DOMAINE TECHNIQUE

La présente invention concerne le domaine des systèmes de surveillance d'un banc d'essai d'un moteur. Le moteur peut être de tout type et peut être destiné à être monté dans des véhicules terrestres, maritimes ou aérospatiaux. L'enseignement de la présente invention se réfère à un moteur d'aéronef sans que cet exemple soit limitatif.

ÉTAT DE LA TECHNIQUE ANTÉRIEURE

Les moteurs utilisent des technologies très sophistiquées et sont systématiquement testés sur des bancs d'essai. Lors d'un test sur un banc d'essai, le moteur ou des composants du moteur ainsi que le banc sont surveillés en utilisant un grand nombre de capteurs. Certains tests en phase de développement du moteur peuvent nécessiter l'enregistrement de plus d'un millier de mesures comprenant des mesures de performance à basse fréquence allant jusqu'à 100Hz (par exemple, pressions, températures, jauges, etc.), mesures dynamiques à haute fréquence jusqu'à 50kHz (par exemple, des mesures issues d' accéléromètres , microphones, etc.), ainsi que quelques mesures ou données décrivant la procédure du test.

Actuellement, il existe un système de contrôle appelé MSP « Maîtrise Statistique des Procédés » (SPC Statistic Process Control, en anglais) capable d'enregistrer les mesures de chaque capteur (à des fréquences d'acquisitions différentes) et de présenter en temps réel des graphes de mesures avec des bornes d'alerte ou de sécurité.

Toutefois, ce système de contrôle MSP se contente de recueillir les mesures surveillées et de vérifier qu'elles restent entre deux bornes de sécurité. Ne prenant pas en compte les variations de contexte des mesures, les bornes de sécurité du système de contrôle MSP doivent nécessairement être très larges. Ainsi, il est très difficile pour un tel système de détecter une anomalie de fonctionnement et il se contente de protéger le banc d' essai en déclenchant des alertes en cas de panne très grave.

Cependant, les opérateurs du banc d'essai essayent en général de tester le moteur dans des conditions de fonctionnement extrêmes. Ceci peut présenter des problèmes de sécurité et des risques sérieux d' endommagement du banc qui est très coûteux, ce qui peut entraîner des retards de développement du moteur .

L'objet de la présente invention est de proposer un système de surveillance d' un banc d' essai capable de surveiller avec précision et en toute sécurité le fonctionnement du banc d'essai et du moteur ou d'un composant du moteur en essai.

EXPOSÉ DE L ' INVENTION

La présente invention est définie par un système de surveillance d'un banc d'essai d'au moins un composant d'un moteur, comportant :

- des moyens d'acquisition pour acquérir à des instants successifs des paquets de signaux temporels correspondants à des mesures de paramètres endogènes et exogènes spécifiques à l'ensemble banc d' essai et composant moteur,

- des moyens de traitement pour construire à chaque instant desdits instants successifs et à partir des paquets de signaux temporels antérieurs audit instant un vecteur indicateur endogène et un vecteur indicateur exogène associé,

- des moyens de traitement pour identifier une classe de contexte pour ledit vecteur indicateur exogène, et

- des moyens de traitement pour calculer en utilisant au moins un détecteur d'anomalie une probabilité de risque dudit vecteur indicateur endogène conditionnée par ladite classe de contexte identifiée pour ledit vecteur indicateur exogène associé afin de diagnostiquer l'état dudit ensemble banc d'essai et composant moteur.

Ainsi, ce système de surveillance est un système auto-adaptatif qui permet de gérer un environnement changeant et multi-contextuel . En effet, le système s'adapte à des configurations changeantes en détectant automatiquement les changements de contextes permettant ainsi au détecteur d'anomalie de faire un diagnostic local des mesures à surveiller en fonction du contexte identifié.

De plus, l'utilisation d'un détecteur d'anomalie sur un banc d'essai permet de le valider avant son utilisation sur par exemple un moteur embarqué. Avantageusement, le système de surveillance comporte :

- des moyens de traitement pour construire lors d'une phase d'apprentissage un ensemble de classes de contextes à partir d'une suite de vecteurs indicateurs exogènes initiaux, et

- des moyens de traitement pour mettre à jour lors d'une phase d'exécution ledit ensemble de classes de contextes à partir de nouvelles entrées de vecteurs indicateurs exogènes.

Ainsi à partir des données de contexte, le système apprend à faire un classement automatique et non supervisée des contextes permettant d'identifier les différents modes opératoires de l'ensemble banc d'essai et composant moteur. Ceci permet au système de surveillance de gérer toutes les manœuvres aléatoires que l'on fait subir au moteur en essai ou à un composant moteur en essai.

Avantageusement, les moyens de traitement sont configurés pour mettre à jour ledit ensemble de classes de contextes en vérifiant si une nouvelle détection d'un vecteur indicateur exogène appartient à une classe de contexte déjà construite, et en enregistrant le vecteur indicateur exogène de la nouvelle détection dans une base de données si aucune classe de contexte ne correspond à la nouvelle détection jusqu'à ce qu'un nombre adapté de vecteurs indicateurs exogènes similaires soient détectés pour former une nouvelle classe de contexte.

