Direction de recherche : Bertrand GRANADO,Christophe MARSALA
Co-encadrement : DENOULET Julien, NIKOLAJEVIC Konstanca

Reconnaissance de charges de vol par apprentissage en vue d'augmenter la sécurité des vols et d'améliorer le service de maintenance prédictive

Dans l’industrie aéronautique, l’entretien des appareils est crucial, il doit intervenir au bon moment. Aujourd’hui, dans le cas de la maintenance des hélicoptères, et du suivi de durée de vie de ses composants, une hypothèse d’utilisation sévère est associée à des mesures de cas de vol type, définissant un spectre de vol. Ce spectre et le planning de maintenance correspondant sont définis en utilisant plusieurs paramètres, comme les paramètres de vol décrivant le contexte du vol, et les charges, agissant sur les composants mécaniques, qui sont mesurés durant des vols d'essai de prototypes réalisés lors du développement de l'hélicoptère. Pour assurer la sécurité de l’appareil, le spectre de vol doit couvrir les utilisations les plus sévères de l’hélicoptère ce qui entraine à la fois un conservatisme inutile, pouvant faire changer des composants même lorsqu'ils sont encore opérationnels et une lourdeur d’utilisation.

Cette thèse vise à introduire une approche de maintenance prédictive, basée sur l'usage réel de chaque hélicoptère, où un capteur virtuel produisant une estimation des charges d’hélicoptères permet de déterminer l'endommagement de ses pièces et donc de savoir quand les remplacer. La reconnaissance directe des charges lors d’un vol permettrait d'ajuster les phases de maintenance à l'utilisation de l'hélicoptère.

L’ambition est de réaliser la maintenance des hélicoptères plus proche de la réalité de l'usage des appareils et donc de réduire le conservatisme de la méthode utilisée actuellement.

Cette thèse s'inscrit donc dans un contexte pluridisciplinaire, combinant du traitement du signal, du Machine Learning (ML) et de l'expertise métier. Dans le cadre de ce travail de thèse, une méthodologie d'estimation de charge (DLR) est construite pour l'estimation de charge par hélicoptère en utilisant une décomposition du signal et des algorithmes de ML pour construire des modèles de prédiction à partir de points de vol d'essai de prototypes. La méthodologie est testée et évaluée sur des vols d'essai pour estimer des charges de vol majeures du rotor principale, permettant de calculer l'endommagement de plusieurs composants du rotor principal de l'hélicoptère. Cette première approche montre des résultats intéressants, surtout pour l'estimation du moment mat. L'application sur une charge ayant des évolutions très dynamiques révèle les limites de la méthodologie construite, montrant l'intérêt d'améliorer la méthodologie. Plusieurs méthodes d'améliorations sont investiguées en se concentrant sur certaines parties de la méthodologie : la construction de l'ensemble de données, la méthode de décomposition, la construction du modèle ML. Cette investigation montre deux conclusions principales. Premièrement, certains changements de la méthodologie DLR améliorent l'estimation de la charge. Deuxièmement, cela montre la nécessité d'adapter la méthodologie à la charge étudiée. Enfin, des estimateurs sont construits pour trois charges du rotor principal de deux hélicoptères, et sont appliqués sur des vols opérationnels. Les estimations d'endommagement déduites sont comparées avec le spectre actuel, les endommagements estimés étant bien en dessous du spectre actuel. Ceci montre le réel intérêt de considérer l'usage de l'hélicoptère impliquant un gain potentiel en durée de vie des composants et tâches de maintenance. Cette méthode pourrait être utilisée pour de la maintenance prédictive permettant de réduire le conservatisme. Finalement, pour les clients, ces avancées amélioreront la sécurité des vols, tout en optimisant potentiellement les intervalles d'inspection des composants.

Soutenance : 03/10/2024

Membres du jury :

Louise TRAVÉ-MASSUYÈS, Directrice de recherche, LAAS-CNRS [Rapporteur]
Paul HONEINE, Professeur, LITIS & Université de Rouen Normandie [Rapporteur]
Jean-Yves TOURNERET, Professeur, IRIT ENSEEIHT
Nicolas LABROCHE, Professeur, Université de Tours
Bertrand GRANADO, Professeur, Sorbonne Université
Christophe MARSALA, Professeur, Sorbonne Université
Julien DENOULET, Maître de Conférences, Sorbonne Université
Konstanca NIKOLAJEVIC, Docteure, Airbus Helicopters
Jérémy JOUVE, Ingénieur, Airbus Helicopters
Yan SKLADANEK, Docteur, Airbus Helicopters

Publications 2021-2024

• 2024
  • C. Del cistia‑Gallimard : “Flight loads recognition using machine learning in order to increase flight safety and improve maintenance predictive service”, soutenance de thèse, soutenance 03/10/2024, direction de recherche Granado, Bertrand Marsala, Christophe, co-encadrement : Denoulet, Julien, Nikolajevic, Konstanca (2024)
  • C. Del cistia Gallimard, K. Nikolajevic, F. Beroul, J. Denoulet, B. Granado, Ch. Marsala : “Direct Load Recognition Application to Main Rotor Pitch-Link Load on the H175 Fleet: A New Wavelet Approach”, Vertical Flight Society, Montréal (Québec), Canada (2024)
• 2023
  • C. Del cistia Gallimard, K. Nikolajevic, F. Beroul, J. Denoulet, B. Granado, Ch. Marsala : “Direct Load Recognition to Estimate the Damper Load on the H175 Fleet”, European Rotorcraft Forum, Bückeburg, Germany (2023)
  • J. Jouve, C. Del cistia Gallimard, K. Nikolajevic, H. Morel : “Estimation of confidence margins for Direct Load Recognition (DLR) using supervised and unsupervised machine learning”, Vertical Flight Society, West Palm Beach, Florida, United States (2023)
• 2022
  • C. Del cistia Gallimard, F. Beroul, J. Denoulet, K. Nikolajevic, A. Pinna, B. Granado, Ch. Marsala : “Harmonic Decomposition to Estimate Periodic Signals using Machine Learning Algorithms: Application to Helicopter Loads”, IEEE World Congress on Computational Intelligence, Padua, Italy (2022)
• 2021
  • C. Del cistia Gallimard, K. Nikolajevic, J. Jouve, F. Beroul : “Direct Load Recognition and Damage Estimation using Supervised Learning”, Vertical Flight Society, Online, United States (2021)