La présente invention concerne un procédé pour diagnostiquer un état d'usure d'un actionneur électrique tel que celui d'un système de frein notamment, bien que non exclusivement, d'une roue d'aéronef. L'invention concerne également un appareil pour la mise en œuvre d'un tel procédé.

ARRIERE PLAN DE L' INVENTION

D'une manière générale, un frein de roue d'aéronef comporte des éléments de friction solidaires pour certains de la roue et pour d'autres d'un stator, et un vérin de frein agencé pour exercer sur les éléments de friction un effort suffisant poux bloquer en rotation la roue d'aéronef.

Au parking, le vérin de frein est activé par un dispositif de commande dédié (appelé ici système de frein de parking) et distinct du dispositif de commande du vérin de frein en phase d'atterrissage. Le système de frein de parking comporte un distributeur hydraulique communément appelé PBSV (Park Brake Selector Valve) qui est piloté par un actionneur comprenant deux moteurs électriques .

Comme le système de frein de parking peut être sollicité en cas d'urgence lors d'une défaillance du dispositif de commande du frein en phase d'atterrissage, il est prévu par mesure de sécurité, que l'aéronef ne soit pas autorisé à décoller si le système de frein de parking est en panne.

II est reconnu que les moteurs électriques pilotant le PBSV sont la principale source de défaillance du système de frein de parking. Des tests de maintenance consistant à vérifier le bon déplacement du vérin de frein sous le contrôle du PBSV sont réalisés, mais leur efficacité est limitée car ils permettent uniquement de détecter une panne franche d'un des moteurs électriques et non de diagnostiquer l'état d'usure du système de frein de parking. Le bon déroulement d'un test de maintenance ne permet donc pas de garantir le bon fonctionnement du système de frein de parking après le test de maintenance.

De nombreuses pannes du système de frein de parking sont ainsi détectées en service, ce qui engendre des retards ou des annulations de vols très coûteux pour les compagnies aériennes.

Il serait donc intéressant de pouvoir planifier un remplacement de l' actionneur avant qu'une défaillance de l'un des deux moteurs électriques soit détectée en service, et en veillant à ne pas trop anticiper son remplacement pour des raisons économiques évidentes.

OBJET DE L' INVENTION

L'invention a donc pour objet de fournir un moyen pour diagnostiquer un état d'usure d'un actionneur électrique tel que celui d'un système de frein de parking d' aéronef .

RESUME DE L’INVENTION

En vue de la réalisation de cet objet, l'invention propose un procédé pour diagnostiquer un état d'usure d'un actionneur comprenant au moins un moteur électrique. Le procédé comprend les étapes de :

- enregistrer un signal provenant du moteur pendant une activation et une désactivation de 1' actionneur, le signal comportant un premier maximum pendant l'activation et un deuxième maximum pendant la désactivation,

- exécuter un algorithme de fenêtrage sur le signal pour obtenir un jeu de données standardisé comprenant les premier et deuxième maximums, - utiliser au moins une méthode de classification dans au moins deux classes pour établir un score du jeu de données pour chacune des classes de la méthode de la classification.

- évaluer l' état d'usure de l' actionneur à partir des scores du jeu de données.

La mise en œuvre d' un algorithme de fenêtrage des données permet une extraction automatique des données pertinentes du signal dans un format standardisé. La durée d'analyse du signal est ainsi raccourcie et la qualité des scores obtenus par la méthode de classification est améliorée puisqu' un apprentissage de ladite méthode pourra se faire à partir de données comparables entre elles.

Selon une caractéristique particulière,

1' actionneur comprend deux moteurs électriques.

Selon une autre caractéristique particulière, le signal enregistré est le courant d' alimentation du moteur électrique .

Selon un mode de réalisation préféré de l'invention, l'algorithme de fenêtrage comprend les étapes d'échantillonner le signal suivant une fréquence d'échantillonnage déterminée, de rechercher le premier et le second maximum du signal et de définir une première fenêtre de temps autour du premier maximum et une deuxième fenêtre de temps autour du deuxième maximum.

