FR3046268A1

FR3046268A1 - Systeme d'exploitation de donnees de vol d'un aeronef

Info

Publication number: FR3046268A1
Application number: FR1563183A
Authority: FR
Inventors: Julien Alexis Louis Ricordeau; Alexandre Anfriani; Aurelie Gouby; Jerome Henri Noel Lacaille
Original assignee: SNECMA SAS
Current assignee: Safran Aircraft Engines SAS
Priority date: 2015-12-23
Filing date: 2015-12-23
Publication date: 2017-06-30
Anticipated expiration: 2035-12-23
Also published as: FR3046268B1; US20170185937A1

Abstract

L'invention concerne un système d'exploitation de données de vol pour optimiser les opérations d'un aéronef, comportant : - un circuit d'acquisition (3) configuré pour recueillir des données d'observations (D1-Dn) relatives à un ensemble d'aéronefs, et - un circuit de traitement (5) configuré : - pour assigner des valeurs de qualité (Qi) auxdites données d'observations en leur appliquant en fonction de leurs contextes des modèles d'apprentissages (M1-Mn) prédéterminés correspondants, générant ainsi des données d'observations enrichies de valeurs de qualité, et - pour analyser lesdites données d'observations en fonction de leurs valeurs de qualité afin d'optimiser les opérations de l'aéronef.

Description

SYSTÈME D'EXPLOITATION DE DONNÉES DE VOL D'UN AÉRONEF DOMAINE TECHNIQUE

La présente invention concerne le domaine des opérations d'un aéronef et plus particulièrement, la validation automatique et l'exploitation des données de vol permettant d'optimiser les opérations d'un aéronef.

ÉTAT DE LA TECHNIQUE ANTÉRIEURE

Les données enregistrées lors du vol d'un aéronef sont en général utilisées pour vérifier le bon fonctionnement des différents équipements de l'aéronef.

Ces données sont par exemple utilisées pour surveiller le moteur de l'aéronef afin de détecter des éventuelles anomalies. En effet, elles peuvent être utilisées pour analyser le comportement du moteur pendant le processus d'allumage, pour analyser ses performances thermodynamiques, pour détecter le colmatage des filtres, pour analyser la consommation d'huile, etc.

Les enregistrements de données de vol peuvent comporter des données anormales ou corrompues, du fait par exemple d'une anomalie, d'une modification logicielle, d'une microcoupure électrique, ou d'une panne d'un équipement. Dans ce cas, les données enregistrées au cours des vols d'un ensemble d'aéronefs ne peuvent pas être efficacement exploitées pour préconiser des améliorations dans l'opérabilité des aéronefs.

Par ailleurs, les mesures sont très variées et dépendent fortement du contexte d'évolution de l'aéronef. De plus, en raison de la forte fréquence des vols, le volume de données est bien trop important pour que la qualité de ces données puisse être vérifiée de manière manuelle. L'objet de la présente invention est par conséquent, de proposer un système de vérification automatique de la qualité de données de vol et de l'exploitation des données de qualité afin de faire des préconisations d'utilisations opérationnelles permettant d'améliorer les opérations des aéronefs.

EXPOSÉ DE L'INVENTION

La présente invention est définie par un système d'exploitation de données de vol pour optimiser des opérations d'un aéronef, comportant : - un circuit d'acquisition configuré pour recueillir des données d'observations relatives à un ensemble d'aéronefs, et - un circuit de traitement configuré : - pour assigner des valeurs de qualité auxdites données d'observations en leur appliquant en fonction de leurs contextes des modèles d'apprentissages prédéterminés correspondants, générant ainsi des données d'observations enrichies de valeurs de qualité, et - pour analyser lesdites données d'observations en fonction de leurs valeurs de qualité afin d'optimiser les opérations de l'aéronef.

Ainsi, l'enrichissement des données d'observations par les valeurs de qualité permet d'exploiter des données d'observations propres pour faire des analyses précises sur les manoeuvres que l'on fait effectuer à l'aéronef et/ou pour améliorer la précision des outils de surveillance.

Avantageusement, le circuit de traitement est configuré : - pour calculer un résidu entre la valeur de chaque donnée observée et la valeur correspondante prévue par le modèle d'apprentissage, et - pour calculer la valeur de qualité de la donnée d'observation en comparant ledit résidu à une valeur d'erreur admise par le modèle d'apprentissage correspondant.

