Maintenance prédictive des flottes de drones.

Ce que coûtent réellement les arrêts à un exploitant de flotte

Un drone gagne sa vie en vol. La surveillance, les interventions d'urgence, l'inspection et les essais non destructifs dépendent tous d'un appareil disponible le jour où la mission est prévue, pas d'un appareil sur un banc en attente d'une pièce. Pourtant, la maintenance est l'un des plus gros postes de dépense d'une flotte, et l'argent dépensé n'achète pas la fiabilité qu'il devrait :

• Pour les drones, la maintenance peut représenter plus de 50 pour cent des coûts d'exploitation directs.
• Les compagnies aériennes dépensent environ 69 milliards de dollars US par année en maintenance, réparation et révision, soit près de 9 pour cent de leurs coûts d'exploitation, et elles n'arrivent toujours pas à planifier les pannes aléatoires.
• Malgré ces dépenses, les analyses de fiabilité publiées situent le taux de défaillance global des systèmes de drones autour de 25 pour cent.
• En aérospatiale générale, une seule enquête de cause première sur un moteur peut dépasser 100 000 $ une fois comptés la main-d'œuvre d'ingénierie, le transport et le démontage.

La facture de réparation est la moitié la moins grave du problème. Une immobilisation imprévue, ce sont des pénalités contractuelles quand un relevé ou une inspection manque sa fenêtre, une responsabilité quand une défaillance en vol cause des dommages ou blesse quelqu'un, le coût de replanifier équipes et permis, et une confiance client qui s'érode un peu à chaque date manquée. Chaque exploitant finit par se poser la même question : comment dépenser moins en maintenance et obtenir plus de fiabilité en même temps?

Pourquoi la maintenance réactive, préventive et conditionnelle ne suffit pas

La plupart des flottes de drones sont entretenues de l'une de trois façons, et chacune échoue pour une raison différente. La quatrième ligne est celle où un modèle de prévision change la donne :

Les trois premières stratégies partagent aussi un angle mort : aucune ne peut dire quel appareil de la flotte est le plus près de la défaillance, alors la planification et les pièces de rechange sont gérées sur des moyennes plutôt que sur l'état de chaque cellule.

Comment un modèle transforme les journaux de vol en prévision

La maintenance prédictive combine l'historique d'un composant et son comportement le plus récent, puis utilise un modèle entraîné pour prévoir quand il risque de défaillir. Pour un drone, il s'agit habituellement de la dégradation de la batterie, de l'usure des moteurs, ou de la durée de vie utile restante d'une autre pièce critique. Un contrôleur de vol typique enregistre plus de 400 paramètres à chaque vol, et la plupart des flottes en jettent presque la totalité. Un modèle conçu pour cet usage transforme ce flux en portrait de santé par appareil et par composant :

1. Collecter. Les journaux de vol du contrôleur (tension, courant, gaz, accéléromètre, gyroscope, baromètre, GPS) sont capturés après chaque vol, sans matériel ajouté à l'appareil.
2. Conditionner. Un pipeline de données nettoie, normalise et agrège les journaux pour que les vols historiques et récents puissent être analysés ensemble, et pour qu'un journal défectueux ne puisse pas fausser silencieusement une prédiction.
3. Modéliser. Des modèles propres à chaque composant, un pour la batterie et un pour les moteurs, sont entraînés sur l'évolution de ces signaux à mesure que les pièces se dégradent.
4. Prévoir. Chaque vol met à jour une estimation de l'état de santé et une prédiction de durée de vie utile restante pour chaque appareil et chaque composant de la flotte.
5. Expliquer et planifier. Chaque prédiction arrive avec les preuves qui la soutiennent, pour que l'équipe puisse la vérifier avant de retirer une batterie ou un moteur, et la maintenance est planifiée autour de la prévision plutôt que du calendrier.

Le plus difficile n'est pas l'algorithme. C'est que les batteries et les moteurs de drones existent en dizaines de configurations, avec très peu de données historiques par type et des limites de poids strictes sur tout capteur qu'on voudrait ajouter. Les modèles génériques de maintenance prédictive industrielle ne survivent pas au contact de cette réalité, et c'est pourquoi la recherche derrière les modèles de drones de Vermilion a dû être faite à partir de zéro.