Un tel algorithme de fenêtrage permet notamment de ne pas tenir compte du temps qui s'est écoulé entre l'activation et la désactivation de l' actionneur commandé par l'opérateur lors de l'enregistrement du signal.

Avantageusement, la première et la deuxième fenêtre de temps ont une dimension temporelle identique. Le signal résultant de l'activation de l' actionneur et le signal résultant de la désactivation de l' actionneur s'étendent ainsi sur une même échelle de temps. De manière particulière, un facteur est appliqué au signal pour pouvoir notamment le comparer à un autre signal .

Selon une caractéristique particulière, la méthode de classification utilise la technique des machines à support de vecteurs.

Selon une autre caractéristique particulière, la méthode de classification utilise la technique des réseaux neuronaux.

Selon encore une autre caractéristique particulière, la méthode de classification utilise la technique des « forêts aléatoires ».

Selon un mode de réalisation particulier de l ^f invention, un apprentissage de la méthode de classification utilise un premier groupe de jeux de données répartis dans les classes de ladite méthode pour comprendre la classification associée à chaque jeu de données .

Selon un autre mode de réalisation de l' invention, un paramétrage de la méthode de classification est déterminé en utilisant un deuxième groupe de jeux de données pour améliorer le niveau de fiabilité des scores établis par ladite méthode.

De manière particulière, la méthode de classification est agencée pour réaliser une classification en quatre classes .

Les quatre classes de la méthode de classification sont par exemple « neuf », « rodé », « usé » et « hors d'usage ».

L' invention propose également un appareil de diagnostic pour la mise en œuvre du procédé de 1' invention. L'appareil de diagnostic comporte des moyens d'enregistrement pour enregistrer le signal du moteur électrique et une unité de calcul pour exécuter l'algorithme de fenêtrage et mettre en œuvre la méthode de classification.

De manière particulière, l'appareil comporte un dispositif de branchement apte à s'intercaler entre un réseau électrique d'un aéronef et le frein de parking pour commander le moteur électrique et/ou enregistrer le signal du moteur électrique de l'actionneur du frein de parking.

BREVE DESCRIPTION DES FIGURES

L'invention sera mieux comprise à 1a lumière de la description qui suit, laquelle est purement illustrative et non limitative, et doit être lue en regard des figures annexées parmi lesquelles :

- la figure 1 représente un schéma de principe d'un appareil de diagnostic selon un mode particulier de

1' invention ;

- la figure 2 représente des étapes d'un procédé selon un premier mode de réalisation de l'invention ;

- la figure 3 représente un signal enregistré par l'appareil de diagnostic illustré à la figure 1 sur lequel est appliqué un algorithme de fenêtrage ;

- la figure 4 représente des étapes d'un algorithme de fenêtrage ;

- la figure 5 représente un tableau des scores d'un signal obtenus pour différentes méthodes de classification ;

- la figure 6 représente des étapes d'un procédé selon un deuxième mode de réalisation de l'invention.

DESCRIPTION DETAILLEE DE L'INVENTION L'invention est ici décrite en application à un frein d'une roue d'aéronef. Le frein comprend de manière connue en elle-même des éléments de friction solidaires pour certains de la roue et pour d'autres d'un stator, et un vérin de frein agencé pour exercer sur les éléments de friction un effort suffisant pour bloquer en rotation la roue d'aéronef. Le vérin de frein est associé à un système de frein de parking.

En référence à la figure 1 , un aéronef 1 comporte un système de frein de parking 2 comprenant un distributeur hydraulique piloté par un premier moteur 3 électrique et un deuxième moteur 4 électrique. Le distributeur électrique commande le déplacement d'un vérin pour exercer des efforts sur des éléments de friction de frein dans le but de bloquer en rotation des roues 5 de l'aéronef 1.

