Contexte
Dans le cadre des opérations navales militaires, la frégate FREMM (Frégate Européenne Multi-Missions) est équipée d’un sonar de haute performance, un instrument électronique essentiel dans les missions de défense maritime. Contrairement aux radars qui utilisent des ondes électromagnétiques, le sonar fonctionne grâce à l’émission et à la réception d’ondes acoustiques, qui ont la particularité de bien se propager dans l’eau. Ce système permet de détecter et d’analyser l’environnement sous-marin, en captant les échos renvoyés par les objets immergés.
Le sonar FREMM joue un rôle crucial dans la guerre anti-sous-marine, notamment pour repérer la présence d’unités ennemies, comme des sous-marins hostiles qui cherchent à s’approcher discrètement. Il est également utilisé pour cartographier les fonds marins afin de repérer les reliefs, les obstacles, les mines ou encore les épaves. Ce type de repérage permet à la frégate de naviguer en toute sécurité, même dans des zones peu profondes ou mal connues.
Grâce à ce dispositif, la frégate FREMM bénéficie d’une capacité de surveillance, de détection et d’analyse sous-marine de très haut niveau, ce qui en fait un acteur stratégique dans la protection des zones maritimes sensibles et qui ne doit pas tomber en panne.
Besoins
Compte tenu des conditions extrêmes dans lesquelles il opère : immersion prolongée, chocs mécaniques, salinité, variations de température, interférences. Le sonar est exposé à des risques de vieillissement prématuré, de dérives de performances ou de pannes partielles. Il est donc crucial de pouvoir détecter très tôt les signes de dégradation, qu’ils soient liés à l’électronique embarquée, aux capteurs acoustiques, aux actionneurs mécaniques ou aux logiciels de traitement du signal.
Par ailleurs, les pannes constatées sur ce type d’équipement ne surviennent pas toujours de façon brutale. Elles s’installent souvent progressivement, au fil du temps, sous la forme d’anomalies discrètes, difficiles à distinguer d’un comportement normal légèrement perturbé. Le système a donc besoin de mécanismes capables d’identifier ces comportements atypiques dans des données temporelles, et de les relier à des phénomènes de défaillance ou de perte de performance.
Enfin, pour optimiser la maintenance et éviter les indisponibilités imprévues du sonar qui peuvent compromettre la mission de la frégate il est nécessaire de disposer d’un suivi intelligent de l’état de santé du système, basé sur les données de fonctionnement réelles et non uniquement sur des seuils fixes ou des intervalles de maintenance planifiés. Cela permettrait d’anticiper les interventions techniques avant que la défaillance ne se manifeste de manière critique.
Solutions
La solution DiagFit repose sur une approche innovante d’apprentissage non supervisé, fondée sur l’exploitation exclusive des données saines du système pour modéliser son état de fonctionnement normal. Cette méthode permet de construire un référentiel robuste du comportement nominal, sans nécessiter de données de panne pour l’apprentissage.
Lorsque le système s’écarte de cet état normal, DiagFit est capable de détecter automatiquement les anomalies, indiquant une possible dérive ou dégradation. Ce principe rend la solution particulièrement adaptée aux environnements industriels, où les défaillances sont rares et difficiles à étiqueter.
Pour valider l’efficacité de cette approche, DiagFit utilise des labels de pannes lorsqu’ils sont disponibles, afin de mesurer la précision de la détection. Ces validations confirment la capacité du modèle à identifier des anomalies pertinentes en conditions réelles.
DiagFit analyse l’état de santé du système à deux niveaux :
- De manière globale, en évaluant l’ensemble du système,
- De façon locale, capteur par capteur, ce qui permet de localiser précisément les sources de dégradation.
Résultats
Grâce à cette approche, DiagFit a démontré sa capacité à détecter 100 % des fautes labellisées, tout en identifiant également des anomalies non-labellisées, confirmant ainsi la robustesse et la sensibilité de l’algorithme à des dégradations non anticipées.
Ces performances sont obtenues sans recourir à des données de panne pour l’apprentissage, ce qui rend la solution particulièrement adaptée à des contextes industriels où les événements de défaillance sont rares ou peu documentés.
Par ailleurs, la disponibilité accrue de données notamment dans des environnements complexes ou multivariés pourra améliorer encore les performances du modèle, en affinant la caractérisation de l’état normal et en réduisant les faux positifs.
Ainsi, DiagFit fournit une base solide pour la détection précoce d’anomalies, contribuant à améliorer la maintenance prédictive et à renforcer la fiabilité des systèmes surveillés.
