Maintenance prédictive des flottes de drones.

Le plancher de navigabilité : ce que la réglementation exige déjà

Au Canada, la partie IX du Règlement de l’aviation canadien fixe le minimum pour tout système d’aéronef télépiloté. Avant le décollage, le pilote doit s’assurer que l’aéronef est en état de service, que le système a été entretenu et que toutes les mesures obligatoires ont été exécutées conformément aux instructions du fabricant, et que l’équipement requis est à bord et fonctionne. De son côté, le propriétaire doit tenir deux dossiers : qui a effectué chaque vol et à quel moment, conservé 12 mois, et le détail de chaque mesure obligatoire, action de maintenance, modification et réparation, y compris qui a fait le travail et à quelle date, conservé 24 mois et remis avec l’appareil s’il est vendu.

La plupart des flottes atteignent ce plancher avec un calendrier. Les batteries sont retirées à un nombre de cycles, les moteurs inspectés à un intervalle d’heures, et le carnet atteste que l’horaire a été suivi. Cela satisfait à la règle, et c’est là que le problème de fiabilité commence : l’horaire est écrit pour l’appareil moyen, et aucun appareil de votre flotte n’est l’appareil moyen. Les dossiers que la réglementation vous oblige à tenir contiennent déjà les preuves pour faire mieux. La maintenance prédictive est la discipline qui consiste à les lire.

Ce que coûte une immobilisation imprévue à une 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, c’est un relevé ou une inspection qui manque sa fenêtre contractuelle, une équipe et un permis à replanifier, une exposition à la responsabilité si la défaillance survient en vol, et un client qui fait un peu moins confiance à la prochaine date. Les exploitants finissent par se poser la même question : comment dépenser moins en maintenance et obtenir plus de disponibilité en même temps?

Pourquoi la maintenance calendaire, aux heures et à seuil laisse des trous

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

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

Du journal de vol à la prévision, puis à l’entrée au carnet

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. Dans une flotte qui fonctionne sur les faits, la boucle ressemble à ceci :

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, et rattachés au numéro d’appareil et au dossier de pilote que vous tenez déjà.
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, ce qui alimente la décision d’affectation du lendemain.
5. Vérifier et agir. Chaque prédiction arrive avec les preuves qui la soutiennent, pour que le responsable de maintenance puisse la vérifier avant de retirer une batterie ou un moteur. L’action, la personne et la date sont inscrites au dossier de maintenance que la réglementation exige déjà, et la prévision pour cet appareil repart à zéro.

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 de Vozwin a dû être faite à partir de zéro, sur de vrais appareils.

Ce que montre la recherche de Vozwin : état de santé des batteries et des moteurs

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 ce que cela change pour la mise au rancart des batteries sont dans le guide compagnon sur 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 de Vozwin 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 flotte, 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.

Planifier la flotte sur les faits

Une fois que chaque appareil porte un portrait de santé à jour, les mêmes données répondent à des questions qu’un calendrier ne pourrait jamais poser :

• Affectation. Confier la mission de longue endurance à l’appareil dont les batteries et les moteurs sont le plus loin de leurs limites, et garder la cellule en fin de course sur des travaux locaux courts jusqu’à sa fenêtre de maintenance. Ce type de cote de préparation à la mission est ce que le logiciel de mission SkyNet de Vozwin est conçu pour consommer.
• Fenêtres de maintenance. Regrouper les appareils dont la prévision annonce des travaux dans la même quinzaine en une seule fenêtre placée dans la période calme de la saison, plutôt que de perdre une cellule à la fois au plus fort de l’activité.
• Pièces de rechange. Commander les batteries et les moteurs en fonction des dates de retrait prévues plutôt que d’un stock de sécurité dimensionné pour le pire mois.
• Habitudes de pilotage. Croiser les dossiers d’appareils et de pilotes fait ressortir les styles de vol qui raccourcissent la vie des composants, pour les corriger en formation avant qu’ils ne deviennent des réparations.
• Appareils chroniquement sous-performants. La cellule qui dérive vers ses limites plus vite que ses semblables est une donnée sur cette cellule, et elle est visible bien avant de devenir un incident.