Ainsi, le système réapprend constamment à améliorer le classement non supervisé des contextes pour atteindre au bout d'un certain temps une classification stable et assez robuste.

En outre, les moyens de traitement sont configurés pour mettre à jour ledit ensemble de classes de contextes en vérifiant si des nouvelles détections de vecteurs indicateurs exogènes appartiennent à des classes de contexte déjà construites et en enregistrant au moins une partie desdites nouvelles détections dans les classes de contexte correspondantes.

Ceci permet, par exemple de manière régulière, de réaliser une mise à jour supplémentaire de chaque classe pour tenir compte d'une évolution lente des modes opératoires permettant d'améliorer davantage la surveillance de l'ensemble banc d'essai et le composant moteur.

Avantageusement, les moyens de traitement sont configurés pour identifier la classe de contexte d'un vecteur indicateur exogène en calculant une valeur d'adéquation dudit vecteur indicateur exogène par rapport à chacune des classes de contextes.

La valeur d'adéquation permet de vérifier si des nouvelles détections de vecteurs indicateurs exogènes ressemblent à des vecteurs qui ont déjà servi à l'apprentissage. Ainsi, la valeur d'adéquation est une indication crédible et quantifiable de l'appartenance d'un vecteur indicateur exogène à une classe de contexte et dont la fiabilité augmente rapidement avec le temps. En conséquence, lorsque la valeur d'adéquation devient assez élevée, le système de surveillance peut commencer à réaliser des diagnostics précis et pertinents. Selon un aspect de la présente invention, les moyens de traitement sont configurés pour construire ledit ensemble de classes de contextes en utilisant un critère de maximisation de vraisemblance.

Ce critère itératif permet d'aboutir assez rapidement à une classification contextuelle précise.

Selon un autre aspect de la présente invention, les moyens de traitement sont configurés pour sélectionner un nombre adapté de classes de contextes selon un critère d'optimisation appliqué sur les vecteurs indicateurs exogènes.

Ceci permet de déterminer le meilleur nombre de classes pour aboutir à une classification optimale des modes opératoires.

Avantageusement, le système de surveillance comporte :

- des mémoires tampons pour buffériser pour chacun des paramètres endogènes ou exogènes au moins un paquet de signaux temporels antérieurs audit instant,

- des moyens de traitements pour lisser chacun desdits paquets de signaux temporels selon au moins une échelle pour former des courbes représentatives desdits paquets,

- des moyens de traitements pour ré- échantillonner lesdites courbes représentatives, et

- des moyens de traitements pour comprimer lesdites courbes ré-échantillonnées permettant de construire ledit vecteur indicateur endogène ou exogène .

Ceci permet de transformer de manière fiable les flux de données issues de l'ensemble banc d'essai et composant moteur en vecteurs indicateurs qui tiennent compte des variations locales et globales des mesures, et permet ainsi de réaliser une classification non supervisée, adaptative, et précise des modes opératoires.

Avantageusement, les moyens de traitements sont configurés pour calculer une valeur de qualité de ladite probabilité de risque.

Ceci permet d' évaluer de manière quantifiable la pertinence de la probabilité de risque.

Selon un premier exemple, le détecteur d'anomalie implémente un modèle de comportement usuel et réalise une mesure (score) de normalité par un calcul de vraisemblance.

Ceci permet de détecter les fonctionnements anormaux du banc d'essai et du moteur.

Selon un deuxième exemple, le détecteur d'anomalie implémente un modèle de détection d' endommagement de roulements.

Ce deuxième détecteur peut travailler en temps différé pour produire, par exemple régulièrement, un diagnostic sur l'usure et 1 ' endommagement des roulements du banc d'essai et du moteur.

Selon un troisième exemple, le détecteur d'anomalie implémente un modèle de détection d'événements fugaces.

Ce troisième détecteur permet de détecter l'apparition d'événements vibratoires fugaces dans le banc d'essai et le moteur.

Avantageusement, le système de surveillance comporte des moyens de supervision dans lesquels sont encapsulés lesdits détecteurs d'anomalie, lesdits moyens de supervision étant configurés pour lancer lesdits détecteurs d'anomalie, pour procurer des données d' entrée pour chacun desdits détecteurs d'anomalie, pour recevoir des messages de sortie de chacun desdits détecteurs d'anomalie, et pour gérer des instances correspondant à des choix de paramétrage et de calibrage de chacun desdits détecteurs d'anomalie.

Ceci permet une gestion simple et efficace des différents détecteurs d'anomalies ainsi que des différents moteurs ou composants des moteurs qui peuvent être installés à des moments différents dans le banc d'essai.

L' invention vise également un système de gestion comportant un système de contrôle connecté à un banc d'essai d'un moteur, le système de contrôle étant configuré pour contrôler le banc d'essai et pour enregistrer des données issues du banc d'essai et d'au moins un composant d'un moteur dans des moyens de stockage, le système de gestion comportant en outre un système de surveillance selon l'une quelconque des caractéristiques précédentes, ledit système de surveillance étant connecté au banc d'essai par l'intermédiaire du système de contrôle qui lui transmet lesdites données issues de l'ensemble banc d'essai et composant moteur.

