Short_finals_to_RW22R_at_NCE_Airport

Un avion de ligne est équipé de capteurs en tout genre, et notamment de capteurs de navigation. C’est ce qui permet à son ordinateur de bord de connaître la situation de l’avion (position, vitesse, etc.) et donc, de pouvoir remplir sa mission de vol dans les meilleures conditions.

Mais est-ce que cette somme gigantesque d’informations qui transitent dans l’avionique de l’appareil est exploitée au mieux, notamment pour la sécurité du vol ?

 

Etat des lieux : trop de sécurité, « tue » la sécurité

L’industrie aéronautique est, à juste titre, gouvernée par les normes et certifications les plus draconiennes, ce qui a permis une réduction extrêmement importante des taux d’accident depuis des décennies.

Ainsi, il n’est pas rare de trouver, en sortie d’usine, comme dans le spatial, des appareils avec une technologie (qu’elle soit matérielle, logicielle ou algorithmique) qui pourrait être « dépassée » si elle était appliquée à l’électronique de tous les jours, car elle doit se montrer éprouvée et sans faille : un bug informatique du traitement de texte d’un ordinateur de bureau n’a pas les mêmes conséquences qu’un bug informatique d’une avionique en plein vol.

Ceci étant dit, ces normes et certifications draconiennes ont un inconvénient : nécessitant temps important, une somme considérable de travail et de tests, elles coutent extrêmement chères, et de ce fait, peuvent être un ralentissement à l’innovation (même sécuritaire), pourtant à portée de main dans certains cas.

Un exemple simple : lorsque trois sondes anémométriques (en redondance) équipent un avion de ligne, si deux d’entre elles donnent une information, et qu’une autre donne une autre information, certains ordinateurs de bord font confiance et adoptent les mesures des deux sondes donnant la même donnée.

Mais qu’est-ce qui prouve que ce n’est pas la troisième sonde qui a raison, et comment serait-il possible de le prouver ?

Heureusement, il est possible d’exploiter toutes les données déjà disponibles à travers les capteurs classiques de navigation d’un aéronef (Centrale inertielle, GPS/Galileo, etc.) ainsi que les commandes envoyées à ses gouvernes, afin de surveiller en temps réel le comportement de l’appareil et estimer les paramètres clés du bon déroulement du vol, afin d’anticiper tout problème avant qu’il n’arrive réellement (décrochage, givrage des ailes, etc.).

 

Mais alors, qu’est-il fait ?

Les capteurs de navigation permettent de mesurer, calculer et estimer un certain nombre d’informations importantes pour la bonne conduite du vol : la position de l’avion (latitude, longitude), ses altitudes (pression barométrique (au dessus de la mer, par exemple), et par rapport au sol), son assiette (roulis, tangage), sa direction (lacet), son cap, ses vitesses (par rapport au vent, et au sol), ses taux de rotation sur ses trois axes, etc.

Mais toutes ces données sont bien évidemment extrêmement corrélées, et ne sont absolument pas indépendantes les unes des autres, bien au contraire. Comme cela a été évoqué lors d’articles précédents, elles sont reliées par des équations mathématiques bien définies, qui correspondent à ce que l’on appelle le modèle d’état de l’avion.

Ainsi, de nombreuses possibilités existent pour déterminer, en temps réel, la santé de l’avion, à travers son comportement, et la réponse qu’il fournit aux commandes du pilote, ou de l’autopilote le cas échéant.

 

Les premières estimations les plus simples à réaliser

Tout d’abord, il est possible de comparer, et d’analyser en temps réel :
    - le comportement réel de l’aéronef ;
    - le comportement qu’il est censé avoir, d’après la théorie ;
afin de effectuer un premier diagnostic temps réel d’un nombre important d’évènements qui pourraient intervenir durant le vol, et ainsi réaliser ce qu’on pourrait appeler un « Health Monitoring de la Dynamique du Vol » qui sera nommé HMDV.

Dans le cas d’un petit drone à voilure fixe provenant de l’Université du Minnesota, équipé de capteurs de navigation bon-marchés MEMS, il est ainsi possible de comparer le vol du drone, au vol qu’il devrait réaliser en théorie.

Pour ce faire, cette démonstration se consacre uniquement à l’axe de tangage, il est bien évidemment que ceci peut/doit être appliqué à toutes les grandeurs physiques importantes d’un aéronef à voilure fixe, ou d’ailleurs, à tout autre aéronef.

Le graphique suivant affiche l’évolution du tangage réel de l’UAV (en bleu), et celui du tangage théorique de l’UAV (en rouge). On peut remarquer que ces courbes sont relativement proches, et que donc, l’UAV semble avoir un comportement correct durant le vol, c’est-à-dire semble réaliser un vol à régime normal

UAV_CM

 

Et alors ? Que cela apporte-t-il de plus comme information ?