Selon l'invention, un appareil 6 pour diagnostiquer un état d'usure d'un frein de parking comprend un dispositif de branchement 7 qui, lors d'une maintenance, est intercalé entre un réseau électrique 8 de l'aéronef 1 et le système de frein de parking 2. Le dispositif de branchement 7 permet à l'appareil 6 de commander les moteurs 3, 4 du système de frein de parking 2 par l'intermédiaire d'une unité de commande 9. L'appareil 6 comprend également des moyens d' enregistrements 10 pour enregistrer des signaux issus des moteurs 3, 4, et plus particulièrement des signaux d'alimentation en courant des moteurs, ces signaux étant captés par le dispositif de branchement 7.

L'appareil 6 comporte également une unité de calcul 11 lui permettant de réaliser un traitement des signaux enregistrés. Des informations concernant le traitement et notamment un résultat de traitement peuvent être affichés via un afficheur 12.

Selon un premier mode de réalisation de l'invention illustré à la figure 2, l'appareil effectue une séquence d'opérations dont une première étape 100 consiste à commander le premier moteur 3 pour successivement activer et désactiver le frein de parking 2 alors que le deuxième moteur 4 est inactif, puis à commander le deuxième moteur 4 pour successivement '

activer et désactiver le frein de parking 2 alors que le premier moteur 3 est inactif. En parallèle, l' appareil 6 enregistre un premier signal 23 en courant d'alimentation du premier moteur 3 puis un deuxième signal 24 en courant d'alimentation du deuxième moteur 4. Le premier signal 23 et le deuxième signal 24 sont représentatifs des efforts fournis par le premier moteur 3 et le deuxième moteur 4 en service et donc de l'usure du frein de parking 2.

Le premier signal 23, comme le deuxième signal 24, comporte comme illustré à la figure 3 un premier pic

30a et un deuxième pic 30b de forme générale identique et dans lesquels le courant d'alimentation est non nul. Le premier pic 30a et le deuxième pic 30b correspondent respectivement à une activation et à une désactivation du frein de parking 2 et présentent respectivement un premier maximum 31a et un deuxième maximum 31b.

Le premier pic 30a et le deuxième pic 30b s'étendent sur des durées 32a, 32b sensiblement identiques l'une à l'autre, égales ici à 0,2 s, correspondant au temps nécessaire pour respectivement activer et désactiver le frein de parking 2. Une durée 33 au cours de laquelle le courant d'alimentation est nul sépare le premier pic 30a et le deuxième pic 30b. La durée 33 correspond au temps écoulé entre une fin de l'activation du frein de parking et un début de la désactivation du frein de parking. Une durée 34 au cours de laquelle le courant d'alimentation est nul précède le premier pic 30a. La durée 34 correspond au temps écoulé entre un début de l'enregistrement et un début de l'activation du frein de parking. Une durée 35 au cours de laquelle le courant d' alimentation est nul suit le deuxième pic 30b. La durée 35 correspond au temps écoulé entre une fin de la désactivation du frein de parking 2 et une fin de l'enregistrement. One deuxième étape 200 consiste à exécuter un algorithme de fenêtrage 40 sur le premier signal 23 et le deuxième signal 24. Comme illustré à la figure 4, l'algorithme consiste dans un premier temps à échantillonner le premier signal 23 et le deuxième signal 24 suivant une fréquence d'échantillonnage déterminée, puis à rechercher pour ledit premier et deuxième signal 23, 24 le premier maximum 31a du premier pic 30a et le deuxième maximum 31b du deuxième pic 30b pour définir une première fenêtre 41a et une deuxième fenêtre 41b entourant respectivement le premier maximum 31a et le deuxième maximum 31b. Les dimensions de la première fenêtre 41a et de la deuxième fenêtre 41b sont choisies de façon à ce que la première fenêtre 41a et la deuxième fenêtre 41b englobent respectivement l'intégralité du premier pic 30a et du deuxième pic 30b et soient comprises entre le début et la fin de l'enregistrement considéré. La première fenêtre 41a et la deuxième fenêtre 41b s'étendent ici sur une durée identique égale à 0,4 s. La position du premier pic 30a dans la première fenêtre 41a est sensiblement similaire à la position du deuxième pic 30b dans la deuxième fenêtre 41b.

