Présentation de la plateforme SAMANTA€¦ · plateforme SAMANTA Département Système Pronostic Health Monitoring SNECMA [email protected] +33 1 60 59 42 53. Ce document et

This document and the information therein are the property of Snecma, They must not be copied or communicated to a third party without the prior written authorization of Snecma.

Présentation de la

plateforme SAMANTA

Département Système Pronostic Health Monitoring

[email protected]

+33 1 60 59 42 53

mailto:[email protected]

Ce document et les informations qu’il contient sont la propriété de Snecma. Ils ne doivent pas être copiés ni communiqués à un tiers sans l’autorisation préalable et

écrite de Snecma.

/01/

Snecma et le Health

Monitoring

3 / SNECMA / SAMANTA / Matlab Expo 2014


Snecma, Chiffres clés

* CA social au 31 décembre 2013

** Au 31 décembre 2013

14 662 employés** dans le monde

5,9 milliards d’euros* de chiffre d’affaires

35 sites dans le monde



(1) PowerJet (50/50 Snecma-NPO

Saturn)

(2) CFM International (50/50 Snecma-

GE)

(3) EPI (ITP, MTU, Rolls-Royce,

Snecma)

(4) En coopération avec GE

Propulsion : de 9 grammes à 135 tonnes

Satellites

PPS ® 1350

90 mN

Ariane 5

Vulcain ® 2

1340 kN (étage principal)

Alpha Jet

Larzac ®

14kN

Rafale

M88

75kN

Mirage 2000

M53

95kN

A400M

TP400 (3)

11 000 shp

Citation Longitude

Silvercrest ®1C

9 500 à

12 000 lb

SSJ100

SaM146(1)

15 400 à

17 800 lb

737

CFM56-7B(2)

19 500 à

27 300 lb

A320neo

LEAP-1A(2)

21 500 à

33 000 lb

A320

CFM56-5B(2)

21 600 à

33 000 lb

A340

CFM56-5C(2)

31 200 à

34 000 lb

747

CF6(4)

52 500 à

72 000 lb

A380

GP7200(4)

70 000 à

85 100 lb

777

GE90(4)

93 700 à

115 300 lb

Ariane 5

Vinci

180kN

737MAX

LEAP-1B(2)

21 500 à

28 000 lb

C919

LEAP-1C(2)

21 500 à

30 000 lb

Ariane 5

HM7B

64,8 kN

Mirage F1

Atar

49kN

Falcon 5X

Silvercrest®1D

9 500 à

12 000 lb



A320

Boeing 737-800

CFM56, LE moteur civil le plus vendu au monde

CFM56-7B

Plus de 195 millions d’heures de vol cumulées

9 801 moteurs en service chez 265 opérateurs

Gamme de poussée : 19 500 à 27 300 lb

Applications : Famille Boeing 737-600, 737-700, 737-800, 737-

900

CFM56-5B

Près de 105 millions d’heures de vol cumulées

Plus de 5 895 moteurs en service chez 198 opérateurs

Gamme de poussée : 21 600 à 32 000 lb

Applications : Famille Airbus A318, A319, A320, A321

CFM est une société commune 50/50 de Snecma (Safran), France et GE, Etats-Unis.Chiffres au 31 août 2013



Health Monitoring

Le Health Monitoring est le suivi en quasi temps réel des paramètres de

fonctionnement du système dans le but de:

Détecter des prémices de panne

Pronostiquer le temps restant avant intervention impérative (contrôle ou maintenance)

Identifier le composant en cause

Améliorer la disponibilité opérationnelle des avions

L’avion décolle à l’heure prévue, arrive à destination à l’heure prévue

Réduction des évènements opérationnels

Planification et optimisation des opérations de maintenance

Réduction des temps d’immobilisation des moteurs

Réduire les coûts de maintenance

Troubleshooting assisté (isolation de l’élément défectueux)

Limiter les dommages secondaires

Nota : Le health monitoring est une fonction de maintenance, sans impact

sur le vol en cours et la sécurité de l’avion



Systèmes moteurs surveillés

Performances

- Analyse Modulaire

- Suivi cycle thermodynamiqueSystème Huile

- Filtre intelligent

- Débris

- Consommation

Capacité à démarrer

- Suivi Démarrage

- Monitoring bougies

Système de régulation

- Monitoring Capteurs

- Monitoring Actionneurs

- Troubleshooting assisté

- Messages de panne

Système Carburant

- Filtre intelligent

- Pompe carburant

Général

- Détection d’anomalies

- Fusion/Prise de décision

- Cartographie flotte

- Analyse Balourds

- Vibrations HF

- Evénements fugaces

Santé mécanique



Construire des messages d’alerte à partir des mesures acquises

Utilisation de modèles physiques

Apprentissage de comportements à l’aide de modèles mathématiques

Identification de signatures de fautes, détection de dérives, ciblage de

composant

Diagnostics d’anomalies

Data acquisition Data manipulation State detection Health assessment

Prognostic assessment

Acquisition

des données

Extraction des

indicateurs de

contexte

Extraction des

indicateurs de

santé

Normalisation

Calcul du

score

d’anomalie

Identification

de signatures

Calcul de la

tendance

Anticipation

d’anomalie

ConfirmationEmission d’un

message

Puis aider à la décision

Fusionner les messages des

différentes sources de

diagnostics

Détection de

changements


écrite de Snecma.