Avantageusement, chaque donnée d'observation présentant une valeur de qualité inférieure à un seuil prédéterminé est soit pondérée, soit corrigée, soit écartée.

Selon un premier exemple du type de traitement, les données d'observations comportent des mesures de durées de passage des aéronefs au sol et des mesures de températures internes des moteurs des aéronefs. Dans ce cas, le circuit de traitement est configuré pour optimiser les opérations de l'aéronef en déterminant une distribution de temps de passage au sol en fonction des températures internes des moteurs pour une flotte d'aéronefs.

Selon un autre exemple, les données d'observations comportent des mesures de températures aux entrées des moteurs des aéronefs durant les phases où lesdits moteurs sont à l'arrêt. Dans ce cas, le circuit de traitement est configuré pour optimiser l'opérabilité de l'aéronef en déterminant une distribution des températures aux entrées des moteurs d'une flotte d'aéronefs.

Selon un troisième exemple, les données d'observations comportent des mesures de consommation de carburant et des mesures de paramètres de pilotage. Dans ce cas, le circuit de traitement est configuré pour optimiser les opérations de l'aéronef en déterminant une distribution des consommations de carburant en fonction des paramètres de pilotage d'une flotte d'aéronefs.

Avantageusement, la distribution de temps de passage au sol, et/ou la distribution des températures aux entrées des moteurs, et/ou la distribution des consommations de carburant est (sont) corrélée(s) à une consommation totale et/ou à une usure du matériel sur un vol.

Ceci permet de faire des recommandations sur les durées de passage de l'aéronef au sol, sur les choix d'affectation des aéronefs sur des routes avec des environnements plus ou moins sévères, sur les paramètres de pilotage de l'aéronef pour une opérabilité et une consommation de carburant optimales.

Avantageusement, le système comporte une base de données d'exploitation configurée pour stocker les données d'observations enrichies des valeurs de qualité. L'invention vise également un procédé d'exploitation de données de vol pour optimiser l'opérabilité d'un aéronef, comportant les étapes suivantes : - acquérir des données d'observations relatives à un ensemble d'aéronefs, - assigner des valeurs de qualité auxdites données d'observations en leur appliquant, en fonction de leurs contextes, des modèles d'apprentissages prédéterminés correspondants, générant ainsi des données d'observations enrichies de valeurs de qualité, et - analyser lesdites données d'observations en fonction de leurs valeurs de qualité afin d'optimiser l'opérabilité de l'aéronef. L'invention vise aussi une base de données comportant des données d'observations enrichies de valeurs de qualité créée selon le procédé d'exploitation de la présente invention.

BRÈVE DESCRIPTION DES DESSINS D'autres particularités et avantages du système et du procédé selon l'invention ressortiront mieux à la lecture de la description faite ci-après, à titre indicatif mais non limitatif, en référence aux dessins annexés sur lesquels : - la Fig. 1 illustre de manière schématique un système d'exploitation de données de vol pour optimiser les opérations d'un aéronef, selon un mode de réalisation préféré de l'invention ; - la Fig. 2 illustre de manière schématique un exemple d'un procédé de construction de modèles d'apprentissages, selon un mode de réalisation de l'invention ; - la Fig. 3 illustre de manière schématique un procédé de détermination de valeurs de qualité et l'enrichissement de données d'observation, selon un mode préféré de réalisation de l'invention ; - la Fig. 4 est un graphique illustrant un exemple d'une donnée d'observation par rapport à la donnée du modèle d'apprentissage correspondant ; - la Fig. 5 illustre de manière schématique un procédé d'exploitation des données d'observations enrichies, selon un mode de réalisation de l'invention ; et - la Fig. 6 illustre de manière schématique un exemple d'exploitation de données d'observations relatives à un indicateur spécifique, selon un mode de réalisation de l'invention.

EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS

La Fig. 1 illustre de manière schématique un système d'exploitation de données de vol pour optimiser les opérations d'un aéronef, selon un mode de réalisation préféré de l'invention.

Le système d'exploitation 1 comporte un circuit d'acquisition 3 et un circuit de traitement 5.

