Maintenance prédictive secteur aéronautique

De part la réalisation d’une dizaine de projets de prédiction industriels et opérationnels menés de bout en bout, nous pouvons intervenir à toutes les étapes d’un projet de maintenance prédictive. Notre spectre de compétences couvre la spécification et l’intégration de capteurs de mesure sans fil (IoT) jusqu’à l’industrialisation d’outils et de leur support. Nous avons travaillé sur tout type de systèmes (machines-outils, avions, trains, moyens de production énergétique…), toujours avec succès ! En voici un exemple axé sur la maintenance prédictive d’avion de ligne.

Contexte
Les données et leur acquisition
La R&D
L’industrialisation
Bilan
Contexte

Contexte

Notre client, un acteur majeur de l’aéronautique, nous a sollicité pour participer à la conception et à la mise en production d’un outil de maintenance prédictive à partir des historiques de vols, pannes et maintenances réalisées sur ces avions. L’objectif principal étant de réduire le plus possible les vols annulés ou retardés, qui ont de forts impacts opérationnels.

Les données et leur acquisition

Les données et leur acquisition

Afin de mener ce projet, nous disposions de 3 ans d’historique de données issues de capteurs avions. Ces données sont stockées dans un stockage Hadoop et sont collectées à chaque retour de l’avion à sa base. En complément de l’historique de vol, nous disposions également de l’historique des pannes et des opérations de maintenance réalisées.

La R&D

La R&D

L’étape clef de la maintenance prédictive consiste dans la mise au point d’algorithmes de Machine Learning capables d’interpréter et de prédire les pannes futures des systèmes en opération. Pour ce faire, notre approche s’est décomposée en 4 étapes :

– Exploration : Cerner la typologie des pannes et sélectionner les données à étudier. 

– Analyse non supervisée : Nous avons mené une étude non supervisée afin d’établir sans biais les différents contextes d’utilisation et modes de panne sur chacun des systèmes ciblés.

– Modèles prédictifs :  Nous avons pu entraîner des modèles de classification supervisée obtenant de bonnes performances pour identifier en avance de phase les pannes.

– Scoring et validation : Interprétation des feedback des ateliers montrant que le modèle a été performant.

L’industrialisation

L’industrialisation

Une fois les modèles entraînés, nous avons participé à l’industrialisation avec l’IT du client pour mettre en place un pipeline automatisé d’ingestion et de classification des données avion qui expose les résultats des prédictions à une interface web. Cette interface permet désormais aux techniciens et ingénieurs du support technique d’anticiper via des plans systèmes les pannes amenées à survenir dans un futur plus ou moins proche.

Bilan

Bilan

Grâce à cette solution le nombre de retards et annulations a été divisé par 2. À cela s’ajoute une contribution à la sécurité des vols.

Autres Cas

Optimisation de production

Les champs d’applications de la recherche opérationnelle dans l’industrie sont […]