Contexte
Airbus Aircraft utilise les banc d’essais acoustique pour observer et réduire les bruits de ses moteurs d’avions.
Le banc d’essais acoustiques contient plus de 170 microphones installés. Les mesures de ces microphones sont effectuées à haute fréquence d’échantillonnage pendant une longue période, ce qui augmente la probabilité d’avoir un problème de capteur à l’usage. Examiner les capteurs individuellement s’avère une tâche laborieuse et parfois infaisable.
L’objectif était donc de déterminer si, grâce à du Machine Learning (ML) et de l’Intelligence Artificielle (IA), il serait possible d’automatiser cette tâche.
Banc d’essai acoustique :
Besoin
Pouvoir détecter la panne rapidement afin d’identifier les mesures défaillantes sur le banc d’essais et relancer une campagne de mesures. Pour aller plus loin, être capable également d’identifier le type de défaillance afin d’en évaluer la criticité.
Solution
Afin de réaliser un modèle de détection de pannes, notre logiciel DiagFit a été utilisé. Le logiciel a permis de créer un modèle permettant non seulement de détecter les anomalies sur le banc d’essais mais également de les classifier afin de les identifier le plus précisément possible et faciliter ainsi l’intervention des opérateurs.
Notre approche étant basée sur un modèle « non supervisé », des données sans défaut ont été utilisées pour déterminer la normalité du banc d’essais, puis lors de la détection des anomalies une classification a été réalisée afin de pouvoir les labéliser et les reconnaitre par la suite.
Résultats
Le modèle a démontré une excellente capacité de détection des défaut et de prédiction de la classification sur les données étiquetées par rapport à la référence.
Le modèle a également permis de mettre en avant la détection de certains défauts non observés par les opérateurs. Et à l’inverse de démontrer des erreurs de « tagging » : la prédiction du modèle était plus fiable que « la vérité terrain » donnée par les opérateurs.
Comparaison des résultats entre l’identification humaine (à gauche) et la prédiction du modèle (à droite). Les couleurs indiquent le type de défaut de détection dans le temps (axe x) pour l’ensemble des microphones (axe y) pour une mesure de 5 secondes.