Ceci permet de ne pas perturber le fonctionnement du banc d'essai. Par exemple, le système de contrôle peut être déployé dans un premier ordinateur et le système de surveillance dans un second ordinateur déporté par rapport au premier. 1/ invention vise aussi un procédé de surveillance d'un banc d'essai d'au moins un composant d'un moteur, comportant les étapes suivantes :

- acquérir à des instants successifs des paquets de signaux temporels correspondants à des mesures de paramètres endogènes et exogènes spécifiques à l'ensemble banc d'essai et composant moteur,

- construire à chaque instant desdits instants successifs et à partir des paquets de signaux temporels antérieurs audit instant un vecteur indicateur endogène et un vecteur indicateur exogène associé,

- identifier une classe de contexte pour ledit vecteur indicateur exogène, et

- calculer en utilisant au moins un détecteur d' anomalie une probabilité de risque dudit vecteur indicateur endogène conditionnée par ladite classe de contexte identifiée pour ledit vecteur indicateur exogène associé afin de diagnostiquer l'état dudit ensemble banc d'essai et composant moteur.

L' invention vise également un programme d'ordinateur comportant des instructions de code pour la mise en œuvre du procédé selon la revendication lorsqu'il est exécuté par ordinateur.

BRÈVE DESCRIPTION DES DESSINS

La Fig. 1 illustre de manière schématique un système de surveillance d'un banc d'essai d'au moins un composant d'un moteur, selon l'invention ;

La Fig. 2 est un organigramme selon un mode de réalisation particulier de l' invention illustrant les étapes de construction d' un vecteur indicateur endogène et d'un vecteur indicateur exogène associé ;

La Fig. 3 est un organigramme selon un mode de réalisation particulier de l'invention illustrant les étapes de construction d'un ensemble de classes de contextes ;

La Fig. 4 est un organigramme illustrant les étapes pour sélectionner un nombre optimal de classes de contexte, selon l'invention ;

La Fig. 5 est un organigramme illustrant un exemple d' encapsulâtion de détecteurs d'anomalies dans le système de surveillance, selon l'invention ;

La Fig. 6 illustre de manière schématique 1 ' encapsulâtion de détecteurs d'anomalies dans le système de surveillance, selon l'invention ; et

La Fig. 7 illustre de manière schématique un système de gestion du banc d'essai d'un composant moteur, selon l' invention. EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS

L'idée à la base de l'invention est de proposer un système de surveillance d'un banc d'essai en utilisant des mécanismes de surveillance destinés pour les moteurs d'aéronef embarqués. Ces mécanismes de surveillances (embarqués) sont configurés pour détecter des anomalies en connaissant à l'avance les modes de fonctionnement du moteur.

On notera qu'un moteur embarqué fonctionne toujours de la même façon selon des phases de vol bien définies comportant les phases suivantes : démarrage moteur, taxi, décollage, montée, croisière, approche, atterrissage, reverse, et arrêt moteur. Ainsi, on peut facilement identifier les modes de fonctionnent du moteur par des indicateurs assez simples selon des critères élémentaires tels que le régime moteur, l'altitude, et les attitudes de l'aéronef.

Toutefois, le fonctionnement d'une machine (c'est-à-dire, d'un composant du moteur ou du moteur en entier) sur un banc d'essai peut être très aléatoire. Par souci de brièveté, on utilisera dans la suite l'expression « composant moteur » pour désigner le moteur tout entier ou seulement un composant du moteur.

Les manœuvres que l'on fait subir à un composant moteur installé dans un banc d'essai sont très changeantes, imprévisibles et peuvent comporter des conditions extrêmes. De plus, on est souvent amené à tester de nouveaux matériels. Ainsi, il n'est pas possible de prévoir ou de classifier à l'avance les modes de fonctionnement du banc d'essai et du composant moteur et par conséquent, les mécanismes habituels de surveillance des moteurs d'aéronef embarqués ne peuvent pas fonctionner dans un tel environnement.

Un but de la présente invention est donc de réaliser une classification non supervisée et une identification automatique des contextes dans un environnement composé d'un banc d'essai et d'un composant moteur.

La Fig. 1 illustre de manière schématique un système de surveillance 1 d'un banc d'essai 3 d'au moins un composant 5 d'un moteur d'aéronef, selon l'invention. Ce système 1 comporte des moyens d'acquisition 7 de données et des moyens de traitement 9 de l'information tel un calculateur ou ordinateur pour l'exécution d'un ou de plusieurs programmes d'ordinateur comprenant des instructions de code de programme, stockés dans des moyens de stockage 10 de l'ordinateur et conçus pour mettre en œuvre le système de surveillance de l'ensemble 11 banc d'essai 3 et composant moteur 5.

Le composant moteur 5 est monté dans le banc d'essai 3 et un grand nombre de capteurs 13 (quelques centaines) sont utilisés pour acquérir des mesures sur le banc d'essai 3 et sur le composant moteur 5. Ces mesures sont récupérées sous forme de canaux numériques par des bus ou voies d'acquisitions 15 à des fréquences constantes et sont transmises au système de surveillance 1. Certaines mesures (par exemple, des mesures de vibration) sont enregistrées à haute fréquence (de l'ordre de 50kHz) tandis que d'autres mesures (par exemple, des mesures de pression) sont enregistrées à basse fréquence (environ 1Hz à 100Hz).

