Newsroom

Turbofan Aircraft Engines: Automated Prognostic and Health Monitoring (Safran)

Après avoir fondé la société Miriad et avoir été son directeur recherche & développement puis « PDF solution », Jérôme Lacaille anime maintenant un réseau métier Mathématiques chez Safran Aircraft Engines et une équipe de doctorants au Datalab. Le but de ces derniers est d’aider les business-units en proposant des solutions innovantes afin d’optimiser les processus de production, les coûts de conception et d’utilisation des moteurs d’avions.
Séminaire Data Science des Mastères Spécialisés Big Data et Intelligence Artificielle du 20 janvier 2022, écrit par Nicolas Gallay et Pierre Mecchia.

Safran propose des produits innovants et fiables pour les plus grands fabricants d’avions mondiaux. Ses efforts portent notamment sur la diminution de la consommation de carburant, la réduction des coûts de maintenance et le respect de l’environnement. Le Groupe développe et produit le moteur LEAP, successeur du CFM56 et équipe les nouvelles générations d’avions comme l’Airbus A320, le Boeing 737 MAX ou le COMAC C919. Un nouveau moteur est prévu pour 2025, encore plus efficace que le précédent.

C’est dans ce cadre concurrentiel et en constante évolution qu’est apparu le besoin de proposer des services assurant la disponibilité des moteurs, la détection d’anomalies pouvant être à l’origine de pannes, la mise en place de maintenances préventives, des produits toujours plus efficaces (consommation, fabrication, poids…).

Au service de la plus grande disponibilité des moteurs d’avion

Chaque jour, des gigaoctets de données sont récoltés et stockés dans un cluster. L’analyse de ces données issues des vols et des différents capteurs présents sur les avions, est au cœur de cette problématique et permet d’étudier sous un nouvel angle ces moteurs afin de détecter et d’anticiper des anomalies.

Des travaux de 2010 ont abouti à la cartographie de l’état des moteurs à l’aide de représentations graphiques en deux dimensions. Sur un moteur d’avion, ce sont plus de 273 variables qui sont capables d’impacter les performances. Les potentielles anomalies sont par exemple réparables grâce à l’écart à la ligne de fonctionnement « normal ». Le suivi d’une flotte sur un an et demi, soit 71 moteurs ont aussi permis de cartographier l’état des moteurs sur une carte de Kohonen sur laquelle on affiche la température des gaz d’échappement en fond et d’en réaliser un clustering. Les moteurs en fin de vie sont ainsi facilement repérables (situé vers les bords de la carte). L’étude de la séquence des différentes étapes transitoires d’un vol permet lui aussi de comparer les vols entre eux et d’en extraire les moteurs ayant besoins d’une maintenance.

L’utilisation du deep-learning

Par ailleurs, le DataLab de Safran a également travaillé sur les algorithmes de deep-learning qu’ils vont pouvoir mettre à l’échelle, prochainement avec l’arrivée de cartes graphiques sur leur cluster. Ces techniques offrent des bons résultats pour classification mais également pour la mise en lumière de comportements vibratoires anormaux de certains moteurs LEAPs pendant le vol.

Enfin, des travaux de deep-learning sur l’état du moteur et plus précisément son état de corrosion sont en cours. Sur certaines pièces, aucune peinture de protection n’est appliquée, ce qui entraîne souvent de la corrosion. L’objectif de l’algorithme est de détecter la corrosion d’un moteur sans avoir à l’ouvrir grâce à ses données de vols, de météo, de pollution, etc.

L’utilisation d’algorithmes de Machine Learning et l’étude approfondie des différentes données ne sont plus aujourd’hui réservées à la recherche mais permet à Safran de proposer des services adaptés, d’être toujours plus efficace, et de faciliter le travail de ses collaborateurs.

Illustration d’entête : site de Safran Aircraft Engines