Nos projets
L’IA pour déployer la maintenance prédictive dans les avions d’affaires
Réduire les coûts de maintenance imprévus et prévenir les immobilisations coûteuses des avions en anticipant les défaillances avant qu'elles ne surviennent.
IVADO Labs a développé une solution d’IA avancée qui analyse les conditions des équipements en temps réel, diagnostique les anomalies, et pronostique les pannes futures pour une gestion proactive.
La solution d'IA a permis d'améliorer la fiabilité des avions en réduisant les temps d'arrêt et en optimisant la durée de vie des composants, couvrant deux tiers des scénarios de maintenance critiques.
Cette étape consiste à surveiller en continu l’état de divers composants pour identifier tout signe de problèmes potentiels avant qu’ils ne s’aggravent. « C’est un peu comme le témoin d’anomalie du moteur dans une automobile », résume Ashwin Rai, scientifique des données sénior chez IVADO Labs.
La surveillance des conditions permet de détecter une anomalie, mais n’explique pas à elle seule la cause du problème. Cependant, elle constitue le point de départ essentiel du processus de maintenance prédictive.
Pour identifier une anomalie, il est essentiel de d’abord comprendre le comportement normal de l’avion. « Nous avions notamment accès aux données de vols historiques du fabricant d’avions. Nous avons donc déployé des modèles d’apprentissage automatique pour comprendre le comportement attendu lors de différentes phases du vol, comme le décollage et l’atterrissage », explique le scientifique des données sénior.
Une fois que ce comportement normal est connu, toute déviation par rapport à cette référence peut signaler un problème potentiel.
« En analysant des centaines de vols, nous pouvons savoir avec une précision élevée à quelle température chauffent habituellement les freins lors de l’atterrissage, par exemple. S’ils atteignent cette température au moment de freiner, c’est donc normal. Par contre, s’ils chauffent de cette façon à 30 000 pieds dans les airs, c’est qu’il y a un problème », illustre Morgan Bye, Chef d’équipe sénior chez IVADO Labs.
Cela vaut également lorsque les déviations sont plus subtiles. Par exemple, une température légèrement plus élevée ou plus basse que la normale à l’atterrissage peut indiquer un problème sous-jacent.
Au-delà des relevés de température, la surveillance porte sur un large éventail de paramètres, incluant, entre autres, la pression, l’humidité, et les courants électriques. Par ailleurs, même des éléments apparemment secondaires, comme la machine à espresso de la cabine, font l’objet d’une surveillance, car ils requièrent également une maintenance en cas de dysfonctionnement.
Le défi réside alors dans la distinction entre les problèmes concrets et les fausses alertes. « Un comportement anormal peut être acceptable, et seulement dû à une manœuvre du pilote ou aux conditions de vol variables », note Morgan Bye.
Une fois qu’un problème potentiel est signalé, l’étape suivante consiste à en diagnostiquer la cause. Cela implique de comprendre la nature de l’anomalie et de permettre à l’équipe en charge de choisir les actions correctives appropriées parmi les options disponibles. Le processus de diagnostic transforme donc les données brutes des capteurs en informations concrètes, guidant ainsi les équipes de maintenance dans leurs efforts de réparation.
Le système de diagnostic développé par IVADO Labs combine des modèles d’IA avec les connaissances d’experts en ingénierie. « Nous avons utilisé une approche hybride, intégrant des méthodes d’IA basées sur les données avec l’expertise des ingénieurs de l’entreprise », explique Ashwin Rai.
« Cela permet d’obtenir un système encore plus performant, qui combine l’expertise humaine avec les capacités de l’IA », résume-t-il.
