La surveillance de la santé des moteurs d’avions est un sujet de recherche émergent qui suscite de plus en plus l’intérêt des entreprises aéronautiques dans un environnement très concurrentiel. Outre les nombreux avantages en termes de sécurité et de fiabilité de fonctionnement, la surveillance de l’état des moteurs a également un impact financier important sur le service maintenance.
Parmi les pièces les plus surveillées d’une chaîne mécanique, on retrouve les engrenages. Ce sont des pièces mécaniques qui transmettent la puissance mécanique d’un système à un autre. Dans le domaine aéronautique, les engrenages de type planétaire ou épicycloïdal émergent depuis des années en raison de leur bon rapport puissance/espace. Ces types d’engrenages dans certains moteurs d’hélicoptères ou d’avions délivrent des dizaines voire des centaines de mégawatts. Leur bon fonctionnement est donc essentiel pour assurer l’utilisation des systèmes aéronautiques. Dans ce contexte, la surveillance de leur état de santé est nécessaire afin d’éviter les défaillances du système qui pourraient entraîner des pertes économiques ou des accidents.
L’analyse des vibrations est l’une des méthodes les plus populaires de surveillance de la santé des engrenages. En effet, les signaux vibratoires contiennent de nombreuses informations liées aux efforts internes du système mécanique. Lorsqu’un composant est endommagé, cela se traduit par des signatures spécifiques dans le signal vibratoire permettant la détection et l’identification de l’endommagement. Traditionnellement, l’extraction de ces signatures se fait à l’aide d’approches de traitement du signal. L’objectif de ce stage est d’évaluer de quelle manière les approches d’apprentissage statistique (machine learning) peuvent être combinées avec celles de traitement du signal pour mieux prédire l’état de santé des engrenages. L’objectif principal est d’évaluer la contribution des approches d’apprentissage automatique pour l’extraction des signatures d’engrenages dans le signal vibratoire. En ce sens, le/la stagiaire aura pour mission de :
1. Faire un état de l’art sur les méthodes d’apprentissage automatique pour la surveillance de la santé des engrenages.
2. Proposer une méthode d’extraction automatique des signatures de dommages.
3. Proposer une méthode de prédiction (régression) de l’état de santé futur de l’engin en utilisant des ensembles de données réelles.
4. Utiliser la signature extraite des approches de traitement du signal dans une méthode d’apprentissage automatique.
5. Faire une étude comparative entre les approches de traitement du signal et celles d’apprentissage automatique.
Une base de données de signaux vibratoires réels issus d’un banc d’essai d’un moteur d’hélicoptère sera mise à disposition du stagiaire afin d’évaluer et de tester les performances des méthodes
Disciplines: Machine Learning, Deep Learning, Traitement du signal, Health monitoring.
Software: Python (librairies scientifiques) /Matlab