Plus particulièrement, le système d'exploitation 1 est installé dans une station au sol 7 et comporte un système informatique 9 comprenant les circuits d'acquisition 3 et de traitement 5 ainsi que des unités de stockage 11 et les habituels périphériques d'entrée 13 et de sortie 15. On notera que les unités de stockage 11 peuvent comporter des programmes d'ordinateur comprenant des instructions de code adaptées à la mise en œuvre du procédé d'exploitation de données selon l'invention. Ces programmes d'ordinateur peuvent être exécutés par le circuit de traitement 5 en relation avec les unités de stockage 11 et le circuit d'acquisition 3.

Durant chaque vol, chaque aéronef 17 procède à la collecte et l'enregistrement sur des moyens de stockage embarqués, des paramètres ou données d'observations relatives à la mission. Ces données sont issues de mesures ou des données spécifiques acquises par des capteurs ou calculateurs embarqués donnant des indications sur des éléments physiques ou logiques des équipements de l'aéronef 17 et en particulier de ses moteurs. En générale, les données sont des données temporelles et dépendantes des conditions de vol de l'aéronef. A titre d'exemple, les données d'observations comportent des mesures de durées de passage de l'aéronef au sol, des mesures de températures internes des moteurs, des mesures de températures externes à l'entrée d'air des moteurs, des mesures de consommation de carburant, des mesures de paramètres de pilotage, etc.

Les données d'observations de chaque aéronef peuvent être déchargées régulièrement, par exemple après chaque vol (flèche Al), pour être récupérées par le système d'exploitation 1.

On notera qu'une partie de ces données peut aussi être transmise (flèche A2) par les aéronefs à la station au sol en temps réel. En effet, durant chaque vol, un aéronef 17 envoie des informations sur son fonctionnement selon par exemple un système de message nommé ACARS (Aircraft Communication Addressing and Reporting System) ou tout autre moyen de communication permettant de transmettre des informations. Habituellement, ces données sont récupérées par les stations au sol en temps réel pour être traitées immédiatement dans le cas d'anomalies évidentes et sinon pour être archivées avec toutes les données de la flotte d'aéronefs. Des données supplémentaires enregistrées dans les systèmes embarqués peuvent également être déchargées manuellement.

Les données d'observations relatives à un ensemble d'aéronefs recueillies par le circuit d'acquisition 3 sont ensuite stockées de manière cohérente dans les unités de stockage 11.

Conformément à l'invention, le circuit de traitement 5 est configuré pour assigner des valeurs ou scores de qualité aux données d'observations en leur appliquant, en fonction de leurs contextes, des modèles d'apprentissages prédéterminés correspondants. Autrement dit, le circuit de traitement 5 confronte chaque donnée observée à un modèle d'apprentissage adapté selon le contexte ou la phase de vol afin de générer des données d'observations enrichies par des valeurs de qualité.

On notera qu'une donnée d'observation est en général associée à un paramètre ou signal d'observation temporel enregistré lors d'un vol et par conséquent, la valeur de qualité correspondante est également temporelle (i.e. représentée par un signal de qualité temporel).

Par ailleurs, on notera qu'un modèle d'apprentissage est un modèle créé à partir des données considérées saines (voir Fig.2). Un exemple de construction de modèles d'apprentissage est décrit par Seichepine et al, dans l'article intitulé «Data mining of flight measurements». Plus particulièrement, ce document décrit une méthode de construction de modèles d'apprentissage pour détecter des anomalies. La méthode s'intéresse uniquement aux données anormales et ne révèle aucun enrichissement de données observées.

En contraste, le circuit de traitement 5 de la présente invention scanne chaque donnée d'observation afin de lui attribuer une valeur de qualité validant ainsi automatiquement des données de qualité et facilement exploitables. A titre d'exemple, la valeur de qualité peut être calculée selon une fonction de transfert associant une imprécision à chaque donnée d'observation en réponse à une imprécision de la donnée correspondante prévue par le modèle d'apprentissage.