La collaboration avec le fabricant d’avions a aussi permis de prioriser les systèmes à analyser avec l’intelligence artificielle. « Nous avons demandé quels étaient les problèmes les plus complexes à diagnostiquer et ceux qui immobilisaient le plus souvent les avions au sol. Les pneus, par exemple, peuvent facilement être inspectés par le personnel sur le tarmac, tandis qu’une pompe à essence logée dans le moteur peut nécessiter le démantèlement de celui-ci, ce qui est beaucoup plus complexe. Nous avons donc concentré nos efforts sur les pièces les plus stratégiques, notamment celles insuffisamment couvertes par les procédures existantes », explique Morgan Bye.
L’approche de diagnostic développée par IVADO Labs offre une compréhension approfondie des équipements. Les modèles d’IA peuvent en effet identifier des tendances dans les données qui sont parfois difficiles à discerner même pour des experts humains, fournissant de précieuses informations.
Par exemple, si les freins surchauffent, le système peut analyser les données des composants connexes tels que les systèmes hydrauliques. Cela aide à déterminer si le problème vient du mécanisme de freinage lui-même ou d’un autre système connecté.
Un des défis les plus importants était de rendre les informations fournies par l’IA compréhensibles et exploitables pour les équipes de maintenance. L’IA peut identifier des modèles et des corrélations complexes, mais ceux-ci doivent être traduits en conseils pratiques. « Nous avons travaillé en étroite collaboration avec les ingénieurs pour nous assurer que les résultats du système étaient à la fois précis et utiles », note Morgan Bye.
À la fin du projet, qui s’est déroulé sur une période de moins de deux ans, la solution d’IA développée par IVADO Labs était capable de fournir des diagnostics utiles sur onze des sous-systèmes de l’avion, couvrant ainsi les deux tiers des scénarios les plus fréquents qui immobilisent les avions.
Pronostiquer est un objectif clé de la maintenance prédictive. Il s’agit de prévoir quand un composant est susceptible de tomber en panne, permettant ainsi de planifier la maintenance juste à temps, réduisant les temps d’arrêt et maximisant la durée de vie des pièces. Cette approche est complexe car elle nécessite de prévoir des événements futurs en se basant sur des données actuelles et historiques.
Dans le cas des avions d’affaires, IVADO Labs a utilisé une combinaison d’IA et de méthodes traditionnelles d’ingénierie de fiabilité pour développer un modèle de pronostic. Le modèle est capable de prédire le moment où un composant est susceptible de tomber en panne en fonction de son état actuel, de son historique, et des données fournies par le manufacturier.
« Le modèle que nous avons déployé est bien connu des ingénieurs du manufacturier. Nous l’avons modifié pour qu’il fonctionne avec nos systèmes d’IA de surveillance des équipements, ce qui permet de produire des prévisions sur la performance et la fiabilité sur un horizon de 10 ans pour chaque composant », explique Ashwin Rai.
« Pour reprendre l’analogie du témoin d’anomalie du moteur, l’objectif est de le remplacer par un système de feux de circulation pour chaque pièce de l’avion : vert signifie que tout va bien, orange, qu’il faut faire une vérification de la pièce lors de votre prochain entretien, et rouge, qu’il faut s’y attarder dès maintenant », ajoute Morgan Bye.
À mesure que davantage de données sont collectées à partir des avions d’affaires équipés de systèmes de maintenance prédictive, la précision et l’efficacité des modèles d’apprentissage automatique continueront de s’améliorer, offrant ainsi une valeur supérieure au client.
« Nous avons établi une base solide pour permettre une amélioration continue à mesure que de nouvelles données seront disponibles », précise Soufiane El Mdari, gestionnaire de produit sénior chez IVADO Labs.
Bien plus que les avions d’affaires
La maintenance prédictive ne se limite pas à l’aviation d’affaires, ni à l’aéronautique. Tout secteur qui repose sur des machines complexes et des données de capteurs étendues peut en bénéficier. Que ce soit pour les autobus, les trains, la machinerie lourde, ou encore les systèmes de CVC (chauffage, ventilation et climatisation), les approches de surveillance, diagnostic, et pronostic, peuvent être appliquées pour améliorer la fiabilité des équipements et l’efficacité opérationnelle.