Unsupervised anomaly detection for aircraft health monitoring system
par Dani Mohamed Cherif sous la direction de Nadif Mohamed
Thèse de doctorat en Science des données
École doctorale Informatique, Télécommunications et Electronique

Soutenue le Friday 10 March 2017 à Sorbonne Paris Cité

Sujets
  • Aviation
  • Détection des anomalies (informatique)
  • Gestion de l'information
Le texte intégral n’est pas librement disponible sur le web
Vous pouvez accéder au texte intégral de la thèse en vous authentifiant à l’aide des identifiants ENT de l’Université, au sein de l’établissement en utilisant un compte invité Wifi ou en demandant un accès extérieur si vous pouvez justifier de votre appartenance à un établissement chargé d’une mission d’enseignement supérieur ou de recherche

Se connecter ou demander un accès au texte intégral

Depuis le 1er janvier 2012, les thèses de doctorat soutenues ou préparées à l’Université Paris Descartes sont déposées au format électronique, sous licence Creative Commons.

Consultation de la thèse sur d’autres sites :

Theses.fr

Description en anglais
Description en français
Mots clés
Capteurs d'avions, Data science
Resumé
La limite des connaissances techniques ou fondamentale, est une réalité dont l'industrie fait face. Le besoin de mettre à jour cette connaissance acquise est essentiel pour une compétitivité économique, mais aussi pour une meilleure maniabilité des systèmes et machines. Aujourd'hui grâce à ces systèmes et machine, l'expansion de données en quantité, en fréquence de génération est un véritable phénomène. À présent par exemple, les avions Airbus génèrent des centaines de mégas de données par jour, et intègrent des centaines voire des milliers de capteurs dans les nouvelles générations d'avions. Ces données générées par ces capteurs, sont exploitées au sol ou pendant le vol, pour surveiller l'état et la santé de l'avion, et pour détecter des pannes, des incidents ou des changements. En théorie, ces pannes, ces incidents ou ces changements sont connus sous le terme d'anomalie. Une anomalie connue comme un comportement qui ne correspond pas au comportement normal des données. Certains la définissent comme une déviation d'un modèle normal, d'autres la définissent comme un changement. Quelques soit la définition, le besoin de détecter cette anomalie est important pour le bon fonctionnement de l'avion. Actuellement, la détection des anomalies à bord des avions est assuré par plusieurs équipements de surveillance aéronautiques, l'un de ces équipements est le « Aircraft condition monitoring System -ACMS », enregistre les données générées par les capteurs en continu, il surveille aussi l'avion en temps réel grâce à des triggers et des seuils programmés par des Airlines ou autres mais à partir d'une connaissance a priori du système. Cependant, plusieurs contraintes limitent le bon fonctionnement de cet équipement, on peut citer par exemple, la limitation des connaissances humaines un problème classique que nous rencontrons dans plusieurs domaines. Cela veut dire qu'un trigger ne détecte que les anomalies et les incidents dont il est désigné, et si une nouvelle condition surgit suite à une maintenance, changement de pièce, etc. Le trigger est incapable s'adapter à cette nouvelle condition, et il va labéliser toute cette nouvelle condition comme étant une anomalie. D'autres problèmes et contraintes seront cités progressivement dans les chapitres qui suivent. L'objectif principal de notre travail est de détecter les anomalies et les changements dans les données de capteurs, afin d'améliorer le system de surveillance de santé d'avion connu sous le nom Aircraft Health Monitoring(AHM). Ce travail est basé principalement sur une analyse à deux étapes, Une analyse unie varie dans un contexte non supervisé, qui nous permettra de se focaliser sur le comportement de chaque capteur indépendamment, et de détecter les différentes anomalies et changements pour chaque capteur. Puis une analyse multi-variée qui nous permettra de filtrer certaines anomalies détectées (fausses alarmes) dans la première analyse et de détecter des groupes de comportement suspects. La méthode est testée sur des données réelles et synthétiques, où les résultats, l'identification et la validation des anomalies sont discutées dans cette thèse.