Predictive maintenance of aircraft bleed air systems : an approach based on machine learning and variational autoencoders
Maintenance prédictive des systèmes d'air d'avion : une approche basée sur l'apprentissage automatique et les autoencodeurs variationnels
Résumé
Liebherr-Aerospace, a major player in the aviation industry, specializes in the design, development, and manufacturing of essential systems for aircraft. As an Original Equipment Manufacturer (OEM), the company guarantees the quality of its products, ensures the supply of spare parts, and offers technical support for its products. In addition to these roles, it provides Maintenance, Repair, and Operations (MRO) services and Aircraft On Ground (AOG) services in case of aircraft grounding. In this context, Liebherr Aerospace Toulouse focuses on developing predictive maintenance tools to reduce aircraft downtime and anticipate failures. This work is the subject of a thesis conducted in collaboration with the Toulouse Institute of Mathematics and ANITI. The thesis consists of five chapters. The first chapter addresses the state of the art in predictive maintenance and its link with anomaly detection. It also presents machine learning and deep learning techniques used in this field. The second chapter discusses the operation of air systems (also known as "bleed air systems") and the challenges encountered for the predictive maintenance of these systems. The third chapter highlights the role of Variational Autoencoders (VAE) for dimension reduction, and compares their performance to other techniques. The fourth chapter presents a new method to understand abnormal behaviors of multivariate time series using a contrastive variational autoencoder (CVAE). Finally, the fifth chapter explains how the CVAE method is adapted to solve predictive maintenance problems. It introduces a semi-supervised approach to train the model even in the presence of censored data and compares its effectiveness to other classic models. The "selective kernels" technique, derived from image classification, is adapted to time series classification.
Liebherr-Aerospace, acteur majeur de l'industrie aéronautique, se spécialise dans la conception, le développement et la fabrication de systèmes essentiels pour les avions. En tant que constructeur d'équipements d'origine (OEM), l'entreprise garantit la qualité de ses produits, l'approvisionnement en pièces de rechange et offre un soutien technique pour ses produits. En plus de ces rôles, elle fournit des services de maintenance, réparation et opérations (MRO) et des services Aircraft On Ground (AOG) en cas d'immobilisation de l'appareil. Dans ce contexte, l'entreprise Liebherr Aerospace Toulouse se concentre sur le développement d'outils de maintenance prédictive pour réduire le temps d'immobilisation au sol des avions et anticiper les pannes. Ce travail fait l'objet d'une thèse menée en collaboration avec l'Institut de Mathématiques de Toulouse et ANITI. La thèse se compose de cinq chapitres. Le premier chapitre porte sur l'état de l'art de la maintenance prédictive et son lien avec la détection d'anomalies. Il présente également les techniques de machine learning et de deep learning utilisées dans ce domaine. Le deuxième chapitre aborde le fonctionnement des systèmes d'air (ou "bleed air systems") et les défis rencontrés pour la maintenance prédictive de ces systèmes. Le troisième chapitre met en évidence le rôle des autoencodeurs variationnels (VAE) pour la réduction de dimension, et compare leur performance à d'autres techniques. Le quatrième chapitre présente une nouvelle méthode pour comprendre les comportements anormaux des séries temporelles multivariées à l'aide d'un autoencodeur variationnel contrastif (CVAE). Enfin, le cinquième chapitre explique comment la méthode CVAE est adaptée pour résoudre les problèmes de maintenance prédictive. Il introduit une approche semi-supervisée pour former le modèle même en présence de données censurées et compare son efficacité à d'autres modèles classiques. La technique "selective kernels", issue de la classification d'images, est adaptée à la classification de séries temporelles.
| Origine | Version validée par le jury (STAR) |
|---|