transformer de la maintenance classique en maintenance prédictive. Issues de mesures répétitives, ces données ont une structure particulière, ce sont les fameuses time-series. Les time-series sont donc des data ordonnées, organisées en paires de paramètres/valeurs auxquelles on appose un marquage temporel (time stamp). Dans les systèmes les plus avancés la finesse de ce marquage est exprimée en nanosecondes, ce qui permet de travailler sur des acquisitions avec une fréquence de mesure élevée (quasi temps réel). Cette structuration permet directement d’observer comment une valeur a évolué dans le temps, et d’analyser les tendances d’évolutions futures.

En ce qui concerne l’outillage d’analytics, il n’y a pas de recette miracle et les solutions en place sont très spécifiques et adaptées spécialement pour chaque environnement métier et chaque cas d’application.

On peut néanmoins établir une liste des techniques les plus utilisées, sachant bien qu’elles figurent rarement toutes à la fois dans un seul système de maintenance :

  • Les réseaux bayésiens sont des modèles graphiques probabilistes permettant de déterminer la possibilité d’occurrence d’un événement. 
  • Les arbres de pannes ou de défaillances, généralement construits à partir de l’expérience métier, permettent de capitaliser les causes de pannes et de dysfonctionnements connues.
  • Les bases de connaissances (ou systèmes experts) outillées avec des moteurs d’inférences permettent de faire le lien entre des observations et des pièces ou des composants, systèmes ou sous-systèmes.
  • Les réseaux neuronaux permettent in fine de construire des modèles prédictifs.  
  • Les systèmes de data visualisation avancée sont également très efficaces pour visualiser des courbes temporelles, pour observer des écarts et des anomalies, ou pour repérer visuellement des signaux faibles. En particulier dans ce dernier cas, AUSY a mis au point des modèles de représentation de données qui permettent de faire apparaître directement des agrégats de valeurs isolées ou incohérentes.

Avec les techniques de réseaux neuronaux et de deep learning, le point de départ est la construction d’un modèle de fonctionnement « normal ». Il suppose de disposer au préalable d’un grand nombre de data historiques sur le plus grand nombre de cas possibles.

Par normalité de fonctionnement on entend un ensemble de patterns d’évolution des paramètres mesurés dans le temps, constants pour l’ensemble des vols opérés, par exemple pour un aéronef, et ce, sans que l’on ait détecté d’anomalie particulière. Cela peut concerner différents régimes de fonctionnement : décollage, ascension, vol, descente, atterrissage, etc.  

Le modèle de base est élaboré et validé série par série i.e. pour chaque paramètre.

Le modèle de base est ensuite enrichi et complexifié en construisant des matrices de co-occurrences de plusieurs séries pour les paramètres qui présentent des dépendances entre eux (par exemple, pression d’huile et température). Cela permet in fine d’analyser un fonctionnement global. 

Au niveau d’une première phase d’analyse on considère donc comme une anomalie tout écart au fonctionnement normal. Un calcul de distance simple permet d’évaluer l’ampleur de l’écart et donc la gravité potentielle de l’anomalie.

Le délai pour construire un premier modèle et pour générer des algorithmes efficaces est généralement de 2 à 3 mois. Il est important de souligner que chaque modèle est ciblé pour une catégorie de valeurs ou de paramètres bien spécifique et concerne donc un élément précis de l’équipement ou de la plateforme analysée (trains d’atterrissage, rotor, calculateur avionique, etc.).

La seconde étape consiste à produire des modèles explicatifs pour identifier les causes des anomalies ou  des écarts détectés. Là aussi un réseau neuronal peut être mis à contribution pour produire des analyses sur les différents facteurs possibles pour un problème donné.

Par exemple, si la chute de pression intempestive dans une pompe de carburant provoque une légère sous-alimentation d’un moteur, on va d’abord analyser un problème au niveau du moteur pour finalement le corréler à un dysfonctionnement de la pompe.  

La troisième étape est celle qui permet de faire des prédictions et elle consiste à faire jouer le modèle explicatif en comparaison du modèle normal, pour repérer les signes avant-coureurs de panne d’un élément et en déduire la meilleure opportunité d’intervention.

Dans le cas de la pompe et du moteur, si le phénomène s’amplifie ou est présent depuis plusieurs vols, on pourra probablement estimer l’impact réel, le point de rupture et préconiser la réparation ou le changement immédiat de la pompe, même si théoriquement elle est censée fonctionner pendant encore « un certain temps ».      

L’étape ultime est le stockage des prévisions et la réalimentation des modèles pour les améliorer en continu. A ce point les techniques de deep learning  sont tout à fait recommandées puisqu’elles utilisent des réseaux neuronaux capables d’auto-apprentissage (ou apprentissage non supervisé), ce qui, au regard du volume et de la variété des data manipulées, s’avère incontournable.    

Depuis quelques années, les offres de service autour de la maintenance prédictive se multiplient sur le marché de l’aéronautique. Rolls-Royce est probablement l’un des précurseurs avec son Engine Health Management proposée dès le début des années 2010. Aujourd’hui les initiatives et les propositions se multiplient, chez les constructeurs, les systémiers (OEM) et les opérateurs : Airbus avec Skywise, SAFRAN analytics avec BOOST, AirFrance Industries (AFI KLM E&M) avec PROGNOS, mais aussi Michelin qui désormais vend un service de pneus facturés au nombre d’atterrissages.

Cette rupture et ces investissements sont largement justifiés par les résultats d’ores et déjà obtenus. Désormais, la détection d’une défaillance a lieu entre 10 et 20 vols avant que la panne ne soit effective. Or, la réduction drastique des opérations de maintenance non planifiées permet une immobilisation minimale des appareils.

Il faut aussi insister sur la grande fiabilité des prédictions, dans tous les cas médiatisés le défaut trouvé a été confirmé par un diagnostic des fournisseurs (des pièces ou des composants concernés).

Grande efficacité également pour la maintenance curative en cas de panne, un système de maintenance basé sur des modèles prédictifs permet une identification des causes en 5 minutes au lieu de 6 heures par des moyens classiques.

De surcroît, les systèmes mis en service s’avèrent également précieux pour améliorer l’ingénierie et le manufacturing. Ce fût le cas pour l’A350 où un défaut de conception sur un équipement a été réglé en 2 semaines contre 24 mois habituellement. Les coûts de non qualité se voient réduits de 30% et on aboutit à une réduction significative des coûts de production et du temps de développement (20% à 30%).  

Pour les programmes futurs, les prévisions d’Airbus sont encore plus ambitieuses avec une réduction de 50% du temps de cycle et des coûts de développement à partir de 2025-2030.

Reste maintenant l’ambition grandissante de tous les acteurs de la filière, mais surtout des opérateurs : faire voler chaque avion 18 heures par jour, voire plus …

Le Graal ultime de la maintenance prédictive sera atteint quand on sera capable d’émettre des auto-diagnostics en temps réel, avec l’activation d’un système de recherche de signaux faibles pendant les vols. C’est prévu pour 2021 nous dit-on.    

 

Aussi n’hésitez pas à visiter nos pages web dédiées à l’Aéronautique.

Parlons ensemble de vos projets.

contact