Rien de cela ne change le plancher réglementaire. Les mesures obligatoires et les instructions de maintenance du fabricant s’appliquent toujours, et le pilote confirme toujours l’état de service avant chaque décollage. Ce qui change, c’est que cette confirmation s’appuie sur l’état de cet appareil plutôt que sur la date au calendrier.

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 la personne qui signe le carnet 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.

Huit choses à exiger avant que ça touche à vos appareils

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. Des preuves que l’ingénieur signataire peut vérifier. Chaque alerte doit nommer le composant, le mode de défaillance et les données de vol qui l’ont produite, pour que la personne responsable de la navigabilité 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 physiquement possibles.
7. Des dossiers qui satisfont le régulateur. Chaque action prise sur une prévision doit se retrouver dans votre dossier de maintenance avec le qui, le quoi et la date, sous une forme que vous pouvez produire sur demande et remettre avec l’appareil. Si le produit ne peut pas exporter vers votre carnet ou votre système de maintenance, votre équipe tiendra deux jeux de livres.
8. Un déploiement là où la flotte opère, sur n’importe quelle cellule. Bien des flottes volent pour des clients qui ne peuvent pas laisser les journaux de vol quitter le site, alors cherchez des options en périphérie et hors réseau avec le même modèle, pas une version réduite, et une prise en charge de plusieurs fabricants et types d’appareils pour ne jamais être captif d’un seul drone.

Où se situent Vozwin Aérospatiale et Vermilion

Vozwin a financé et possède la recherche sur l’état de santé des batteries et des moteurs décrite ci-dessus, menée par sa division Laboratoires avec l’Université McGill et l’Université de Sherbrooke, avec le soutien du programme Accélération de Mitacs. Vermilion est la plateforme de production qui en est issue : un modèle de raisonnement informé par la physique, incubé dans le studio de création d’entreprises de Vozwin et fonctionnant maintenant comme sa propre entreprise, prêt pour la production et disponible pour un déploiement en périphérie, dans le nuage ou hors réseau. C’est ce qu’une flotte achète quand elle veut la prévision comme produit, et c’est décrit sur la page Vermilion de ce site.

Vozwin Aérospatiale travaille le côté aéronef du même problème. Les plateformes UAV que nous construisons enregistrent dès le premier vol les signaux dont ces modèles ont besoin, le logiciel de mission SkyNet est conçu pour intégrer un portrait de santé par appareil aux décisions d’affectation et de préparation à la mission, et pour les exploitants d’une flotte mixte nous pouvons définir le pipeline de données et l’intégration entre les cellules, les dossiers de maintenance et le modèle. Si vous exploitez une flotte et voulez savoir ce que ses journaux peuvent déjà prédire, la conversation commence par les journaux de vol que vous avez.

Questions fréquentes

À lire ensuite

• État de santé des batteries de drones à partir des journaux de vol : quand retirer une batterie
• Vermilion : IA informée par la physique pour la maintenance aérospatiale
• Matrice de capacités : autonomie, ISR, communications et logiciel de mission SkyNet
• Drone sur mesure ou de série : coûts, délais et comment choisir

Sources

• Xie, Kong, Latreche, Smith, Mosconi, Zhao : Machine Learning-Based Battery State-of-health Prediction for UAV Predictive Maintenance (arXiv:2607.06791, en anglais)
• Règlement de l’aviation canadien, partie IX : Systèmes d’aéronefs télépilotés (articles 901.29 état de service et 901.48 dossiers)
• Vozwin : le programme de recherche derrière ces travaux, dans le guide de la société mère
• Vermilion : maintenance prédictive des flottes de drones, le guide produit compagnon de celui-ci
• Département de l’Énergie des États-Unis : Operations & Maintenance Best Practices Guide (en anglais)
• Deloitte Analytics Institute : Predictive Maintenance, prise de position (en anglais)
• Stanton, Munir, Ikram, El-Bakry : Predictive maintenance analytics and implementation for aircraft (Systems Engineering, 2023, en anglais)
• Petritoli, Leccese, Ciani : Reliability and Maintenance Analysis of Unmanned Aerial Vehicles (Sensors, 2018, en anglais)
• Programme Accélération de Mitacs