En variante, la valeur de qualité peut être calculée par un indicateur d'adéquation définissant la mesure d'une distance entre la donnée d'observation et la prédiction correspondante du modèle d'apprentissage. L'indicateur d'adéquation permet de vérifier l'utilisation de données adéquates, c'est-à-dire, qui ressemblent à celles qui avaient été utilisées pendant l'apprentissage. Autrement dit, c'est une distance par rapport aux données initiales ayant servi à construire le modèle. Des exemples d'indicateurs de qualité sont décrits par le brevet FR2957170 de la demanderesse.

Avantageusement, le circuit de traitement 5 estime les valeurs de qualité en implémentant un algorithme utilisant une technologie de type multi-agents. Dans ce cas, chaque agent se charge d'un contexte particulier de mesures et ne s'intéresse qu'à un sous ensemble de données d'observation. Les agents sont ensuite automatiquement organisés par compétences. Ainsi, lorsque de nouvelles données arrivent ce sont les agents les plus compétents qui seront utilisés, pour chaque segment temporel, pour procéder à une analyse de la qualité des données. La procédure de décision finale est obtenue par fusion des agents les plus compétents sur chaque segment de données. Finalement une valeur de qualité est assignée à chaque donnée d'observation.

De manière alternative la population d'agents peut évoluer avec l'arrivée de nouvelles données, pour affiner leurs compétences déjà établie ou pour en construire d'autres. Dans ce cas, le circuit de traitement implémente un algorithme d'apprentissage de type génétique.

On notera que des outils de filtrages plus classiques peuvent aussi être utilisés pour analyser la qualité des données.

Par ailleurs, les données d'observations enrichies par les valeurs de qualité sont avantageusement stockées dans une base de données d'exploitation 12. Plus particulièrement, lors de la mise en base des données d'observation, une valeur de qualité spécifique est attribuée à chacune des données. La base de données d'exploitation 12 renferme alors l'information de qualité permettant au circuit de traitement 5 d'analyser les données d'observations en fonction de leurs valeurs de qualité afin d'optimiser les opérations de l'aéronef ou d'augmenter la précision des outils de surveillance. On entend par opérations de l'aéronef les manœuvres que l'on fait effectuer à l'aéronef.

En effet, grâce aux données d'exploitation enrichies, le circuit de traitement 5 peut exploiter des données d'observation de qualité (non entachées par des données erronées) pour faire des analyses statistiques ou une exploration de données (data mining) avec une très grande précision. Les résultats des analyses comportent par exemple, des préconisations précises quant à l'amélioration des manœuvres sur un aéronef et/ou l'amélioration des outils de surveillance. En effet, rien qu'en évitant les données de faible qualité, la précision des outils de surveillance sera automatiquement augmentée.

La Fig. 2 illustre de manière schématique un exemple d'un procédé de construction de modèles d'apprentissages, selon l'invention.

En effet, lors d'une phase d'apprentissage, on construit des modèles qui vont ensuite servir pour déterminer les valeurs de qualité pour toutes les données d'observation. L'étape El consiste à utiliser un filtre Fl pour filtrer des données d'apprentissage en transformant certaines données discrètes en signaux continus et en éliminant les données qui sont manifestement aberrantes, par exemple en dehors des limites physiques de la grandeur mesurée. L'étape E2 concerne une classification non supervisée des variables. En effet, dans les données enregistrées en vol sur un avion, il existe un très grand nombre de variables (quelques milliers) parmi lesquelles beaucoup sont redondantes ou équivalentes et donc il est question ici de sélectionner les variables les plus représentatives pour la construction des modèles.

On utilise une mesure prédéterminée (par exemple, une mesure d'information mutuelle) pour calculer les distances entre les variables deux-à-deux afin de définir des sous-ensembles ei-en de variables homogènes liées entre elles. Ensuite, chaque sous ensemble est enrichi par de nouvelles variables créées par des transformations non linéaires sur ses variables initiales afin d'extraire une base représentative du sous-ensemble. Ceci permet de conserver toute l'information avec le moins de variables possibles et de prédire chacune des variables grâce aux autres variables appartenant au même sous ensemble. L'étape E3 concerne la construction des différents modèles d'apprentissages Mi-Mn à partir d'une variable représentative de chaque sous ensemble ei-en. Cette construction peut être réalisée selon par exemple, la technique de LASSO.