Étant donné que le nombre de mesures prélevées sur l'ensemble 11 banc d'essai 3 et composant moteur 5 peut être très élevé (plusieurs centaines), il est avantageux de ne pas traiter toutes les mesures simultanément. Ainsi, on peut subdiviser l'ensemble de mesures en sous-ensembles de mesures relatifs à différents éléments de l'ensemble 11 banc d'essai 3 et composant moteur 5 suivant des critères établis par expertise .

Par exemple, un élément important à surveiller est la ligne d'arbre qui correspond à un couplage mécanique entre le banc d'essai 13 et le moteur 5 sachant que ce dernier est entraîné en rotation par un arbre qui est tourné par le banc 3. Ainsi, selon cet exemple, on sélectionne le sous-ensemble de mesures relatif à la ligne d'arbre qui peut comporter des mesures à basse fréquence (par exemple, vitesses de rotation, pressions, températures, etc.) ainsi que des mesures à haute fréquence (par exemple, accélérations, déplacements) .

Par ailleurs, on notera que les mesures comportent des mesures de paramètres endogènes et exogènes. Un paramètre exogène est un paramètre contextuel qui est représentatif du contexte (c'est-à- dire, mode opératoire ou conditions de fonctionnement) de l'ensemble 11 banc d'essai 3 et composant moteur 5. Par contre, un paramètre endogène est un paramètre observable à suivre et à analyser selon son contexte d'observation pour détecter une éventuelle anomalie. L'identification d'un paramètre endogène ou exogène peut être réalisée suivant des critères établis par expertise.

Selon l'exemple de la ligne d'arbre, les mesures de paramètres exogènes comportent les vitesses de rotation, les pressions d'air en entrée, les températures, etc. En revanche, les mesures de paramètres endogènes comportent les mesures de vibrations, les énergies, les déplacements de l'arbre, les balourds, etc. Bien entendu, une information sur l'énergie ou le balourd n'est pas du tout la même d'un contexte à un autre.

Conformément à l'invention, le système de surveillance 1 est configuré pour transformer les flux de données de mesures de paramètres en provenance de l'ensemble 11 banc d'essai 3 et composant moteur 5 en indicateurs pour identifier les contextes de manière automatique et pour détecter des anomalies en fonction du contexte.

Plus particulièrement, les moyens d'acquisition 7 sont configurés pour acquérir à des instants successifs (par exemple, à des instants réguliers) des paquets de signaux temporels correspondants aux mesures de paramètres endogènes et exogènes spécifiques à l'ensemble 11 banc d'essai 3 et composant moteur 5.

A chaque instant courant parmi les instants successifs, les moyens de traitement 9 sont configurés pour construire un vecteur indicateur endogène et un vecteur indicateur exogène associé à partir des paquets de signaux temporels antérieurs à l'instant courant. La construction d'un vecteur indicateur endogène ou exogène peut être réalisée en comprimant les paquets de signaux temporels, comme exposé plus loin en référence à la Fig. 2. Ainsi, chaque vecteur indicateur (endogène ou exogène) peut être calculé par exemple, de manière périodique, à partir des données du passé.

En outre, les moyens de traitement 9 sont configurés pour identifier une classe de contexte pour le vecteur indicateur exogène construit à l'instant courant .

L'identification d'une classe de contexte peut être réalisée de manière automatique par exemple, en calculant les distances d'un vecteur indicateur exogène à l'instant courant par rapport aux vecteurs indicateurs exogènes construits à des instants antérieurs et en définissant la classe par un nombre déterminé de vecteurs exogènes les plus proches.

En variante, l'identification d'une classe de contexte peut aussi être réalisée de manière automatique et non supervisée mais en analysant l'appartenance du vecteur indicateur exogène courant à une classe parmi un ensemble de classes construit par apprentissage, comme exposé plus loin en référence à la Fig. 3.

Ainsi, les moyens de traitement 9 peuvent utiliser au moins un détecteur d'anomalie (destiné par exemple à un moteur d'aéronef embarqué) pour calculer un score ou une probabilité de risque du vecteur indicateur endogène courant conditionnée par la classe de contexte identifiée pour le vecteur indicateur exogène associé afin de diagnostiquer l'état de l'ensemble 11 banc d'essai 3 et composant moteur 5.

Avantageusement, les moyens de traitements 9 sont configurés aussi pour calculer une valeur de qualité ou de précision de la probabilité de risque qui permet d'évaluer la pertinence du risque.

La Fig. 2 est un organigramme selon un mode de réalisation particulier illustrant les étapes de construction d'un vecteur indicateur endogène et d'un vecteur indicateur exogène associé.

A l'étape El, les moyens de traitement 9 analysent les paquets de signaux temporels correspondants aux mesures de paramètres A, B, G, H reçus à des instants successifs et identifient les mesures de paramètres endogènes A, B, etc. et exogènes G, H, etc. Les mesures de paramètres endogènes sont utilisées pour construire des vecteurs indicateurs endogènes et les mesures de paramètres exogènes sont utilisées pour construire des vecteurs indicateurs exogènes. Par souci de brièveté, le terme « paramètre » est utilisé dans la suite pour désigner indifféremment un « paramètre endogène » ou un « paramètre exogène » et de même, le terme « vecteur indicateur » est utilisé pour désigner indifféremment un « vecteur indicateur endogène » ou un « vecteur indicateur exogène ».