La recherche derrière les modèles de drones de Vermilion

Dans le cadre du projet PHUMS, Vozwin a travaillé avec l'Université McGill et l'Université de Sherbrooke pour bâtir un modèle d'état de santé plus précis, fondé sur les données, pour les batteries de drones. L'équipe a mené 631 expériences de vol sur des batteries lithium-polymère de 2 200 mAh et 1 100 mAh, en utilisant uniquement la tension, le courant et les gaz de chaque cycle de décharge comme entrées : les signaux qu'un contrôleur de vol standard enregistre déjà. Pour contourner la rareté des données, la série temporelle de chaque vol a été convertie en image afin qu'un modèle de vision ResNet-50 préentraîné puisse en extraire des caractéristiques, et ce que le modèle a appris sur un type de batterie a été transféré à l'autre.

Le résultat publié est une erreur en test de 2,26 pour cent sur une batterie que le modèle n'avait jamais vue, à partir d'un petit jeu de données. L'entraînement continu sur un jeu de données plus grand depuis la publication a ramené ce chiffre à 1,57 pour cent. La méthode complète, la comparaison avec les modèles conventionnels et les limites que l'article énonce lui-même sont dans le guide compagnon sur la prédiction de l'état de santé des batteries de drones, et l'article évalué par les pairs est lié sous Sources.

Les moteurs sont l'autre point de défaillance, et le défi là est le poids. Des accéléromètres dédiés à la surveillance des vibrations peuvent ajouter jusqu'à un dixième de la masse d'un petit drone, ce qui coûte du temps de vol et, ironiquement, de la vie de batterie. L'approche reprise dans Vermilion prédit l'état de santé des moteurs à partir des capteurs qu'un drone transporte déjà (deux accéléromètres, deux gyroscopes, un baromètre et un GPS) et utilise les images de la caméra comme second avis : l'instabilité visuelle que produit un moteur qui se dégrade apparaît dans la vidéo avant de franchir un seuil.

Ce que disent les chiffres publiés

La maintenance prédictive est étudiée dans assez d'industries depuis assez longtemps pour que les économies soient bien documentées. Les chiffres ci-dessous sont des repères multisectoriels. Ce qu'une flotte de drones donnée en tire dépend de sa taille, de son profil de mission et de la façon dont elle est entretenue aujourd'hui.

Moyennes multisectorielles tirées d'études publiées, citées en entier sous Sources. Ce sont des repères, pas une promesse pour une flotte en particulier.

Pour un exploitant de drones, ces pourcentages se traduisent en cinq résultats concrets : moins d'interventions de maintenance inutiles et de réparations d'urgence; moins d'arrêts, parce que les défaillances sont prédites plutôt que découvertes; des appareils plus sûrs, parce que leur état est connu avant chaque vol; des composants qui durent plus longtemps, parce qu'ils vont jusqu'à leur vraie limite plutôt qu'à un horaire prudent; et une meilleure planification des équipes, des pièces et des missions autour d'une prévision plutôt que d'une estimation.

Les défis, honnêtement

La maintenance prédictive n'est pas sans inconvénients, et quiconque la vend comme du prêt-à-brancher passe trois choses sous silence :

• Le pipeline de données. Logiciels, formation, et l'infrastructure pour stocker et interroger de grands volumes de données de vol, plus les personnes pour bâtir et entretenir les modèles. Fait à l'interne, ça prend bien plus de temps à mettre en place qu'un horaire préventif, et c'est là que la plupart des projets internes s'enlisent.
• L'intégrité des données. Une prédiction vaut ce que valent ses entrées. Les journaux arrivent avec des trous, de la dérive de capteurs, des appareils mal identifiés et des pilotes qui ont oublié d'arrêter l'enregistrement. Le pipeline doit attraper tout ça avant que ça devienne une mauvaise réponse énoncée avec assurance.
• La confiance. Un modèle qui produit un chiffre sans raison demande à une équipe de maintenance de clouer un appareil au sol sur parole. Elle ne le fera pas, et elle a raison. Si la sortie exige un scientifique des données pour être interprétée, elle ne sera pas lue du tout.

Chacun de ces défis est un problème résolu quand la solution est conçue pour les drones et livrée comme un produit plutôt que comme un projet de recherche. La liste ci-dessous permet de faire la différence.