Avantageusement, les modèles d'apprentissages sont des modèles gaussiens construits en fonction des différentes phases de vol. En effet, un moteur d'aéronef fonctionne généralement 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. L'étape E4 concerne l'estimation pour chaque modèle d'apprentissage Mi-Mn les paramètres d'un modèle d'erreurs Eri-Ern associé. Chaque modèle d'erreurs Eri-Ern indique les erreurs pouvant être admises ou tolérées par le modèle d'apprentissage correspondant. Un exemple d'un calcul de modèles d'erreur est explicité par Seichepine et al, dans l'article intitulé «Data mining of flight measurements ».

La Fig. 3 illustre de manière schématique un procédé de détermination de valeurs de qualité et l'enrichissement de données d'observation, selon un mode préféré de réalisation de l'invention. A l'étape Eli, le circuit de traitement 5 est configuré pour appliquer à chaque nouvelle donnée d'observation D, enregistrée lors du vol, le modèle d'apprentissage M, le plus pertinent en fonction de la phase de vol.

En effet, lors de la phase d'apprentissage, les modèles Mi-Mn ont été construits en fonction des différentes phases de vol sachant qu'il n'est pas possible de construire un unique modèle gaussien sur toutes les phases de vol. Chaque variable se comporte différemment selon le contexte ou la phase du vol pendant laquelle elle est observée. A l'étape E12 le circuit de traitement 5 est configuré pour calculer un résidu R, entre la valeur de chaque donnée d'observation D, enregistrée et la valeur prévue par le modèle d'apprentissage M, correspondant. Autrement dit, le circuit de traitement 5 calcule l'erreur commise par la donnée observée par rapport au modèle d'apprentissage. A l'étape E13 le circuit de traitement 5 est configuré pour estimer la valeur de qualité Q, de la donnée d'observation D, en comparant le résidu R, à une valeur d'erreur En tolérée par le modèle d'apprentissage M, correspondant. Autrement dit, le circuit de traitement 5 compare l'erreur R, de la donnée D, observée à l'erreur En (définie par le modèle d'erreurs) admise par le modèle d'apprentissage et attribue une valeur de qualité Q, en fonction de l'écart entre ces deux erreurs. Un écart faible signifie que la donnée observée est de bonne qualité et donc la valeur de qualité Q, correspondante est grande tandis qu'un grand écart entre les deux erreurs signifie que la donnée observée est de mauvaise qualité et donc la valeur de qualité Q, attribuée est petite. On notera par ailleurs qu'une erreur forte en extrapolation n'est pas toujours gage de non qualité de la donnée testée : en effet, l'agent lui-même peut avoir une limite de compétence.

Ainsi, la valeur de qualité Q, peut tout simplement être égale à la fonction de répartition de la valeur absolue du résidu.

En variante, dans le cas où l'on considère que le modèle d'erreur En est un modèle gaussien et le résidu R, suit une loi normale repliée, la valeur de qualité Q, correspond alors à la valeur absolue du résidu.

La valeur de qualité Q, peut ainsi être simplement définie par un score de qualité entre 0 et 1. Un score de valeur 1 indique que la donnée est très bonne tandis qu'un score de 0 indique que la donnée est erronée.

La Fig. 4 est un graphique illustrant un exemple d'une donnée d'observation par rapport à la donnée du modèle d'apprentissage correspondant.

La courbe Cl correspond à la valeur moyenne définie par le modèle d'apprentissage et le tube de tolérance ou de confiance tl correspond à l'écart-type de cette valeur. La courbe C2 représente la donnée d'observation. Tant que la donnée d'observation C2 est à l'intérieur de ce tube de confiance tl, elle est considérée comme bonne. En effet, la valeur de qualité Q, est grande lorsque la donnée d'observation est proche de la valeur moyenne du modèle d'apprentissage et faible dans le cas contraire. Cet exemple montre que vers l'instant 5000 et pendant un petit intervalle 11 (bande verticale), la donnée d'observation C2 sort du tube de confiance tl et dans ce cas, la valeur de qualité Q, sur cet intervalle 11 est très faible (presque nulle). Par ailleurs, en dehors de cet intervalle 11 pour lequel la valeur de qualité associée sera donc proche de 0, les deux courbes Cl et C2 sont presque confondues, la valeur de qualité associée sera donc proche de 1. A l'étape E14, le circuit de traitement 5 est configuré pour ajouter à chaque donnée d'observation D, sa valeur ou score de qualité Q, générant ainsi des données d'observations enrichies. A l'étape E15, le circuit de traitement 5 est configuré pour stocker les données d'observations enrichies par les valeurs de qualité correspondantes dans la base de données d'exploitation 12.