Dans le cas où le premier pic 30a ou le deuxième pic 30b est inexistant ou incomplet, l'algorithme de fenêtrage 40 alerte l'opérateur d'une erreur d'enregistrement, par exemple via l'afficheur 12 de l'appareil 6, et lui propose de ne pas tenir compte de l'enregistrement incriminé et de le recommencer.

L'algorithme de fenêtrage 40 permet ainsi de transformer automatiquement le premier signal 23 et le deuxième signal 24 en un premier jeu de données 53 et un deuxième jeu de données 54 standardisés qui sont donc comparables entre eux mais aussi d'un système de frein de parking à un autre. L'algorithme de fenêtrage 40 permet également de s'affranchir de différences d'enregistrement non pertinentes, comme par exemple celle du temps écoulé entre une commande d'activation et une commande de désactivation du frein de parking. Si nécessaire, un facteur pourra être appliqué au premier signal 23 et/ou au deuxième signal 24 dans le but de pouvoir les comparer entre eux ou à d'autres signaux issus d' un autre frein de parking, notamment dans le cas où la tension nominale d'alimentation diffère d'un moteur à l'autre.

L'objet de l'algorithme de fenêtrage 40 est donc de prétraiter le signal pour éliminer les différences d'enregistrement afin d'en faciliter l'analyse.

Une troisième étape 300 consiste à analyser le premier jeu de données 53 et le deuxième jeu de données 54 en mettant en œuvre une méthode de classification A dans quatre classes, chacune des classes étant représentative d'un état d'usure du frein de parking, à savoir : N-Neuf N, R-Rodé, U-Usé U et H-Hors d'usage. La méthode pourra par exemple utiliser la technique des machines à support de vecteurs (SVM) , des réseaux neuronaux (neural networks ) , ou bien encore des « forêts aléatoires » (random forests).

Un choix des paramètres de la technique SVM pourra par exemple être réalisé de la manière suivante :

- Noyau = polynomial (le choix du noyau linéaire n'est pas approprié au vu de la distribution des jeux de données ) ,

Degré = 2 (entier positif strictement supérieur à 1 et choisi dans un intervalle [2:10]),

- Type = C (pour la facilité d'optimisation et la vitesse de calcul),

- C = 1 (pour éviter à la fois un problème de variance élevée et de biais élevé) ,

- g = 0,005 pour environ 2000 jeux de données d'apprentissage (l'utilisation du paramètre g permet de partir de l' idée que des valeurs proches de l'inverse des déciles d'un jeu de données sont proches d'un optimum},

Pondération : N=0 , 1 R=2 U=2 H=1 (la volonté de pouvoir utiliser une base de jeux de données d'apprentissage quel que soit la répartition des classes impose des intervalles relativement larges afin d' obtenir dans tous les cas des résultats intéressants) ,

Le but de la méthode de classification A est d'attribuer au premier jeu de données 53 et au deuxième jeu de données 54 un score poux chacune des classes N, R, U, H, Pour se faire, la méthode de classification A nécessite un échantillon de jeux de données répartis ici en deux groupes de taille égale : un premier groupe de jeux de données 60, dit d'apprentissage, qui sont repartis dans les classes N, R, ü, H pour que la méthode de classification A comprenne la classification à adopter, et un deuxième groupe de jeux de données 70, dit test, qui eux aussi sont repartis dans les classes N, R, ü, H mais pour vérifier le niveau de fiabilité des scores établis par ladite méthode.

L'échantillon de jeux de données est ici issu de freins de parking tout juste sortis de production et de freins de parking retournés en atelier suite à une suspicion de panne sur un aéronef. Les jeux de données d'apprentissage 60 et les jeux de données test 70 sont ici répartis manuellement dans les classes N, R, U, H par un expert en système de freinage apte à classer des jeux de données en fonction de la forme et de l'amplitude des pics enregistrés.

