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

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