La Fig. 5 illustre de manière schématique un procédé d'exploitation des données d'observations enrichies, selon un mode de réalisation de l'invention. A l'étape E21, le circuit de traitement 5 est configuré pour définir des indicateurs 21, 23 pertinents relatifs à des éléments ou tâches ou manoeuvres spécifiques des aéronefs.

En effet, on peut définir à partir des données d'observation des indicateurs spécifiques à des éléments physiques indiquant un élément particulier du moteur ou de l'aéronef ou à des éléments logiques indiquant une tâche ou situation spécifique de tout un ensemble d'éléments du moteur ou de l'aéronef. A titre d'exemple, un indicateur peut correspondre à une distribution statistique de temps de passage des aéronefs au sol, de températures internes des moteurs d'aéronefs, de températures externes des moteurs d'aéronefs, de consommations de carburant, de délais nécessaires pour qu'un moteur atteigne l'accélération maximale durant chaque démarrage, des gradients de températures des gaz d'échappement des moteurs, etc. A l'étape E22, le circuit de traitement 5 est configuré pour acquérir depuis la base de données d'exploitation 12, les données d'observation enrichies en relation avec l'indicateur d'intérêt défini à l'étape précédente.

Aux étapes E23 et E24, le circuit de traitement 5 est configuré pour valider automatiquement les données d'observation enrichies.

Plus particulièrement, à l'étape E23, le circuit de traitement 5 est configuré pour comparer la valeur de qualité Q, de chaque donnée d'observation D, à un seuil S prédéterminé. A l'étape E24, le circuit de traitement 5 est configuré pour écarter les données d'observation présentant une valeur de qualité inférieure au seuil prédéterminé afin de n'exploiter que celles ayant une valeur de qualité supérieure à ce seuil. Ainsi, on n'exploite que les données de bonne qualité.

Selon une première variante, au moins une partie des données d'observation présentant une valeur de qualité inférieure au seuil prédéterminé sont corrigées selon des critères d'expertise. En effet, il est avantageux d'exploiter le plus grand nombre possible de données d'observation.

Selon une deuxième variante, les données d'observation sont pondérées en fonction de leurs valeurs de qualité correspondantes. A titre d'exemple, on peut attribuer à chaque donnée d'observation un poids égal à sa valeur de qualité. A l'étape E25, le circuit de traitement 5 peut être avantageusement configuré pour standardiser les données d'observation afin qu'elles soient indépendantes vis-à-vis du contexte extérieur. Cette étape est optionnelle et peut s'appliquer à une partie des données d'observation.

En effet, chaque mesure recueillie lors d'une mission de vol est réalisée dans des conditions externes ou internes particulières. Ces conditions qui peuvent avoir un impact sur la lecture des indicateurs peuvent être mesurées et enregistrées en tant que données exogènes. Les conditions externes peuvent comprendre les températures et pressions extérieures, l'attitude et la vitesse relative de l'avion, le lieu de vol (au-dessus de la mer, le désert, la terre, etc.), le lieu de l'aéroport, les conditions météo (pluie, neige, gel, etc.), l'hygrométrie, etc. Les conditions internes peuvent concerner l'utilisation spécifique du moteur (vitesse de l'arbre, température des gaz d'échappement, type du carburant, etc.). A titre d'exemple de données exogènes, la température d'huile juste avant le démarrage du moteur peut être considéré comme une donnée de contexte qui différencie deux types de démarrages (démarrage à froid ou démarrage à chaud).

La standardisation repose en particulier sur une étape de normalisation des variables endogènes selon un modèle de régression. On notera qu'afin d'améliorer les résultats du modèle de régression, on peut prendre en considération des variables supplémentaires construites à partir de calculs utilisant des variables exogènes initiales pour former un ensemble de variables de contexte.

