Soutenance mémoire
Le « Health and Usage Monitoring Systems » (HUMS) est un terme générique qui recouvre l’amélioration de la disponibilité et de la sécurité des produits par des techniques de collecte et d’analyse de données. Couvrant notamment la maintenance prédictive et bénéficiant d’un certain engouement dans la mouvance du Big data, cette activité prometteuse mérite d’être explicitée ainsi que la manière de la mettre effectivement en œuvre. Certains [1] considèrent les HUMS comme des moyens additionnels d’observation du fonctionnement des systèmes, tels qu’un analyseur de spectre vibratoire de machines tournantes par exemple, dont on doit justifier l’implémentation par une approche technico-économique. D’autres [2] donnent aux HUMS la couverture complète du diagnostic, tant pour la détection, l’isolement et la récupération des défauts, dévolus jusqu’alors à la fonction FDIR (Fault Detection, Isolation, and Recovery), que pour l’évaluation des niveaux de dégradation en entrée du pronostic. Des schémas généraux synthétisent les principales étapes de traitement des HUMS, de l’acquisition des données à l’aide à la décision en passant par le diagnostic puis le pronostic, mais rares sont les guides proposant une véritable démarche rationnelle de leur mise en œuvre, allant au-delà des préconisations applicables à toute fonction nouvelle. Doit-on barder les systèmes de multiples capteurs afin d’exploiter les promesses de l’apprentissage profond (deep learning) ? Certes, l’intelligence artificielle s’est renforcée par des réseaux de neurones traitant des phénomènes non linéaires (perceptron multicouche) et est capable d’apprendre seule en simulant les situations (AlphaGo Zero de Google). Mais un système n’est pas un jeu aux règles préétablies et la connaissance de tous ses comportements, fonctionnels et dysfonctionnels, risque de ne pas être acquise par la machine quand il sera déjà obsolète, notamment en raison de l’effet combinatoire. Ainsi, l’intelligence artificielle est loin d’être infaillible quand elle est soumise à l’aléa et aux situations multiples, comme nous l’ont cruellement rappelés les récents accidents de voitures autonomes. Elle ne porte, en effet, que sur la mémorisation et la classification d’un nombre très élevé de schémas décisionnels, dépassant largement les capacités humaines, mais sans aucune faculté de compréhension des phénomènes ou d’élaboration et de traitement du moindre concept à partir de quelques exemples. Aussi, nous gardons confiance dans l’intelligence humaine, pour fiabiliser, sécuriser et améliorer la disponibilité des systèmes à risques, sans nier l’apport de l’intelligence artificielle qui doit être utilisée à bon escient indépendamment de tout effet de mode. Cette communication propose une approche rationnelle de mise en œuvre des HUMS sur les systèmes embarqués en l’illustrant d’une application relative au domaine des drones. Par rapport aux systèmes au sol, l’embarqué présente une criticité particulière en ce qui concerne les possibilités d’emport de moyens additionnels et la capacité de traitement à bord. Les drones, quant à eux, sont très contraints en termes de coût et leur usage restera confidentiel, en dépit d’intérêts multiples (aide au secours, désenclavement, télémédecine, transport de colis, etc.), sans une démonstration convaincante de la maitrise des risques associés, concernant tant les possibles accidents que les éventuels actes de malveillance. La règlementation actuelle de notre pays [12] [13] [14] [15] n’autorise aucune autonomie au contrôle des machines pourtant indispensable à la réalisation de la plupart des services ou à leur développement dans des conditions économiques viables. Mais cette règlementation prescriptive, qui impose la présence permanente d’un télépilote, pourrait évoluer avec le passage de responsabilité de la DGAC à l’EASA (Agence Européenne pour la Sécurité Aérienne) et reposer sur des exigences quantitatives et qualitatives. Ainsi, la probabilité d’événement catastrophique susceptible d’occasionner la mort de personnes pourrait être, par exemple, inférieure à 10-7/heure/drone avec l’imposition d’au moins deux barrières de sécurité afin qu’un tel événement ne puisse pas résulter d’une seule cause. La question est alors de concevoir des drones et de nouveaux usages répondant à de telles exigences et tenter de convaincre les agences réglementaires d’autoriser un peu d’autonomie. Les HUMS peuvent contribuer à la fiabilisation et la sécurisation de ces nouveaux usages.
Les HUMS
Nous n’avons pas l’ambition ici de donner une n-ième définition aux HUMS, englobant plus ou moins des notions préexistantes de la Sûreté de Fonctionnement, mais seulement de tenter d’intégrer les avancées du domaine dans une approche générale de fiabilisation des systèmes embarqués. Ainsi, le triptyque « diagnostic, pronostic et aide à la décision » est loin de se limiter à la seule maintenance prédictive et l’apport éventuel des HUMS ne vient que s’ajouter aux techniques existantes de détection, isolation et récupération des défauts.
Health Monitoring
Bénéficiant d’une activité de recherche soutenue, tant dans le monde académique que dans l’industrie, le Health Monitoring (HM) présente un enjeu majeur pour les opérateurs et usagers des différents systèmes en améliorant notamment la disponibilité opérationnelle de ces derniers. Couvrant le diagnostic (évaluation de l’état de santé), le pronostic (évaluation du potentiel restant) et l’aide à la décision, Il ne se limite pas à la maintenance prédictive mais concerne tous les types de décision pouvant bénéficier d’une connaissance accrue de l’état de santé du système et de son évolution future. Ainsi dans le domaine spatial [3], il contribue à la prise de décisions multiples telles que :
• l’opération des satellites (exploitation, surveillance et reconfiguration) en autorisant des niveaux de sollicitation variables selon les états de dégradation et la vitesse de celle-ci,
• le retrait de service dans le cadre de la Loi relative aux Opérations Spatiales (LOS) qui impose la libération d’une position sur l’orbite géostationnaire ou une rentrée dans l’atmosphère en moins de 25 ans,
• la fabrication ou le lancement de satellites de renouvellement stockés au sol,
• le démarrage de nouveaux programmes assurant des services pérennes (télécommunication, observation de la Terre, etc.).