A l'étape E2, les paquets de signaux temporels des différentes mesures de paramètres sont enregistrés dans des mémoires tampons 21a-21h à des fréquences déterminées. Plus particulièrement, les moyens de traitement 9 sont configurés pour buffériser pour chacun des paramètres, au moins un paquet de signaux temporels antérieurs à l'instant courant dans des mémoires tampons 21 de tailles variables.

Ainsi, pour chacun des paramètres A, B, G, H, on définit au moins un intervalle temporel pour enregistrer le signal temporel correspondant. Par exemple, pour le paramètre A, on peut enregistrer le signal temporel correspondant pendant les dix dernières secondes dans une première mémoire tampon 21a et pendant les vingt dernières secondes dans une deuxième mémoire tampon 21b, etc. Autrement dit, pour chaque paramètre, on peut définir plusieurs mémoires tampons de différents et/ou de mêmes tailles.

Selon l'exemple illustré sur la Fig. 2, un premier signal temporel Al et un deuxième signal temporel A2 du paramètre A sont enregistrés dans des première et deuxième mémoires tampon 21a, 21b, etc. De même, des signaux temporels Bl, B2, Gl, G2, Hl, H2 des paramètres B,...,G, H respectivement sont enregistrés dans les mémoires tampons 21c, 21d,...,21h. Autrement dit, pour chaque paramètre, plusieurs paquets de signaux correspondants peuvent être bufférisés dans plusieurs mémoires tampons 21a-21h.

A l'étape E3, les moyens de traitements 9 sont configurés pour lisser chacun des paquets de signaux temporels selon au moins une échelle pour former des courbes représentatives Ail, A21, Hll, H12 de ces paquets. Le lissage est une opération de convolution qui permet de créer une représentation globale ou locale du paquet de signaux temporels selon l'échelle choisie. Un fort lissage illustre l'évolution ou la tendance globale des signaux, tandis qu'un faible lissage détermine le comportement local des signaux.

A l'étape E4, les moyens de traitements sont configurés pour ré-échantillonner les courbes représentatives Ail, A21, Hll, H12 formées à l'étape précédente. En effet, une fois qu'on a une courbe lissée, on peut se contenter de quelques points représentatifs, ce qui correspond à une première compression. Ainsi, au bout de cette étape, les paquets de signaux temporels de chacun des paramètre A,...H sont transformés en une suite de courbes ré-échantillonnées ail, a21,..., h21 qui sont de petites courbes de quelques points (par exemple, de l'ordre d'une dizaine de points ) .

Plus précisément, les étapes précédentes E2 à E4 consistent à définir pour un paquet de signaux temporels x, (c'est-à-dire, Al, ou A2 , ... ou, H2) à un instant courant t d'un paramètre donnée (A, ou B,..., ou H), la taille n d'un mémoire tampon (21a, ...21h) , le taux r d'un ré-échantillonnage, et le rang p d'un filtre polynomial moyen a = [α ₀ , ,, ... , α^] . La courbe ré- échantillonnée Y _t (c'est-à-dire, ail, ou a21, ou h21 à l'issue de ces étapes est définie alors par Y, ^ou y, ^est - ^La convolution de x _t par le filtre a selon la formule suivante : y =a*x =∑a,x,_ _i . A l'étape E5, les moyens de traitements 9 sont configurés pour comprimer les courbes rééchantillonnées ail, a21,..., h21 afin de construire le vecteur indicateur endogène ou exogène. La compression est réalisée individuellement pour chaque courbe ré- échantillonnée Y _t (c'est-à-dire, pour chacune des petites courbes ail, a21,..., h21).

A titre d'exemple, on peut comprimer chaque courbe ré-échant illonnée Y, en utilisant une analyse en composante principale. Une première étape consiste à déterminer une courbe normalisée Y _t = (Y _t - //, ) / σ, en calculant la moyenne μ _ι et la variance a _t de tous les n points de la courbe ré-échantillonnée Y _t . Ensuite, on fait un changement de base en projetant chaque courbe normalisée Y _f sur une base orthonormale de courbes- modèles (ou curve-templates ) {v, , v ₂ , ... , v _/( } , chaque courbe- modèle v _j étant un vecteur de base de taille n. Chaque courbe ré-échantillonnée Y _t peut alors être exprimée par une série de courbes-modèles de la manière suivante :

Dans cette équation, les a , ,...,cc _lk sont les coefficients de projection de la courbe normalisée Y _t sur la base orthonormale et ε, est l'erreur de résidu de la compression quand seulement les k premières courbes-modèles v, à v _k { k≥0) sont utilisés. En effet, l'analyse en composante principale permet de classer les courbes-modèles par ordre d' importance et d'éliminer celles qui ne sont pas importantes ou plus précisément de regrouper celles présentant une très faible variance dans le résidu . Ceci permet d'obtenir l'ensemble optimal de courbe-modèle v _i de taille k qui minimise la norme du résidu )|£·,|| .