Ainsi, la normalisation peut être réalisée selon un modèle de régression linéaire généralisé défini sur un espace de variables de contexte généré par des combinaisons analytiques (polynomiales et/ou non polynomiales) des variables exogènes. A l'étape E26, le circuit de traitement 5 est configuré pour construire l'indicateur d'intérêt à partir des données d'observation éventuellement standardisées relatives à l'indicateur. A l'étape E27, le circuit de traitement 5 est configuré pour faire des analyses statistiques sur l'indicateur afin de proposer des préconisations d'utilisations opérationnelles des aéronefs permettant d'optimiser leur opérabilité. A titre d'exemple, les préconisations peuvent être représentées sous forme de graphiques ou formulées sous forme de « meilleures pratiques ».

La Fig. 6 illustre de manière schématique un exemple d'exploitation de données d'observations relatives à un indicateur spécifique, selon un mode de réalisation de l'invention.

Selon cet exemple l'indicateur renseigne sur la distribution de temps de passage au sol en fonction des températures internes des moteurs. Cette distribution peut être réalisée pour une flotte d'aéronefs, par aéronef, par aéroport, etc.

Plus particulièrement, à l'étape E31 le circuit de traitement 5 acquiert les données d'observations Di-Dn comportant les mesures de durées de passage des aéronefs au sol et les mesures des températures internes des moteurs des aéronefs. L'étape E32 est un test réalisé sur chacune des données d'observations D, acquises à l'étape précédente. Si la valeur de qualité Q, d'une donnée courante est inférieure à une valeur seuil S (par exemple égale à 0,7), le circuit de traitement 5 ne tient pas compte de la donnée et on recommence le test pour une donnée suivante. En revanche, si l'issue du test est négatif (i.e., la valeur de qualité de la donnée courante est supérieure à S), alors on passe à l'étape suivante E33.

Les étapes E33 et E34 définissent la boucle suivante : tant que la manette 25 de l'aéronef est sur la position ralentie sol « ground idle » et tant que la température interne du moteur est supérieure à 650°C, alors on incrémente un compteur. Cette information est calculée pour chaque moteur, pour chaque aéronef et pour chaque vol. A l'étape E35 le circuit de traitement 5 affiche sur un écran la distribution des temps passés au sol pour des températures internes du moteur supérieures à 650°C pour toute une flotte, par aéronef, par aéroport, par jour, etc. A l'étape E36 le circuit de traitement 5 est configuré pour corréler la distribution des temps passés au sol à des dysfonctionnements ou à des performances des moteurs des aéronefs.

Ainsi, à l'étape E37 grâce aux corrélations de l'étape précédente, le circuit de traitement 5 est configuré pour aider à faire des préconisations d'utilisation opérationnelle destinées à optimiser les opérations des aéronefs.

Selon un deuxième exemple l'indicateur peut correspondre à une distribution des températures externes au sol.

De la même manière que dans l'exemple précédent, le circuit de traitement 5 acquiert les données d'observations comportant les mesures des températures externes au sol.

En effet, pour un aéronef donné, tant que l'aéronef est au sol et les moteurs à l'arrêt (i.e. régime moteur nul), la température externe To à l'entrée du moteur est enregistrée par l'aéronef (par exemple dans un système de type ACMS relié au FADEC). Cette donnée peut être corrompue au niveau de l'acquisition (défaut capteur, harnais, connecteurs) ou de la transmission des données. Ainsi, le circuit de traitement donne une valeur de qualité plus faible en cas de corruption de données. Par exemple, pour une acquisition sur un aéronef moteur arrêté avant un vol (pendant un intervalle de temps [ti, t2]), la valeur de qualité est calculée pour chaque valeur acquise de To sur [ti, t2] et est ajoutée à la base de données d'exploitation.

Le circuit de traitement 5 détermine la distribution de températures d'entrées pour toute une flotte, par aéronef, par aéroport, par jour, etc. Finalement, le circuit de traitement analyse cette distribution pour voir l'influence des températures externes au sol sur le fonctionnement du moteur afin de faire des préconisations d'utilisation opérationnelle destinées à optimiser les opérations des aéronefs.

Selon un troisième exemple l'indicateur peut correspondre à une distribution de consommations de carburant en fonction des paramètres de pilotage.