Outre comparer l’évolution de ces grandeurs, une autre forme de représentation de cette différence est plus parlante : il est possible de calculer leur répartition, sur un échantillon de temps glissant (à définir selon la dynamique de vol) :

UAV_REP_ERR

 

Ce graphique permet déjà de disposer d’une analyse plus intéressante du vol, puisqu’il montre à quel point le comportement de l’aéronef est sain dans la durée :
    - plus la base est large, plus il existe des erreurs importantes dans la réponse de l’avion aux commandes pilote ;
    - plus la base est étroite, plus la réponse de l’avion aux commandes pilote est saine.

Cette analyse est plutôt statistique, et permet donc plus une analyse de vol post-flight, qu’un diagnostic temps réel de la plate-forme.

Cependant, il existe un nombre important d’autres outils permettant d’évaluer la santé de la dynamique de l’avion. Par exemple l’indice de corrélation de Pearson, qui est une valeur comprise entre -1 et 1 et qui indique si l’évolution d’un système correspond à ce qui est prévu ou non (1 pour un comportement parfait, -1 pour un comportement des plus anormaux), avec une analyse plus pertinente qu’une simple erreur quadratique.

Par exemple, le graphique suivant présente l’indice de Pearson de la même séquence de vol de ce drone du Minnesota, et on remarque qu’après une initialisation de l’algorithme, cet indice est rapidement supérieur à 0.8, ce qui montre que le drone se comporte de manière tout à fait conforme.

UAV_CORR

 

Et les aéronefs dans tout ça

Si l’on applique cette approche à un F-16 Falcon Fighter de la NASA (LarC) réalisant une campagne d’essais à la limite de ce que supporter la machine, l’on obtient les résultats suivants (pour une durée de 5 minutes de vol).

Voici l’évolution du tangage réel (en bleu), et celui du tangage théorique (en rouge) :

CM

 

Voici l’évolution de l’indice de corrélation de Pearson :

CORR

 

De la même manière que pour le drone, on peut remarquer que cet indice est toujours proche de 1, ce qui signifie un vol tout à fait normal, sans anomalie particulière, à par à certains endroits où l’on approche (très légèrement) du décrochage, ce qui était le but de ce vol d’essai.

Ainsi, il est par exemple très possible de prédire un décrochage ou une vrille, bien avant qu’ils se produisent, et sans utilisation de languettes de bords d’attaque de l’aile, fonctionnant lors d’un changement de direction du flux d’air (angle d’incidence trop important) alors que la chute est déjà bien réelle.

 

Et la règle de la majorité qualifiée ?

Nous avons vu que lorsque deux sondes anémométriques donnent une information, et qu’une autre donne une autre information, certains ordinateurs de bord sont programmés pour faire confiance et adopter les mesures des deux sondes fournissant la même donnée.

Connaissant cette approche de base, il est donc bien plus pertinent d’appliquer les données de chaque sonde au modèle, comparer les résultats et ainsi déterminer celle(s) qui a(ont) l’information correcte.

 

D’autres utilités potentielles ?

Un givrage des ailes provoque une modification de l’aérodynamique de l’aéronef, et de ce fait, le pilote automatique a plus de difficultés à être efficace (ce qui provoque une reprise en main manuelle du pilote dans certains cas).

Le HMDV permets en temps réel d’estimer et de surveiller la valeur des coefficients aérodynamiques de l’aéronef, afin de prévenir tout changement (dû au givre), et de réaliser une identification (linéaire ou non, en fonction du besoin) pour adapter le modèle mathématique de l’aéronef à la réalité du vol.

Ceci est également applicable aux endommagements physiques.

 

Conclusion

Il est donc déjà possible d’obtenir des résultats potentiellement prometteurs, en analysant le comportement d’un aéronef, sans ajouter des capteurs supplémentaires, mais par l’intermédiaire d’algorithmes les plus simples, sur les grandeurs physiques importantes d’un aéronef en plein vol, grâce à son avionique déjà existante.

De plus, cet article ne s’est consacré qu’au domaine temporel, sachant que dans le domaine fréquentiel offrent des possibilités complémentaires encore plus importantes (dans un prochain article) : pour les non initiés, le domaine fréquentiel est au domaine temporel, ce que l’infrarouge est au visible.

Il serait possible d’évaluer une analyse de performances (temps de réponse, marge de stabilité) des pilotages : automatique pour l’efficacité de la boucle de commande, manuel pour l’évaluation du pilote... Mais ceci est une autre histoire...

 

(Crédits Photos - CNRS/Unistra - Pr. Pierre Collet - Stéphane Querry, PhD)

(Suivez-nous sur Twitter : http://www.twitter.com/Blog_Survols)