La courbe ré-échantillonnée Y _t peut alors être comprimée en remplaçant ces éléments y _: , y _t _ _r , ... , y,^ _n.A)r par une moyenne μ _ι , une variance σ, , et quelques coefficients de compression a, a _{t 2} , .... a, _k qu'on peut représenter par un vecteur de compression

La concaténation de tous les vecteurs de compression y _x ,y ₂ ,... de toutes les courbes ré- échantillonnées ail, a21,..., hl2 forme de manière globale un vecteur indicateur w= Dans la suite, un vecteur indicateur endogène est noté x et un vecteur indicateur exogène est noté û . Le vecteur indicateur endogène x permet alors de réaliser un diagnostic dans le cadre de la classe de contexte identifié par le vecteur indicateur exogène ù .

La ig. 3 est un organigramme selon un mode de réalisation particulier illustrant les étapes de construction d'un ensemble de classes de contextes.

Lors d'une phase de calibration (étape E2 1 ) , les moyens de traitement 9 sont configurés pour construire un ensemble initial de classes de contextes Cl, C2 , CKQ à partir d'une suite d'apprentissage de vecteurs indicateurs exogènes initiaux {ù _lX , û _l2 , ... , .

Cette construction est réalisée de manière non supervisée, c'est-à-dire, sans aucune connaissance à l'avance de noms des classes.

Ensuite, lors d'une phase d'exécution

(étapes E22 - E 2 6 ) , les moyens de traitement 9 sont configurés pour mettre à jour cet ensemble de classes de contextes de manière auto-adaptative à partir de nouvelles entrées de vecteurs indicateurs exogènes.

Plus particulièrement, à l'étape E2 2 les moyens de traitement 9 sont configurés pour vérifier l'appartenance d'une nouvelle détection d'un vecteur indicateur exogène u _n à une classe de contexte déjà construite. Cette vérification est réalisée par exemple, en calculant une valeur d'adéquation du vecteur indicateur exogène û _n par rapport à chacune des classes de contextes et en identifiant la classe qui présente la meilleure adéquation. La notion d'adéquation est décrit dans la publication de J. Lacaille « Validation of health monitoring algorithme for civil aircraft engines , IEEE Aerospace Conférence , Big Sky, MT, 2010 ». La valeur d'adéquation peut être considérée comme la mesure d'une distance entre le vecteur indicateur exogène et une classe de contexte, et permet ainsi de vérifier si le vecteur indicateur exogène de la nouvelle détection ressemble à des vecteurs qui ont déjà servi à l'apprentissage. Si le test à l'étape E22 est positif, on va à l'étape E23, sinon on va à l'étape E25.

L'étape E23 concerne l'identification de la classe de contexte. En effet, si le vecteur indicateur exogène û _n de la nouvelle détection appartient à une classe de contexte déjà construite, alors cette appartenance identifie la classe de contexte et permet de faire des diagnostics à l'étape E24 en utilisant un détecteur d'anomalie. Avantageusement, on enregistre au moins une partie de ces nouvelles détections de vecteurs indicateurs exogènes dans la base de données 10 pour les enregistrer ensuite dans les classes de contexte correspondantes.

En revanche, si aucune classe de contexte existante ne correspond à la nouvelle détection, alors on enregistre à l'étape E25 le vecteur indicateur exogène û _n de la nouvelle détection dans la base de données 10 jusqu'à ce qu'un nombre adapté de vecteurs indicateurs exogènes similaires soient détectés pour former une nouvelle classe de contexte.

A l'étape E26, les vecteurs indicateurs exogènes enregistrés dans la base de données 10 sont utilisés pour mettre à jour les classes de contexte Cl, C2, CK et pour réaliser un réapprentissage de la classification lorsque l'adéquation entre les vecteurs indicateurs exogènes et les classes existantes est faible.

On notera que la construction de l'ensemble de classes de contextes lors des étapes E21 à E26 peut être réalisée en utilisant un critère de maximisation de vraisemblance. Dans ce cas, on prend comme hypothèse que le vecteur indicateur exogène û suit une distribution normale à l'intérieur de chaque classe de contexte, et on peut utiliser un critère de maximisation de type EM (Expectation-Maximisation) qui consiste à identifier un mélange de densités gaussiennes (voir par exemple, le document de Dempster et al., « Maximum likelihood from incomplète data via the EM algorithm Journal of the Royal Statistical society, 39(1) :l-38, 1977) ». La méthode E est un processus itératif qui converge vers un modèle de coefficients de lois gaussiennes identificateurs de classes. Un identificateur de classe permet de calculer l'adéquation entre un vecteur indicateur exogène et la classe et permet donc de déterminer l'appartenance ou la non appartenance d'un vecteur indicateur exogène à une classe existante (voir les étapes E23 et E25) . La méthode EM nécessite par ailleurs, d'être initialisée avec un nombre initial de classes.

La Fig. 4 est un organigramme illustrant les étapes pour sélectionner un nombre optimal de classes dans le cadre d'un critère de maximisation du type EM. A l'étape E31, on fixe un nombre initial K ₀ de classes de contextes.

A l'étape E32, on utilise un mécanisme de classification (par exemple, EM) pour construire des classes de contextes à partir des détections de vecteurs indicateurs exogènes comme illustré sur la Fig. 3.

