Prediction of aircraft vibration environment using machine learning - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Prediction of aircraft vibration environment using machine learning

Prédiction de l'ambiance vibratoire d'un avion par apprentissage automatique

Résumé

During a flight, on-board equipment are subjected to a high frequency vibration environment and must meet their nominal performance. The excitations can be of several types (broadband random, sinusoidal) and have several sources (interaction with aerodynamic fields, rotating machinery, etc.). Their study allows to specify the vibration levels that equipment must be able to withstand and demonstrate that they will continue to operate satisfactorily throughout their life. The current means to simulate an aircraft dynamic behavior do not allow useful predictions in the frequency range of interest, which extends up to 2000 Hz. In consequence, flight tests are conducted, generating a large volume of high sampling frequency data from accelerometers (5000 Hz), along with measurements of various parameters representing the state and attitude of the aircraft at any given time. The objective of this thesis is to establish models for predicting the vibrational environment experienced by equipment in flight on an aircraft using machine learning methods, based on a set of aircraft parameters. To achieve this, the thesis is structured into three parts: data extraction and representation, prediction at any point in the flight, and prediction at any point within an aircraft structure. The first step is to implement algorithms for extraction and processing of data generated at a high sampling rate. Particular attention is paid to data representation, and a method for separating broadband component from kinematic lines is proposed, which can be combined with field-specific reduction methods. The second step involves the implementation of regression models to predict measured vibrational levels from aircraft parameters. Various models are proposed for different prediction challenges: kinematic lines during ground tests, broadband levels during stabilized flight phases, extension to unsteady flight phases, with a special focus on evaluating the generalization capabilities of these methods. Good performances are obtained and analyzed using the SHAP method, which is based on interpretability concepts from game theory. The third step involves generalizing predictions to any point within an aircraft structure. Initially, a reduced numerical model is used to analyze vibration propagation paths, and an iterative algorithm for identifying the main path is proposed. Then, a graph signal processing algorithm for inferring a structure from point-wise spatial measurements is evaluated. The learned structures align with field-specific knowledge and demonstrate good performance in signal reconstruction. The tools introduced in this thesis have applications in both flight testing and aircraft design. In the long term, they could serve as a foundation for developing hybrid methods that leverage numerical models and experimental data, thereby enabling meaningful predictions for an entire aircraft from the design phase.
L'ambiance vibratoire correspond aux sollicitations haute fréquence subies par les équipements embarqués durant un vol. Ces sollicitations peuvent être de plusieurs types (aléatoires plus ou moins large bande, sinusoïdales) et avoir plusieurs origines (interaction avec champs aérodynamiques, machines tournantes, etc.). Leur étude permet de spécifier les niveaux vibratoires que les équipements doivent être capables de supporter pour garantir un bon fonctionnement sur la durée de vie de l'avion. Les moyens de simulation usuels du comportement dynamique de l'avion ne permettent pas d'être prédictif dans la plage de fréquence à considérer, qui s'étend jusqu'à 2000 Hz. Des essais en vols sont réalisés, générant un important volume de données accélérométriques à haute fréquence d'échantillonnage (5000 Hz), accompagnées des mesures de différents paramètres représentant l'état et l'attitude avion à tout instant. L'objectif de cette thèse est la mise en place de modèles permettant de prédire l'ambiance vibratoire subie par un équipement en vol sur un avion au moyen de méthodes d'apprentissage, et ce à partir d'un ensemble de paramètres avion. Pour cela, la thèse est structurée en trois parties : l'exploitation et la représentation des données, la prédiction en tout point de vol, et la prédiction en tout point d'une structure avion. La première étape est de mettre en œuvre des algorithmes permettant l'extraction et le traitement des données d'essais à très haute fréquence d'échantillonnage. Un accent est mis sur la représentation des données, avec la proposition d'une méthode de séparation du large bande et des raies cinématiques pouvant se combiner à des méthodes de réduction orientées métier. La deuxième étape est de développer des modèles de régression pour prédire les niveaux vibratoires mesurés à partir des paramètres avion. Différents modèles sont proposés pour différentes problématiques de prédiction (raies cinématiques au sol, large bande en phases stationnaires, extension au transitoire), et une attention particulière est portée à l'évaluation des capacités de généralisation de ces méthodes, offrant de bonnes performances. Une étude de l'interprétabilité de certains modèles est proposée en se basant sur la méthode SHAP, provenant de la théorie des jeux coopératifs. La troisième étape consiste en la généralisation des prédictions à tout point d'une structure avion. Un modèle numérique réduit est tout d'abord utilisé avec l'objectif d'analyser les chemins de propagation des vibrations, et un algorithme itératif permettant d'identifier le chemin principal est proposé. Enfin, un algorithme de traitement du signal sur graphe permettant d'inférer une structure à partir de mesures spatiales ponctuelles est évalué. Les structures apprises sont cohérentes avec les connaissances métier et offrent de bonnes performances en reconstruction de signaux. Les outils proposés par cette thèse ont des applications aussi bien auprès des essais en vol que pour l'aide à la conception. À terme, ils pourraient servir de base pour développer des méthodes d'hybridation de modèles numériques et de données expérimentales, et ainsi permettre la prédiction dans un avion complet encore en phase de conception.
Fichier principal
Vignette du fichier
130872_FEVRIER_2023_archivage.pdf (45.65 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04446590 , version 1 (08-02-2024)

Identifiants

  • HAL Id : tel-04446590 , version 1

Citer

Stéphane Février. Prediction of aircraft vibration environment using machine learning. Vibrations [physics.class-ph]. Université Paris-Saclay, 2023. English. ⟨NNT : 2023UPAST181⟩. ⟨tel-04446590⟩
70 Consultations
5 Téléchargements

Partager

Gmail Facebook X LinkedIn More