De la même manière que dans les exemples précédents, le circuit de traitement 5 acquiert les données d'observations comportant des mesures de consommations de carburant et des mesures de paramètres de pilotage. Ensuite, le circuit de traitement détermine la distribution des consommations de carburant en fonction des paramètres de pilotage. Finalement, le circuit de traitement analyse la distribution pour faire des préconisations d'utilisation opérationnelle des aéronefs afin de réaliser des économies de carburant.

Avantageusement, le circuit de traitement 5 est configuré pour suivre, pour un ensemble d'aéronefs, les paramètres enregistrés au cours du vol ainsi que la bonne application des préconisations afin de quantifier ce qu'auraient été les impacts d'emploi de telle ou telle préconisation sur un vol donné.

Claims

REVENDICATIONS

1. Système d'exploitation de données de vol pour optimiser des opérations d'un aéronef, caractérisé en ce qu'il comporte : - un circuit d'acquisition (3) configuré pour recueillir des données d'observations (Di-Dn) relatives à un ensemble d'aéronefs, et - un circuit de traitement (5) configuré : - pour assigner des valeurs de qualité (Qj) auxdites données d'observations en leur appliquant en fonction de leurs contextes des modèles d'apprentissages (Mi-Mn) prédéterminés correspondants, générant ainsi des données d'observations enrichies de valeurs de qualité, et - pour analyser lesdites données d'observations en fonction de leurs valeurs de qualité afin d'optimiser les opérations de l'aéronef.
2. Système selon la revendication 1, caractérisé en ce que le circuit de traitement (5) est configuré : - pour calculer un résidu entre la valeur de chaque donnée observée et la valeur correspondante prévue par le modèle d'apprentissage, et - pour calculer la valeur de qualité de la donnée d'observation en comparant ledit résidu à une valeur d'erreur admise par le modèle d'apprentissage correspondant.
3. Système selon la revendication 1 ou 2, caractérisé en ce que chaque donnée d'observation présentant une valeur de qualité inférieure à un seuil prédéterminé est soit pondérée, soit corrigée, soit écartée.
4. Système selon l'une quelconque des revendications précédentes, caractérisé en ce que les données d'observations comportent des mesures de durées de passage des aéronefs au sol et des mesures de températures internes des moteurs des aéronefs, et en ce que le circuit de traitement est configuré pour optimiser les opérations de l'aéronef en déterminant une distribution de temps de passage au sol en fonction des températures internes des moteurs pour une flotte d'aéronefs.
5. Système selon l'une quelconque des revendications précédentes, caractérisé en ce que les données d'observations comportent des mesures de températures aux entrées des moteurs des aéronefs durant les phases où lesdits moteurs sont à l'arrêt, et en ce que le circuit de traitement est configuré pour optimiser les opérations de l'aéronef en déterminant une distribution des températures aux entrées des moteurs d'une flotte d'aéronefs.
6. Système selon l'une quelconque des revendications précédentes, caractérisé en ce que les données d'observations comportent des mesures de consommation de carburant et des mesures de paramètres de pilotage, et en ce que le circuit de traitement est configuré pour optimiser les opération de l'aéronef en déterminant une distribution des consommations de carburant en fonction des paramètres de pilotage d'une flotte d'aéronefs.
7. Système selon l'une quelconque des revendications 4 à 6, caractérisé en ce que la distribution de temps de passage au sol, et/ou la distribution des températures aux entrées des moteurs, et/ou la distribution des consommations de carburant est (sont) corrélée(s) à une consommation totale et/ou à une usure du matériel sur un vol.
8. Système selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il comporte une base de données d'exploitation configurée pour stocker les données d'observations enrichies des valeurs de qualité.
9. Procédé d'exploitation de données de vol pour optimiser des opérations d'un aéronef, caractérisé en ce qu'il comporte les étapes suivantes : - acquérir des données d'observations relatives à un ensemble d'aéronefs, - assigner des valeurs de qualité (Qi) auxdites données d'observations en leur appliquant en fonction de leurs contextes des modèles d'apprentissages prédéterminés correspondants, générant ainsi des données d'observations enrichies de valeurs de qualité, et - analyser lesdites données d'observations en fonction de leurs valeurs de qualité afin d'optimiser les opérations de l'aéronef.