Les jeux de données test 70 sont aussi utilisés pour améliorer un niveau de fiabilité 95 de la méthode de classification A en déterminant un paramétrage 80 de ladite méthode qui permet d'obtenir une prédiction de l'état d'usure du frein de parking présentant un taux d'erreur le plus faible possible. Pour ce faire, un ensemble de combinaisons de paramètres est parcouru pour chacun des jeux de données test 70. La combinaison de paramètres présentant le meilleur taux d'erreur est alors sélectionnée. Le paramétrage 80 est ainsi optimisé.

La figure 5 illustre un exemple de scores du premier jeu de données 23 établis par 1a méthode de classification A pour chacune des classes N, R, U, H. Chacun des scores représente un pourcentage d'appartenance du premier jeu de données 23 à une des classes N, R, U, H. Ainsi, il est convenu que la classe qui obtient le score le plus élevé est représentative de l'état d'usure du moteur et est donc attribuée au premier jeu de données 23. Dans le cas de la figure 5, le moteur 3 est considéré comme usé par la méthode de classification A. One prédiction 90 de l'état d'usure du moteur 3 est alors déterminée, à laquelle est associé le niveau de fiabilité de la méthode de classification A précédemment calculé. Il est entendu que l'état d'usure du premier moteur 3 combiné à celui du deuxième moteur 4 déterminé dans les mêmes conditions que celui du premier moteur 3 permet, dans une quatrième étape 400, d'évaluer l'état d'usure du système de frein de parking 2. Un remplacement du premier moteur 3 et/ou du deuxième moteur 4 peut alors être décidé.

Selon un deuxième mode de réalisation de l'invention illustré à la figure 6, ce n'est pas une mais trois méthodes de classification A, B, C différentes qui sont mises en œuvre pour évaluer l'état d'usure du frein de parking 2. La méthode de classification A utilise la technique des machines à support de vecteurs, la méthode de classification B celle des réseaux neuronaux et la méthode de classification C celle des « forêts aléatoires ». Prises séparément, chacune des méthodes de classification A, B, C présente un taux de prédiction juste supérieur à 99%.

Un apprentissage et un paramétrage des méthodes

A, B, C sont réalisés comme précédemment à partir d'un même échantillon de jeux de données. L'état d'usure du frein de parking 2 est par contre cette fois-ci déterminé en combinant les scores A, B, C obtenus respectivement par chacune des méthodes de classification A, B, C pour le premier moteur 3 et le deuxième moteur 4.

Dans le cas où les méthodes de classification A,

B, C qui utilisent des techniques différentes attribuent une même classe pour un même jeu de données (ce qui représente une majorité des cas}, l'état d'usure du moteur de frein de parking associé au jeu de donnée est alors évalué avec un niveau de fiabilité important.

Dans le cas où les méthodes A, B, C attribuent des classes différentes pour un même jeu de données, un algorithme de combinaison 350 attribue une classe au jeu de données en utilisant par exemple des coefficients de pondération sur chacune des classes N, R, 0, H des scores A, B, C en fonction des capacités connues de chacune des méthodes de classification A, B, C.

Lorsque la somme de chacun des scores A, B, C n'est pas identique, l'algorithme de combinaison 350 peut aussi utiliser, en plus desdits coefficients de pondération, une fonction qui, pour chaque méthode de classification A, B, C, ramène les scores A, B, C sur une même échelle.

De cette façon, les scores de chacune des méthodes de classification A, B, C sont comparables entre eux et sont pondérés en fonction de leurs niveaux de fiabilité respectifs.

En effet, lorsque les méthodes de classification A, B, C retournent par exemple les scores A, B, C ci- dessous, le score le plus élevé de la méthode de classification A h' indique pas nécessairement une meilleure prédiction de l'état d'usure de l' actionneur que celui de la méthode de classification B ou C.