De même dans le domaine aéronautique, il est susceptible d’améliorer la sécurité et la disponibilité opérationnelle des aéronefs et de diminuer les coûts de maintenance et de facilité la vente des aéronefs en occasion. Il recouvre les mécanismes de détection et passivation des défaillances de type FDIR (Fault Detection, Isolation, and Recovery) mais aussi le suivi et la prédiction de tous les phénomènes d’usure et de dégradation auxquels le système est soumis.
Le diagnostic
Couvert jusqu’alors par la surveillance de l’état ou du dépassement de seuil de données observables, la comparaison de données corrélées ou le suivi régulier par des spécialistes du domaine, le diagnostic s’est amélioré par des techniques automatisées de fouille de données (data mining) ayant une capacité d’apprentissage supervisé (sous le contrôle d’un expert) ou non supervisé (de manière autonome). Celles-ci permettent notamment :
• d’identifier des changements ou évolutions lentes dans des séries d’observations chronologiques (signaux faibles),
• de comparer des signatures caractéristiques de l’état de dégradation. L’identification de comportements singuliers est l’objet de la maîtrise statistique des procédés (MSP) ou du contrôle statistique des processus (carte de contrôle). Elle résulte de la comparaison de signaux entre des fenêtres temporelles successives (pouvant se chevaucher) ou entre des zones particulières d’intérêt (phases ou modes de fonctionnement). Une signature caractéristique des observations est élaborée au moyen d’indicateurs statistiques (Novelty Detection), d’un calcul symbolique (Symbolic Aggregate approXimation), ou d’une méthode de normalisation puis de fusion de données (Analyse en Composantes Principales) dans le cas de variables multiples corrélées. Cette signature peut être également calculée par un réseau de neurones ayant fait préalablement l’apprentissage d’un grand nombre de situations. Une distance entre les diverses observations est alors établie à partir des signatures afin de pouvoir identifier d’éventuels comportements singuliers. Selon le réglage de ses différents paramètres, la performance du diagnostic peut être caractérisée par un taux de détection et un taux de fausse alarme.
Egalement fondées sur une notion de distance, les techniques de partitionnement de données (ou data clustering) permettent de comparer des observations, ou groupe d’observations, et par la même d’évaluer l’état de santé d’un équipement en les comparant à celles d’équipements similaires plus ou moins âgés ou dégradés. Les observations peuvent porter sur des signaux pris à la volée ou recouvrir des cycles de fonctionnement complet comme celui de la charge et de la décharge d’une batterie d’accumulateurs, par exemple. Des méthodes à base de modèles peuvent être également utilisées pour le diagnostic tel que les observateurs ou estimateurs d’états utilisés pour la détection et l’isolation de fautes de certains systèmes monitorés.
Démarche de mise en œuvre des HUMS
La problématique des HUMS n’est pas de devoir intégrer une fonction nouvelle dans un système mais d’optimiser ce dernier vis-à-vis de la Sûreté de fonctionnement en exploitant toutes les avancées scientifiques et techniques disponibles. Parmi celles-ci, nous nous intéressons plus particulièrement à celles qui concernent le suivi et la prédiction des phénomènes d’usure et de dégradation auxquels le système est soumis, en réutilisant par ailleurs les approches bien connues de conception des mécanismes de détection et passivation des défaillances (FDIR) élaborés notamment à partir d’analyses de type fonctionnel et dysfonctionnel. Nous évitons de privilégier une quelconque approche, fondée sur des modèles physiques (model base), guidée par les données (data driven) ou le retour d’expérience (REX), mais les envisageons toutes afin de choisir au cas par cas les méthodes les plus pertinentes à la résolution des problèmes rencontrés.
La démarche proposée de mise en œuvre des HUMS consiste alors à enrichir la démarche classique de fiabilisation des systèmes par les activités suivantes :
• identifier et caractériser les phénomènes d’usure et de dégradation auxquels le système est soumis,
• éliminer ou diminuer ces phénomènes quand cela est possible,
• rechercher des moyens directs ou indirects d’observation des niveaux de dégradation en privilégiant l’utilisation des moyens existants à l’ajout de nouveaux capteurs,
• associer à chaque phénomène de dégradation la méthode de diagnostic et de pronostic, embarquée ou déportée, la mieux adaptée,
• construire un modèle de fiabilité en ligne du système complet ou d’estimation de sa MRL (Mean Residual Life), en mode de fonctionnement nominal ou dégradé, en tenant compte de l’état courant du système (avec perte éventuelle de redondances, protections ou ressources diverses) et des dépendances éventuelles entre les phénomènes de dégradation.
• évaluer a priori, si nécessaire, l’apport du Health Monitoring au moyen de simulateurs comportementaux afin de dimensionner et justifier les ressources qui lui sont consacrées.
Par ailleurs, la confidentialité et la protection des données mises en œuvre par les HUMS doivent être assurées au regard d’éventuels actes de malveillance.
|
Table des matières
I)INTRODUCTION
II) GENERALITES
III) METHODOLOGIE
IV) RESULTATS
V) COMMENTAIRES ET DISCUSSION
VI) CONCLUSION
VII) REFERENCES
ANNEXES
RESUME
