Spelling suggestions: "subject:"enfonction d’appartenant"" "subject:"dijonction d’appartenant""
1 |
Surveillance de l’état de santé des actionneurs électromécaniques : application à l'aéronautique / Health-monitoring of electromechanical actuators : application to aeronauticsBreuneval, Romain 21 December 2017 (has links)
L’industrie aéronautique fait face à trois enjeux majeurs : la réduction de son empreinte environnementale, l’absorption de l’augmentation du trafic et le maintien d’un haut niveau de sécurité pour des systèmes de plus en plus complexes, à coûts équivalents. La maintenance prédictive permet de répondre en partie à ces trois enjeux. Les systèmes, dont on peut prédire la durée de vie peuvent être utilisés plus longtemps, ce qui diminue le nombre de composants utilisés sur la vie d’un avion. Prédire les pannes permet également d’augmenter la disponibilité des aéronefs en évitant les arrêts non planifiés. Enfin, le suivi de l’état de vieillissement de l’avion permet d’optimiser la maintenance et ainsi de réduire les coûts. Dans les années 2000, ces méthodologies ont été appliquées sur les moteurs. Elles commencent maintenant à se généraliser aux autres systèmes avioniques. Ainsi cette thèse concerne la mise au point de méthodologies amenant à la maintenance prédictive d’actionneurs électro – mécaniques (EMA) de commande de vol. Les problématiques et les contraintes (temps de calculs, quantités de mémoire…) liées à cette thématique sont détaillées. Dans un premier temps, le calcul de signatures de défauts est abordé. Une méthode pour les systèmes visécrou, basée sur l’identification d’un modèle de frottement, est proposée. Une deuxième méthode, reposant sur l’analyse des courants à partir d’une combinaison de décomposition modale empirique ensembliste complète et d’analyse aveugle de sources, est ensuite introduite. Ces deux méthodes sont testées sur des données issues de profils non opérationnels. Ces données sont issues d’un modèle de simulation représentant finement l’actionneur dans son environnement. L’ensemble des simulations représente des essais virtuels sur une population d’EMA. A partir de ces simulations, les signatures mises au point sont calculées. Puis, afin de valider ces signatures, des métriques de performances sont calculées. Le diagnostic par reconnaissance de formes est ensuite traité. Un algorithme reposant sur une combinaison de machine à vecteur de supports et de fonctions floues d’appartenances est proposé. Celui-ci peut notamment estimer la sévérité d’un défaut. Il permet également de détecter des points ne correspondant pas à la base d’apprentissage, qui peuvent représenter des défauts inconnus ou des points appartenant à plusieurs classes à la fois, pouvant représenter des cas de défauts combinés. L’architecture d’un système de diagnostic complet, basée sur l’algorithme conçu, est détaillée. Des validations expérimentales des méthodes de calcul de signatures et de diagnostic sont ensuite menées. Ces validations reposent sur trois bases issues de trois campagnes d’essais. La première repose sur des essais d’un EMA sain sur un banc représentatif. La deuxième concerne un moteur asynchrone en défaut en régime permanent. La dernière porte sur un moteur synchrone à aimants, de type aéronautique, en défaut de courtcircuit inter-spires en régime permanent. Le respect des contraintes par l’algorithme est vérifié. Enfin, des éléments pour aller vers le pronostic sont avancés. Le processus du pronostic est détaillé. Seule une partie de ce processus est traitée, sur des données issues de vieillissement de roulements. Dans un premier temps, le partitionnement de données de vieillissement pour créer des classes de sévérité de défaut est étudié. Cette tâche a amené à proposer une métrique, dite de cohérence temporelle, permettant de vérifier qu’un résultat de partitionnement satisfait aux contraintes pour le pronostic. Puis l’algorithme de classification proposé est validé sur les données partitionnées. Ceci amène à distinguer deux méthodes de validation, une approche dite diagnostic et une dite pronostic. Une méthode de normalisation, pour l’approche pronostic, est proposée. La prédiction des signatures dans le futur est ensuite traitée. Un algorithme de régression par vecteurs de support est utilisé [etc...] / The aeronautics industry is facing three major challenges: the reduction of its environmental impact, the absorption to the air traffic increase and a high level of safety for increasing complex systems, for equivalent costs. Predictive maintenance allows answering to these issues. Systems, for which the life can be predicted, can be used for a longer time. This reduces the number of components used in the lifetime of an aircraft. To predict failures also allow increasing the availability of aircrafts by avoiding unplanned downtime. Finally, monitoring the ageing of the aircraft allows to optimize maintenance and so to reduce costs. In the 2000s, these methodologies were applied to turbojets. It starts, now, to be generalized to others avionics systems. Therefore, this work deal with predictive maintenance methodologies for electromechanical actuator (EMA) for flight controls systems. Problems and constraints (computation time, memory quantities…) related to this subject are detailed. In a first part, fault feature computation methodologies are investigated. A first method is proposed for screw/nut systems. This method is based on the identification of a friction model. A second method, based on current analysis, is presented. This method uses a combination of empirical mode decomposition and independent component analysis. The two methods are tested on data from a non-operational profile. This data are from a simulation model which represents the EMA in the aircraft environment. The simulations performed represent virtual trials on a population of EMA. From these simulations, fault features are computed. Then, performances metrics are evaluated. Diagnosis by pattern recognition is then studied. An algorithm based on support vector machine and fuzzy membership functions is proposed. This algorithm can estimate the severity of a fault. It can also detect unknown observations, which can represent unknown faults or combined faults. The architecture of a global diagnosis system, based on the proposed algorithm, is detailed. Experimental validation of fault features computation and diagnosis algorithm is performed. These validations are based on three data bases. The first one is based on trials performed on a healthy EMA on a representative bench. The second consists in an induction motor at constant speed for different types of faults. The last one is from trials on a permanent magnet synchronous machine, of aeronautics type, for different kinds of short – circuit fault severities. The respect of the aeronautics constraints is verified. At last, elements for prognosis process are given. This process is detailed. Only a part of this process is treated, on a roller bearings benchmark database. First, the clustering for prognosis is studied. A metric, which allows verifying that the obtained clusters are coherent regarding time, and thus, checks the constraints for prognosis, is given. Then the proposed diagnosis algorithm is validated on the clustered data. This brought to perform two kinds of validation, a diagnosis oriented one and a prognosis oriented one. A method to normalize data for the prognosis oriented validation, based on sigmoid function, is given. The prediction of the features in the future is studied. A regression algorithm based on support vector regression is used. Finally, the diagnosis algorithm is applied to the predicted data. This allows to estimate the end of life, and so the remaining useful life for a given time. These estimations are evaluated regarding different kinds of performance metrics and regarding the constraints of the aeronautics applicative field
|
Page generated in 0.1183 seconds