Méthode instrumentée pour l'optimisation de l'exploitation de la maintenance des aéronefs

par Alexandre Sarazin

Projet de thèse en Informatique et Génie Industriel

Sous la direction de Xavier Lorca et de Sébastien Truptil.

Thèses en préparation à l'Ecole nationale des Mines d'Albi-Carmaux , dans le cadre de École doctorale Systèmes (Toulouse) , en partenariat avec CGI - Centre de Génie Industriel (laboratoire) depuis le 03-09-2018 .


  • Résumé

    Les ambitions du projet de recherche sont de proposer une méthode instrumentée pour l'optimisation de l'exploitation de la maintenance des aéronefs afin de définir un système d'aide à la décision ayant pour objectif d'améliorer l'efficacité et l'efficience de la maintenance des aéronefs grâce à une détection des défaillances au plus tôt ainsi que les actuels No Fault Found Problem. Ce système sera composé de deux composants : (1) Composant de surveillance en temps réel qui s'intéressera à comparer ce qu'il se produit, sur la base d'une interprétation des données reçues, avec ce qu'il devrait se passer. Ce composant aura notamment pour objectif de détecter les No Fault Found Problems et se basera essentiellement sur les pronostics définis par le composant a posteriori. (2) Composant d'amélioration a posteriori : ce composant concerne le cycle de vie de la connaissance (recueil, adaptation, évolution, suppression, évaluation des règles de pronostics), ainsi que la déduction de modèles prédictifs qui donneront naissance aux règles de surveillance et à des indicateurs de performance.

  • Titre traduit

    Instrumental method to optimise aircraft maintenance exploitation


  • Résumé

    The aim of this research is to design a decision support system in charge to detect aircraft maintenance needs. This system will be composed of two components: (1) Real-time monitoring component, which is in charge to compare what happens, based on an interpretation of the data received, with what should happen. The purpose of this component is to detect No Fault Found Problems and will essentially be based on the predictions defined by the posteriori improvement component. (2) A posteriori improvement component, which concerns the life cycle of knowledge (collection, adaptation, evolution, deletion, evaluation of prediction rules), as well as the deduction of predictive models that will provide surveillance rules and performance indicators.