Robustesse des résultats

Intéressons nous maintenant à la robustesse des résultats du clustering des séquences labellisées et à l’existence éventuelle de vols plutôt volages, difficilement attribuable à un cluster dans la base de données. Comme précédemment expliqué, on exécute 100 fois l’algorithme SOM relationnel et on impose une taille 10x10. On calcule ensuite les pourcentages de paires attractives, répulsives et volages (voir Table 10).

Paires attractives (%) Paires répulsives (%) Paires volages (%)

30,02 58,09 11,8

Table 10: Résultats des pourcentages des paires de classes attractives, répulsives et volages de la carte de Kohonen.

Figure 75: Séquences labellisées réordonnées selon le nombre de paires volages auxquelles elles appartiennent

On identifie ensuite les séquences labellisées/vols les plus volages. Ils se trouvent dans les classes situées au bord de la carte de la Figure 72. Nous les représen-tons dans les Figures 76 à 79 (le reste des vols volages se trouvent en annexe). Toutes

6.4 Identification des vols "volages" 130

les figures ont été mises à l’échelle de manière à ce que leur taille soit proportion-nelle à la durée du vol. Pour nous aider dans l’interprétation, l’altitude est également représentée.3

Figure 76: Vol volage (Exemple 1)

La Figure 76 a une allure assez similaire au vol représentatif (voir la Figure 68). Toutefois la phase de climb est très longue et elle contient une petite variation inhabituelle durant le climb.

Figure 77: Vol volage (Exemple 2)

Dans la Figure 77, on remarque qu’il s’agit d’un vol très court mais qui s’est

3Il est possible que la fréquence des données d’altitude ne soit pas la même d’un vol à l’autre. C’est pourquoi certaines altitudes ont une allure en escalier.

6.4 Identification des vols "volages" 131

déroulé correctement bien que l’allure de la courbe N1 semble atypique.

Figure 78: Vol volage (Exemple 3)

Pour l’exemple 3 (Figure 78), les informations concernant l’altitude ne coïn-cident pas avec l’allure de la courbe en N1. On ne peut conclure.

Figure 79: Vol volage (Exemple 4)

Dans la Figure 79, le vol semble s’être déroulé normalement d’après l’altitude, bien que la montée s’est effectuée par niveaux.

Les Figures 76 à 79 illustrent des vols tout à fait atypiques. L’ensemble des vols volages ont été soumis aux experts métier pour analyse.

6.5 Conclusion 132

6.5 Conclusion

Après avoir transformé chaque vol en une suite de labels, nous avons mis en place un outil permettant l’analyse de ces séquences labellisées. Grâce à la méthode optimal matchinget à la définition de coûts adaptés aux données, nous avons créé une matrice de dissimilarités entre les séquences labellisées.

Ensuite nous avons construit une carte de Kohonen associée à cette matrice. L’analyse des classes de cette carte a montré que chaque classe regroupe des séquences labellisées similaires ainsi que les vols qui leur sont associés.

Le calcul du pourcentage de paires volages et l’identification de ces vols volages a permis de répertorier plusieurs vols ayant une allure atypique.

Ainsi la méthode que nous avons appliquée, nous permet d’analyser des séquences de vols, d’identifier des vols similaires et de repérer les vols atypiques.

134

7 Conclusions et perspectives

7.1 Conclusions

Dans l’introduction de ce manuscrit, nous avons rappelé l’importance des détections précoces d’anomalies dans le fonctionnement des moteurs d’avions grâce à des cap-teurs, en mettant en évidence leurs éventuelles conséquences logistiques, financières et même en matière de réputation des compagnies aériennes. En effet une anoma-lie détectée tardivement ou non détectée peut être coûteuse ou amener à des retards. Nous avons rapidement résumé les méthodes employées par Safran Aircraft Engines, notamment en Prognostic Health Monitoring, et basées essentiellement sur le savoir-faire métier et sur l’apprentissage automatique. Le travail effectué dans cette thèse afin d’aider les experts dans l’exploitation des données consiste à les résumer automa-tiquement par une suite de labels, en détectant les éventuelles anomalies et en créant un outil permettant de rechercher rapidement des courbes de vols similaires à une courbe donnée.

Dans un premier temps, nous avons décidé de repérer les phases transitoires et stabilisées dans les séries temporelles monovariées et de nous focaliser sur les phases transitoires. Pour cela, plusieurs méthodes ont été utilisées (OP, PELT, SEP et online) et les algorithmes PELT-BIC et online ont tous deux de bons résultats pour découper chaque série temporelle en une succession de phases transitoires et stabil-isées. Toutefois l’algorithme PELT-BIC représentait le meilleur compromis du point de vue des critères de performance. Ainsi nous avons mis en place un outil permet-tant aux experts de repérer les phases transitoires et stabilisées avec une complexité linéaire. Ce travail a donné lieu à un article à ESANN 2016 (Faure, Bardet, et al., 2016).

Ensuite, le travail de thèse nous a conduit à classer l’ensemble des phases transitoires (croissantes et décroissantes) dans un contexte bivarié en fonction des caractéristiques de leur évolution en construisant des cartes de Kohonen (SOM numérique) et des superclasses de niveau 1 (vitesse de rotation N1) et de niveau 2 (température avant combustion T3). Par cette méthodologie, nous avons proposé un outil permettant d’analyser les comportements récurrents et non récurrents des phases bivariées dans une même superclasse de niveau 1. L’ensemble de la méthodologie fait l’objet de deux articles (Faure, Olteanu, Bardet, & Lacaille, 2017) et (Bardet, Faure, Lacaille, & Olteanu, 2017).

Pour permettre aux experts métier de repérer des phases/courbes atypiques dans les données, un autre outil a été développé à partir de tubes de confiance calculés pour chacune des superclasses. En utilisant les propriétés des cartes de Kohonen, les experts pourront également rechercher rapidement des phases/courbes similaires à une phase/courbe donnée.