A l'étape E33, on applique un critère d' optimisation sur les vecteurs indicateurs exogènes pour sélectionner le nombre adapté de classes de contextes. On calcule un coefficient de vraisemblance selon par exemple, un critère de vraisemblance ou critère bayesien d'information de type BIC (Bayesian Information Criterion) . Ce critère correspond ici à une vraisemblance conditionnelle de vecteurs indicateurs exogènes par rapport au nombre de classes. Plus précisément, le critère BIC est défini en fonction de la vraisemblance des vecteurs indicateurs exogènes L(ù _i ... , û _IN ) , du nombre de classes K, et du nombre de détections N selon la formule suivante :

BIC = -2 log(L(û , ... , Û _IN ))+ K log(N) .

La méthode consiste alors à minimiser le coefficient BIC. Ce coefficient diminue lorsque la vraisemblance augmente mais tout en étant pénalisé par le nombre K de classes.

Si le coefficient de vraisemblance n'est pas minimal, alors on augmente le nombre de classes de contexte (étape E34) et on recommence les étapes précédentes en bouclant à l'étape E32.

En revanche, si le coefficient de vraisemblance est minimal, alors on arrête l'apprentissage et on a alors, à l'étape E35, une classification assez robuste. Ce coefficient permet ainsi de déterminer le meilleur nombre de classes pour aboutir à une classification optimale. A titre d'exemple, le nombre K de classes est de l'ordre d'une dizaine et le nombre N de détections est de l'ordre d'une centaine.

Une classification robuste permet de créer- un modèle de loi stochastique de contextes et par conséquent, de diagnostiquer l'état du banc d'essai et du composant moteur avec une grande précision. En effet, soit U la variable aléatoire de vecteurs indicateurs exogènes et X la variable aléatoire de vecteurs indicateurs endogènes et supposons, qu'à l'instant t la détection de vecteurs indicateurs exogène et endogène est (û _l ,x _l ), alors l'identification de la classe de contexte est déterminée en calculant la probabilité d'adéquation A{t) = PU « û _t ) qui correspond dans ce cas, à la vraisemblance du vecteurs indicateur exogène ù _t par rapport au modèle de contextes.

Le détecteur d ^r anomalie permet alors de calculer la probabilité de risque R(t) et une précision Pr(/) ou une valeur de qualité du risque à l'instant t, selon les formules suivantes :

R(t) = 1 - P(X = x,/U * û,) et Pr( = tr [ var( /(/*«,].

Un exemple d'un détecteur d'anomalie pour un moteur d'aéronef est décrit dans la publication de J. Lacaille « Standardized failure signature for a turbofan engine IEEE Aerospace Conférence , Big Sky, MT, 2009 ». Ce détecteur d'anomalie est composé de deux blocs. Le premier bloc permet de standardiser et de normaliser les indicateurs en supprimant les dépendances locales vis-à-vis du contexte d'acquisition tout en gérant les relations d' interdépendances stochastiques entre les indicateurs eux-mêmes. Le deuxième bloc consiste à modéliser les indicateurs et à calculer un score d'anomalie ou une probabilité de risque R(t) à partir de la vraisemblance du modèle. Le score peut être obtenu à partir du résidu d' une régression linéaire généralisée. De plus, un estimateur de la variance conditionnelle du modèle est utilisé pour définir la précision Pr(t) ou la fiabilité du risque calculé.

Une anomalie peut être confirmée après plusieurs détections successives et éventuellement après corroborâtion par diverses sources d'anomalies. Dans le cas où l'anomalie est confirmée, le système de surveillance 1 déclenche ou émet un message d'alerte.

On notera que le score d'anomalie peut aussi être associé à un numéro de classe et éventuellement à un label. La labellisation des anomalies et les dommages des anomalies au sein de chaque classe peuvent être définis par expertise.

La Fig. 5 est un organigramme illustrant un exemple d' encapsulation de détecteurs d' anomalies dans le système de surveillance 1.

Selon cet exemple, un détecteur d'anomalie est utilisé pour chacune des classes de contexte Cl,..., CK.

En effet, l'étape E41 prend en entrée des segments de premières données temporelles à suivre (c'est-à-dire, des paquets de signaux temporels correspondant aux mesures de paramètres endogènes) et à chaque première donnée d'entrée est associée une seconde entrée (c'est-à-dire, des paquets de signaux temporels correspondant aux mesures de paramètres exogènes) décrivant les aspects contextuels du fonctionnement en cours. Les première et seconde données d' entrée à un instant courant t sont transformées en vecteurs indicateurs exogène et endogène (ù _l ,x _l ). Le vecteur indicateur exogène est utilisé pour identifier la classe de contexte ou mode de fonctionnement, comme décrit précédemment.

A l'étape E42, on refait une compression 41-43 plus fine sur les données temporelles à suivre qui sont spécifiques à chacune des classes de contexte identifiée. Ici, la compression est assez simple à faire car les données appartiennent à une même classe et se ressemblent davantage.

A l'étape E43, on utilise un détecteur d'anomalie 51-53 pour chacune des classes de contexte C1,...,CK. Chaque détecteur générique d'anomalie 51-53 produit une information scalaire par tableau de données (comprise entre 0 et 1) qui représente le risque de l'anomalie. Cette sortie est associée à la valeur de qualité chiffrant la pertinence du résultat (compris entre 0 et 1 ) .

