Prédiction de durées de vie restante de composants aéronautiques par des approches de deep learning

Prediction of the remaining useful life of aircraft components with deep learning methods

• Auteur / Autrice : Anass Akrim
• Direction : Christian Gogu, Rob A. Vingerhoeds
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et Applications
• Date : Soutenance le 08/12/2022
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Aéronautique-Astronautique (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut Clément Ader (Toulouse ; 2009-....)
• Jury : Président / Présidente : Bruno Castanier
• Jury : Examinateurs / Examinatrices : Mihaela Juganaru, Kamal Medjaher
• Jury : Rapporteurs / Rapporteuses : Emmanuel Ramasso, Jean-Marc Bourinet

Mots clés

Mots clés contrôlés

Usure (mécanique)

Avions -- Matériaux

Apprentissage profond

Mots clés libres

Pronostic de défaillance

Durée de vie restante

Apprentissage profond

Rareté de données étiquetées

Apprentissage auto-supervisé

Prognostics and Health Management (PHM)

Remaining Useful Life (RUL)

Deep Learning (DL)

Data Scarcity

Self-Supervised Learning (SSL)

Résumé

La durée de vie restante (ou Remaining Useful Life - RUL en anglais) d'une structure ou d'un système est le temps opérationnel restant avant qu'il ne soit plus capable d'accomplir avec succès les fonctionnalités requises et devrait ainsi être remplacé. Prédire la durée de vie restante d'un composant sur la base des données disponibles (notamment des données de capteurs) est l'objectif principal des tâches de pronostic (ou pronostic de défaillance). Comme de plus en plus de données deviennent disponibles dans de nombreux domaines de l'ingénierie, y compris dans le domaine de l'aérospatial, il y a un récent essor en intérêt pour l'utilisation des techniques d'apprentissage profond (ou Deep Learning - DL en anglais) pour le pronostic dans ces domaines. En effet, ces approches ont été souvent couronnées de succès dans d'autres domaines lorsque entrainées sur des grandes bases de données. Cependant, l'un des principaux défis de ces techniques réside dans la difficulté d'obtenir de grandes quantités de données étiquetées pour leur entrainement. Les travaux de recherche de cette thèse visent à proposer des solutions potentielles pour répondre à ce défi. Dans le cadre de ces travaux, les problèmes de pronostic d'endommagement par fatigue sont considérés. En effet, pour de nombreuses structures mécaniques et notamment les structures aéronautiques, l'endommagement par fatigue est un mode de défaillance majeur (par exemple pour les panneaux de fuselage soumis à des charges variables pendant le vol). Dans la première partie de la thèse, un cadre algorithmique et un code associé sont proposés, permettant de générer de grandes bases de données synthétiques pour un problème réaliste de pronostic d'endommagement par fatigue. L'objectif de ce travail est de faciliter l'évaluation comparative des derniers algorithmes de DL dans ce domaine de recherche, en particulier dans le secteur aérospatial. Un premier pas dans cette direction a ensuite été fait en comparant différentes approches de DL dans plusieurs configurations sur ce problème de pronostic de l'endommagement par fatigue. Par ailleurs, alors que les données étiquetées sont rares, la disponibilité des données non étiquetées augmente en raison des progrès des technologies de capteurs. L'exploitation des données non étiquetées pendant la phase d'entrainement est donc devenue un objectif majeur de l'apprentissage automatique. Par conséquent, une technique d'apprentissage automatique émergente est étudiée dans cette thèse : l'apprentissage auto-supervisé (ou Self-Supervised Learning - SSL en anglais). Cette approche a déjà fait ses preuves dans des domaines tels que le traitement de texte ou traitement d'images. Dans ces recherches, cette approche a été développée et implémentées dans le cadre du problème de pronostic de l'endommagement par fatigue mentionné précédemment, sur lequel elle a montré des résultats prometteurs, notamment lorsqu'une grande quantité de données non étiquetées et seulement peu de données étiquetées sont disponibles.

The remaining useful life (RUL) of a structure or system is the operating time remaining before it can no longer successfully perform its required functions and must be replaced. Predicting the RUL of a component based on available data (notably sensors data) is the main objective of prognostics tasks (or failure prognostics). As more data becomes available in many engineering domains, including in aerospace, there is a recent surge of interest in using Deep Learning (DL) for prognostics in these fields. Indeed, these approaches have been quite successful in other domains when trained on large datasets. However, one of the major challenges for DL techniques resides in the difficulty of obtaining large amounts of labelled data for their training (i.e. data scarcity). This research aims at proposing possible solutions to address this challenge. In this thesis, fatigue damage prognostics problems are considered. Indeed, for many mechanical structures and notably aeronautic structures, fatigue damage is one of the major modes of failure (e.g. fuselage panels subjected to variable loadings during flight). In the first part of the thesis, a framework and code for synthetically generating large data sets for a realistic fatigue damage prognostics problem are proposed. The objective of this development is to facilitate the comparative evaluation of the latest DL algorithms in the research field, in particular in the aerospace domain. A first step in this direction was then taken by comparing different DL techniques in a variety of settings on this fatigue damage prognostics problem. Furthermore, while labelled data is lacking, the availability of unlabelled data is increasing due to the advancements in sensing technologies. Exploiting unlabelled data during training has therefore become a major goal in ML. Hence, an emerging machine learning technique is investigated in this work: Self-Supervised Learning (SSL). This approach has already proven its worth in fields such as Natural Language Processing or Image Processing. In this research, this approach was developed and implemented on the previously mentioned fatigue damage prognostics problem, on which it showed promising results, notably when large amounts of unlabelled data and only limited labelled data are available.