Guide d'achat : 8 choses à exiger d'une solution de maintenance prédictive de drones

La plateforme que vous choisissez détermine si les défis ci-dessus sont absorbés par le fournisseur ou retombent sur votre équipe. Avant de vous engager, cherchez :

1. Un modèle d'état de santé conçu pour les batteries de drones. Il doit répondre aux deux problèmes déterminants de ces batteries, des données rares par type et une grande variabilité entre les types, et il doit vous montrer sa précision publiée sur des batteries sur lesquelles il n'a pas été entraîné.
2. La santé des moteurs à partir des capteurs déjà à bord. Des accéléromètres ajoutés ajoutent du poids, et le poids coûte du temps de vol et de la vie de batterie. Le modèle doit travailler à partir de la centrale inertielle, du baromètre et du GPS du contrôleur de vol.
3. Une aptitude aux petits jeux de données. Quelques centaines de vols sur une poignée de batteries devraient suffire pour commencer, et un nouveau type de batterie devrait s'ajouter avec une fraction des vols, pas en repartant de zéro. Demandez comment le fournisseur traite un type de batterie qu'il n'a jamais vu.
4. Une raison avec chaque prédiction. Chaque alerte doit nommer le composant, le mode de défaillance et les preuves dans les données de vol qui l'ont produite, pour qu'un responsable de maintenance puisse la vérifier avant d'agir. Un score sans raison, c'est une alarme à seuil avec des étapes en plus.
5. Une confiance calibrée. Une prédiction doit dire à quel point elle est sûre, et cette confiance annoncée doit tenir face aux résultats. Demandez à voir les données de calibration, pas seulement le titre sur la précision.
6. La plausibilité physique. Une batterie ne peut pas regagner de capacité entre deux vols et un moteur ne peut pas se désuser. Un modèle qui n'a aucune notion de la façon dont les batteries et les moteurs se dégradent réellement finira par produire une prévision qui viole cette règle, et il le fera avec une assurance totale. Demandez ce qui garde les sorties du modèle physiquement possibles.
7. Un déploiement là où la flotte opère. L'infonuagique est pratique, mais bien des flottes volent pour des clients qui ne peuvent pas laisser les journaux de vol quitter le site. Cherchez des options en périphérie et hors réseau avec le même modèle, pas une version réduite.
8. Une plateforme agnostique. Prise en charge de plusieurs fabricants et types d'appareils, voilure tournante, voilure fixe et VTOL hybride, pour ne jamais être captif d'un seul fournisseur ou d'un seul drone.

Pourquoi le cas le plus difficile est le bon point de départ

Les drones sont le terrain d'essai parce que leurs contraintes sont les plus dures de l'aviation : cellules légères, capteurs bon marché, nombreuses configurations, et peu de données par type. Un modèle qui fonctionne là se transfère bien à des problèmes plus faciles. La propulsion électrique et hybride en aviation habitée pose les mêmes questions de dégradation de batterie et de gestion thermique, les cellules d'essai moteur et les flottes d'équipements au sol font face aux mêmes coûts d'enquête de cause première, et les équipements rotatifs de l'énergie, des mines et de la fabrication reposent sur la même logique de prévoir la durée de vie utile restante à partir de données de capteurs. C'est pourquoi le développement de Vermilion a commencé en aérospatiale avant de s'étendre à d'autres industries.

Où se situe Vermilion

Vermilion est la plateforme de production issue de la recherche décrite ci-dessus. Les travaux sur l'état de santé des batteries et des moteurs ont été financés par Vozwin, qui en est propriétaire, menés par sa division Laboratoires avec l'Université McGill et l'Université de Sherbrooke, avec le soutien du programme Accélération de Mitacs. Vermilion a été incubée dans le studio de création d'entreprises de Vozwin et fonctionne maintenant comme sa propre entreprise, avec un modèle prêt pour la production et disponible pour un déploiement en périphérie, dans le nuage ou hors réseau.

Ce que Vermilion ajoute à la recherche, c'est la partie avec laquelle une équipe de maintenance travaille vraiment : chaque prédiction est livrée avec une trace de raisonnement, une confiance calibrée et le mode de défaillance qu'elle désigne, et les modèles sont contraints pour que leurs prévisions restent physiquement possibles quand la flotte, la météo et les missions changent. Le fonctionnement est décrit sur la page Technologie. Si vous exploitez une flotte de drones, ou si vous êtes un équipementier ou un intégrateur assis sur des journaux de vol que vous n'utilisez pas encore, le moyen le plus rapide de savoir ce que ces journaux peuvent prédire est une démonstration de trente minutes avec un ingénieur de Vermilion.