Une approche deep learning de la détection d’anomalies dans les signaux, avec Safran Aircraft Engines
Des observations anormales dans des séries de capteurs à haute fréquence peuvent rendre inexploitables les spectrogrammes d’un essai moteur. Une approche deep learning pour les détecter, développée avec Safran Aircraft Engines.
L’un des grands défis des essais de développement des moteurs est de détecter, dans les séries temporelles des capteurs haute fréquence, les observations anormales qui en compliquent l’analyse. En pratique, l’exploitation de ces signaux passe par le calcul de spectrogrammes et le suivi de l’amplitude vibratoire de différents phénomènes physiques. La présence de ces observations anormales dans les signaux peut aller jusqu’à rendre ces spectrogrammes totalement inexploitables. Les détecter et les corriger devient indispensable pour continuer à exploiter l’information que contiennent ces capteurs.
Pour une bonne analyse des signaux, Safran Aircraft Engines a développé une technique industrielle de détection d’anomalies. Si cette approche donne de bons résultats, elle souffre d’un inconvénient important : l’intervention soutenue d’un expert, qui ajuste les paramètres pas à pas.
Pour lever cette limite, Ezako a proposé deux stratégies alternatives : l’une est une variante d’une technique statistique classique développée par Ezako, appelée Rolling Standard Deviation, et l’autre une architecture de la célèbre méthode de deep learning appelée LSTM (Long Short Term Memory).
L’étude montre que nos travaux ont abouti à de très bonnes performances de détection, tout en étant jusqu’à 10 fois plus rapides que la méthode fondée sur l’expert.
Pour recevoir l’article que nous avons publié ensemble, contactez-nous.
DETECTION OF ANOMALIES ON SIGNALS DURING AIRCRAFT ENGINE TESTS: METHODOLOGICAL COMPARISON BETWEEN HISTORICAL, STATISTICAL AND DEEP LEARNING APPROACHES. (Yann Rotrou (SAFRAN), Mourad YAHIA BACHA (SAFRAN), Julien MULLER (Ezako), Yacine EL AMRAOUI (Ezako))