commandes de vol
Remarque 4. En simulation numérique, les défauts sont généralement injectés directement
sur la position de la gouverne, hors boucle d’asservissement. Dans ce contexte, la détection de la panne pourrait correspondre à la détection d’un défaut du capteur. Cette démarche ne s’applique pas forcement aux essais sur le banc de tests (voir Chapitre IV), où un embarquement pourrait être injecté, entre autres, sur le courant envoyé sur la servovalve. Dans le cas d’une panne de type embarquement de la gouverne, la diminution du retard à la détection (grâce à un seuil plus petit et un transitoire faible) se traduit par l’abaissement de la position maximale atteinte par la surface. Le gain "en position" est calculé comme le produit
entre la vitesse de l’embarquement et le gain sur le retard à la détection (gain_pos =v_embarq*gain_retard). Ceci est indiqué dans le Tableau II-1 sous forme d’un indicateur de performance évalué sur le jeu de données, pour le filtre de Kalman de 2nd ordre en régime stationnaire.
Vitesse de l’embarquement (°/s) Diminution du retard à la détection (%) Indicateur d’amélioration des performances (%) 40 3 21 326 30 3 23 330 20 3 28 336 10 3 21 325 5 3 28 331
Tableau II-1 : Indicateur de performance du filtre de 2nd ordre en régime stationnaire sur le jeu de données
On remarque qu’en fonction de la dynamique de la panne, le retard à la détection est diminué d’environ 20% minimum. En conséquence, l’indicateur de performance est positif pour toutes les vitesses d’embarquement. On constate un abaissement de la position de la surface d’environ 25-35% par rapport à la déflexion maximale imposée pour la certification de l’avion.
Il est à noter que les résultats de simulation montrent des performances en détection semblables (dans les mêmes conditions et en gardant le même niveau de robustesse) pour le filtre de Kalman en régime stationnaire (25) et pour le filtre de Kalman à gain variable (21), réglés à l’aide des deux procédures présentées dans la section II.3.2.3.
II.3.4.3Cas du grippage
Dans le cas d’un grippage de gouverne, on applique le même protocole décrit dans la sous-section II.3.4.1 pour déterminer le seuil minimum sans fausses alarmes. Les résultats de simulation (voir Figure II-16 pour les résidus obtenus sur le jeu de données réelles) confirment que l’utilisation du filtre optimisé par la procédure décrite en section II.3.3.2 conduit à l’amélioration du comportement du résidu A dont les valeurs maximales sont diminuées. Il est donc possible de baisser le seuil de détection, tout en maintenant un haut niveau de robustesse. Résidu B permet une diminution du seuil d’environ 50%. L’abaissement du seuil se traduit par la détection des surfaces bloquées à des amplitudes plus faibles que les niveaux détectés par la technique actuellement employée au bord de l’A380. Autrement dit, le domaine de non-détection d’un grippage de gouverne est réduit de manière significative.
Chapitre II – Amélioration des tâches des surveillances d’embarquement et de grippage via une approche à base de modèle
Figure II-16 : Comportement des résidus normalisés sur le jeu de données (résidu actuel et
filtré avec le filtre stationnaire de 2nd ordre)
Les performances en détection de la méthode sont évaluées par la simulation des surfaces bloquées à différents moments de temps et à différentes amplitudes (entre -2.5 et 2.5 après normalisation). Les résultats sont illustrés sur la Figure II-17. Sachant que l’objectif principal est de réduire la zone de non-détection de ce type de panne, on s’intéresse à l’amplitude de blocage minimale détectable par la méthode A (l’état de l’art industriel) et la méthode B (le filtre de Kalman en régime stationnaire (25) avec les paramètres optimisés). On compare également les retards à la détection engendrés par les deux méthodes. Même si assurer un faible retard à la détection n’est pas le but principal dans le cas d’un grippage de gouverne, pour la poursuite du vol, il est important de détecter ce type de panne dans le temps imparti.
Trois régions distinctes sont définies :
1 Aire 1 correspond aux grippages à des positions élevées en valeur absolue. Dans ce cas, les pannes sont détectées par les deux méthodes. Toutefois, pour des surfaces bloquées à la même position, un retard à la détection plus faible peut être remarqué en appliquant la méthode B. L’amélioration au niveau du retard à la détection est variable en fonction de la position de grippage.
1 Aire 2 correspond aux blocages à des positions faibles (inférieures en valeur absolue au seuil de l’état de l’art industriel). Dans cette situation, les pannes sont détectées uniquement par la méthode B, sans affecter le niveau actuel de robustesse. Grace au filtrage, l’amplitude de blocage minimale détectable est diminuée d’environ 50%.
1 Aire 3 correspond aux grippages à des amplitudes très faibles (autour de 0 en valeur absolue). Sachant que les positions de blocage sont inférieures au nouveau seuil de détection, aucune de deux méthodes ne détecte ce type de panne. Deux approches capables de détecter les blocages autour de 0° sont présentées dans le Chapitre III.
Figure II-17 : Améliorations dans le cas d’un blocage de gouverne
II.4 Conclusion
Ce chapitre a mis en évidence le potentiel offert par l’intégration d’une méthode simple à base de modèle dans le calculateur CDVE pour la détection précoce et robuste de l’embarquement et du blocage des gouvernes. Pour le premier profil de faute, la méthode proposée ne fait pas appel au modèle dynamique du système et offre ainsi des avantages considérables comme la portabilité (la possibilité d’appliquer l’approche pour différentes modèles d’actionneurs, différentes gouvernes et différentes familles d’avions), la facilité de réglage et de validation. De plus, la méthodologie présente un faible coût calculatoire et satisfait les contraintes opérationnelles et de disponibilité très strictes. Pour le grippage d’une gouverne, la même structure de modèle a été utilisée pour modéliser la boucle d’asservissement de la gouverne et générer ainsi un signal indicateur de défauts. Dans les deux cas, il a été démontré qu’un niveau plus faible de panne peut être détecté (par rapport à celui obtenu avec l’état de l’art industriel), tout en conservant le même niveau de robustesse.
Un problème crucial est la détermination des paramètres de réglage de l’algorithme. Deux démarches d’optimisation hors-ligne ont été proposées. Une approche d’apprentissage itératif est appliquée pour le réglage des hyper-paramètres du filtre de Kalman conventionnel. Dans le cas du filtre de Kalman en régime stationnaire, la procédure d’optimisation correspond à une démarche de type poursuite du modèle de référence, en mettant en entrée une réponse cible appropriée en fonction du type de panne à détecter.
Chapitre II – Amélioration des tâches des surveillances d’embarquement et de grippage via une approche à base de modèle
La robustesse et les performances en détection de la méthodologie proposée ont été testées et validées sur le benchmark Airbus et sur un jeu de données réelles, enregistré en vol. Malgré une nette amélioration de l’état de l’art, certaines faiblesses persistent pour la détection des gouvernes bloquées autour de 0°. Dans le chapitre suivant, nous proposerons deux approches différentes capables de détecter ce type de panne, tout en respectant l’ensemble des contraintes industrielles.