| Résumé | Le diagnostic des anomalies dans les moteurs à turbine à gaz d'aéronef est un problème complexe. Il comprend plusieurs tâches, dont une interprétation rapide et précise des tendances dans les données fournies par les sondes moteur. Nous avons étudié la normalisation contextuelle en vue de mettre au point un outil logiciel qui puisse aider les techniciens d'entretien d'aéronef à interpréter ces données. La normalisation contextuelle est une nouvelle stratégie visant à utiliser l'apprentissage machine. Elle tient compte des variations dans les données qui sont attribuables à des facteurs contextuels plutôt qu'au bon état du moteur. Elle y arrive en normalisant les données en fonction du contexte. Cette stratégie d'apprentissage a été mise au point et éprouvée sur la base de 242 observations d'un moteur à turbine à gaz d'aéronef dans une chambre d'essai, chaque observation comprenant environ 12 000 nombres, recueillis pendant un intervalle de 12 secondes. Il y avait huit catégories d'observation : sept catégories d'anomalies délibérément introduites dans le moteur et une catégorie de paramètres de bon fonctionnement. Nous avons comparé deux façons de mettre en oeuvre notre stratégie d'apprentissage : la régression linéaire et l'apprentissage sur le fait. Nous avons obtenu trois principaux résultats. (1) Pour le problème donné, l'apprentissage sur le fait fonctionne mieux que la régression linéaire. (2) Pour ce problème, la normalisation contextuelle fonctionne mieux que les autres formes courantes de normalisation. (3) Les algorithmes énoncés ici peuvent constituer la base d'un outil logiciel utile destiné à aider les techniciens à interpréter les données des capteurs. |
|---|