Une première étape de l'algorithme de combinaison 350 peut alors notamment consister à calculer la somme des scores de chacune des méthodes de classification A, B, C pour en déduire un coefficient permettant de ramener ladite somme à 1. On obtient ainsi les scores A' , B', C' recalculés suivants :

Pour autant, les scores ', B', C' ne sont toujours pas directement comparables d'une méthode de classification à une autre. A cet effet, l'algorithme de combinaison 350 peut, lors d'une deuxième étape dite de normalisation, appliquer à chacun des scores A' , B' , C' une fonction qui dépend pour chacune des méthodes de classification de la classe pour laquelle le score est le plus élevé. La fonction, appelée aussi fonction de correction, est définie en fonction des résultats obtenus sur les jeux de données d'apprentissage et permet de ramener les scores A', B', C' sur une échelle unique.

Ainsi corrigés, les scores A', B', C' sont désormais directement comparables d'une méthode de classification à une autre. Il est alors possible lors d'une troisième étape de qualifier et de comparer la capacité de chacune des méthodes de classification à reconnaître correctement la classe correspondant à l'état réel de l' actionneur ;

- probabilité forte de détecter la classe qui correspond à l'état réel de l' actionneur,

- probabilité faible d'attribuer une classe qui ne correspond pas à l'état réel de l' actionneur (« faux positif ») ,

Une pondération unique sur tous les scores A' ,

B' , C' corrigés de chacune des méthodes de classification peut ainsi être appliquée. La pondération dépend de la classe pour laquelle le score est le plus élevé et ladite pondération peut être définie en fonction des jeux de données d'apprentissage.

L'algorithme de combinaison 350 peut ainsi calculer par exemple le niveau de fiabilité de chacune des classes attribuées par une méthode de classification donnée (lorsque la méthode de classification A attribue la classe N, elle a raison dans 98,6% des cas ; lorsque la méthode de classification B attribue pour résultat la classe N, elle a raison dans 81,3% des cas ; etc...).

L'utilisation de plusieurs méthodes de classification permet ainsi de tirer parti des spécificités de chacune des méthodes et d'obtenir une prédiction finale à la fois précise et fiable qui élimine virtuellement le risque d'erreur de classification et de panne imprévue du premier moteur 3 et du deuxième moteur 4.

Bien entendu, l'invention n'est pas limitée aux modes de réalisation décrits mais englobe toute variante entrant dans le champ de l'invention telle que définie par les revendications.

La séquence d'opérations effectuée par l'appareil de diagnostic 6 reste inchangée lorsque le nombre de moteurs électriques pilotant le système de frein de parking 2 est égal à un ou est supérieur à deux. Elle est effectuée sur chaque moteur électrique de l'actionneur du frein de parking,

De même, la séquence d'opérations effectuée par l'appareil de diagnostic 6 reste inchangée lorsque les signaux 23, 24 des moteurs électriques 3, 4 comportent un nombre de maximums (soit un nombre de pics) égal à un ou supérieur à deux. L'algorithme 40 de fenêtrage définit autant de fenêtres qu'il y a de maximums,

Bien qu' ici ce soit l'appareil de diagnostic qui commande les moteurs du frein de parking pour enregistrer leur signal lorsqu'ils sont en service, la commande des moteurs peut être activée manuellement par un opérateur pendant que le signal est enregistré.

Un signal autre que le courant d'alimentation des moteurs peut être enregistré pour évaluer l'état d'usure du frein de parking, comme par exemple la tension d'alimentation ou le couple des moteurs.

Bien qu' ici l'appareil de diagnostic soit nomade afin de pouvoir être branché sur plusieurs aéronefs, il peut aussi être fixe, soit embarqué dans un aéronef et dédié à celui-ci.

Après chaque utilisation de l'appareil de diagnostic, les jeux de données 53, 54 peuvent être automatiquement ajoutés aux jeux de données d'apprentissage 60 pour améliorer les scores établis par les méthodes de classification A, B, C.