A l'étape E44, on émet un message d'alerte au cas où l'anomalie est confirmée. Par exemple, une alerte est déclenchée en cas de dépassement confirmé d'un premier seuil. En outre, une alerte de pronostic d'anomalie peut être déclenchée en cas d'anticipation du dépassement d'un deuxième seuil.

Avantageusement, l'utilisation d'un détecteur d'anomalie dans un banc d'essai 3 permet en plus de valider ce détecteur avant son utilisation sur un moteur embarqué, ce qui facilite et réduit les coûts de la certification du détecteur.

On notera qu'on peut utiliser plusieurs types de détecteurs d'anomalies à basses ou à hautes fréquences d' entrées .

Un premier détecteur d' anomalie implémente un modèle de comportement usuel et réalise une mesure

(ou score) de normalité par un calcul de vraisemblance.

Ce premier détecteur prend en entrée des segments de données temporelles basses fréquences. Il est utilisé pour détecter des comportements anormaux des vecteurs indicateurs endogènes selon les classes de contexte détectant ainsi les fonctionnements anormaux du banc d'essai 3 et du composant moteur 5.

Un deuxième détecteur d' anomalie implémente un modèle de détection d' endommagement de roulements.

Il utilise des segments temporels de données haute fréquence (tachymètres et accéléromètres ) synchrones qui peuvent être stockés dans des fichiers. A l'issue du traitement de ces fichiers, le deuxième détecteur génère une probabilité d'anomalie pour chaque roulement ainsi qu'une signature détaillée par roulement.

Un troisième détecteur d' anomalie implémente un modèle de détection d'événements fugaces. Ce détecteur analyse les données vibratoires qui sont acquises par segment sachant que la fréquence de réponse est inférieure à une réponse par segment. Un message d' alerte est émis quand un événement fugace confirmé est détecté. Une autre alerte d'identification peut être émise si la détection peut conduire à une information plus précise sur l'origine de l'événement détecté .

La Fig. 6 illustre de manière schématique 1 ' encapsulâtion de détecteurs d'anomalies dans le système de surveillance.

Le système de surveillance 1 comporte des moyens de supervision 61 pour encapsuler les détecteurs d'anomalie 51, 52, 53 et pour distribuer les données et surveiller le comportement de chaque détecteur d'anomalie. Ces moyens de supervision 61 comportent des moyens de gestion 63, des moyens de distribution de données 64, des moyens de paramétrage 65, des moyens de communication 66, et des moyens de visualisation 67. Les moyens de gestion 63 sont configurés pour lancer les détecteurs d'anomalie 51, 52, 53 et pour gérer des instances 71, 72, 73 correspondant à des choix de paramétrage et de calibrage de chacun de ces détecteurs d'anomalie. Les moyens de distribution de données 64 sont configurés pour procurer et préparer les données d'entrée pour chacun des détecteurs d'anomalie. Les moyens de paramétrage 65 sont configurés pour régler les paramètres des instances. Les moyens de communication 66 sont configurés pour recevoir, trier, sélectionner et lire les messages de sortie de chacun des détecteurs d'anomalie. Les moyens de visualisation 67 sont configurés pour afficher les résultats. La Fig. 7 illustre de manière schématique un système de gestion du banc d'essai d'un composant moteur, selon l'invention.

Le système de gestion 81 comporte un système de contrôle 83 connecté au banc d'essai 3 d'un composant moteur 5 et un système de surveillance 1. Le système de contrôle 83 est configuré pour contrôler le banc d'essai 3 et pour enregistrer les données issues du banc d'essai 3 et du composant moteur 5 dans des moyens de stockage 85. Par ailleurs, le système de surveillance 1 est connecté à l'ensemble 11 banc d'essai 3 et composant moteur 5 par l'intermédiaire du système de contrôle 83 et via un bus de données 87 qui lui transmet les données issues de l'ensemble 11 banc d'essai 3 et composant moteur 5. Cette configuration permet de ne pas perturber le fonctionnement du banc d' essai .

A titre exemple, le système de contrôle 83 peut être déployé dans un premier ordinateur et le système de surveillance 1 dans un second ordinateur déporté par rapport au premier.

L' invention vise aussi un produit de programmes d'ordinateur, susceptible d'être mis en œuvre dans les différents éléments du système de surveillance, ces programmes comportant des instructions de code adaptées à la mise en œuvre d'un procédé selon l'invention telle que décrite ci-dessus.

On notera que les programmes d' ordinateurs peuvent comprendre les variables ou paramètres suivants : - des paramètres décrivant les noms des mesures à lire en entrée, leur fréquence d'acquisition, et la taille des mémoires tampons (durée des segments ou paquets de données et délai entre deux paquets) ;

- un paramètre de « confirmation » précisant le nombre de tests successifs à effectuer avant d' émettre une alerte ;

- un paramètre de seuil précisant à partir de quelle valeur d'anomalie confirmée une alerte peut être émise ;

- un paramètre de confiance précisant le seuil minimum de confiance moyenne sur les observations servant à la confirmation pour émettre une alerte ; et

- un paramètre « horizon » précisant si une anticipation de dégradation doit être étudiée et à quel horizon .