Snecma Algorithm Maturation ANd Test Application

/02/

Introduction à SAMANTA



Introduction à SAMANTA

Qu’est-ce que SAMANTA ?

SAMANTA (Snecma Algorithm Maturation ANd Test Application) est un

environnement de Conception, Développement et Maturation d’algorithmes

basé sur 3 objets

Pourquoi avoir développé cette plateforme ?

Pour permettre aux ingénieurs de maquetter rapidement et facilement des

algorithmes sans connaissances particulières en mathématiques ou informatique

Pour faciliter les échanges entre concepteurs d’algorithmes grâce à des

traitements / affichages / fonctionnements communs et homogènes

Pour capitaliser les algorithmes

Pour créer une interface complète avec les algorithmes, les données et les

documents associés

Pourquoi sous MATLAB?

Pour créer facilement et rapidement une plateforme donnant la liberté de

concevoir des algorithmes sous forme de code ou par le biais d'assemblage

d'éléments graphiques avec Simulink.



L’environnement SAMANTA

Couches

abstraites

Algorithmes

Interface de Maturation

Compilation

Démonstrateur et outil

de prototypage Base de données

DAO Simulink

EWB

Fonctions

OSA-CBM

Modules

DatasetsGestion de versions

SVN

• .exe

• .ctf

• .jar

• …


écrite de Snecma.

Signal, Opset, Mnode

/03/

Présentation des objets SAMANTA



Les objets SAMANTA – Le signal

Les algorithmes traitent des données d’entrée et produisent des

résultats. Ces données sont :

Issues de mesures de vols ou d’essais

Des résultats intermédiaires produits par d’autres algorithmes

Le signal SAMANTA est une structure permettant de contenir et

formaliser de manière standard les données.

Tableau de valeurs

Propriétés associées



Les objets SAMANTA – Le signal

1 5 4 2 6

1 5 4 2 6

1 5 4 2 6

1 5 4 2 6

1 5 4 2 6

1 5 4 2 6

1 5 4 2 6

A B C D E

V rpm rpm °C bar

0.0

0.1

0.2

0.3

0.4

0.5

0.6

sec

X

Start

PeriodIndex

Cols

Yunit

Value



Les objets SAMANTA – L’opset

Il est nécessaire de stocker des signaux dans des fichiers MATLAB:

l’objet SAMANTA opset définit une liste où stocker des signaux.

Pointeur vers un fichier de sauvegarde (.mat)

L’opset est un feuillet comportant n feuilles, appelées opérations

Chaque opération comporte une série de signaux

Les signaux doivent être similaires d’une opération à l’autre

Accès simple à toutes les informations stockées dans la structure de l’opset

L’opset est sérialisable

Il est utilisable pour n’importe quelle méthode d’exécution de l’algorithme



Les objets SAMANTA – L’opset

Index Var 1 Var 2 Var 3 Var 4Uunité Unit 1 Unit 2 Unit 3 Unit 4Date 1 Val 1,1 Val 1,2 Val 1,3 Val 1,4Date 2 Val 2,1 Val 2,2 Val 2,3 Val 2,4Date 3 Val 3,1 Val 3,2 Val 3,3 Val 3,4Date 4 Val 4,1 Val 4,2 Val 4,3 Val 4,4






…

…

…… …

Op 1

Op 2

Op N

Port 1 Port M

Mesures provenant de différentes sources et à

différentes fréquencesMoteurs

ou vols

Opset : N par M



Les objets SAMANTA – Le mnode

L’objet SAMANTA mnode (abréviation de « module node ») est destiné

au traitement algorithmique des données.

Il permet d’encapsuler n’importe quel sorte d’algorithme

Interface uniforme

Manipulation standard grâce à une interface graphique

Le fonctionnement du module est séquencé en un certain nombre de

tâches :

• Initialisation, validation des paramètres, accumulation de données, apprentissage sur

les données accumulées, exécution du traitement sur les entrées, affichage,…

L’utilisateur dispose aussi de différentes méthodes pour utiliser un

mnode dont :

Set pour le paramétrage

Run pour l’exécution

Learn pour l’apprentissage

Plot pour l’affichage



Le fonctionnement du mnode en résumé :

Les objets SAMANTA – Le mnode

Module

Fonction

algorithmique… Fonction

algorithmique

DatasetEntrées

DatasetSorties

DatasetCalibrage

Set

Learn

Paramètres

Qualité

Port 1

Port n Port m

Trace

Port 1

Run - Plot


écrite de Snecma.

Via MATLAB ou Simulink

/04/

Utilisations



Utilisation de SAMANTA via Simulink

La plate-forme SAMANTA peut être utilisée via l’interface

SIMULINK



Utilisation de SAMANTA via un script MATLAB

La plate-forme SAMANTA peut être utilisée via la console MATLAB

Créer les objets SAMANTA que l’on souhaite utiliser : Module de traitements : mnode

Données d’entrée : opset

Paramétrer les traitements : Paramétrer les modules

Exécuter les traitements En fonction du mode d’exécution choisi : run, learn

Afficher les résultats : Via le module : mode exécution plit

Via les données générées (opset)

En utilisation « SCRIPT » l’exécution est rythmée par la

succession de traitement, chacun jouant successivement

l’ensemble de son Opset d’entrée et générant un Opset de sortie.



SAMANTA : méthodes utilisées pour le PHM

Dans la plateforme SAMANTA, on utilise principalement les

toolboxes suivantes :

Control System Toolbox

Database Toolbox

Fuzzy Logic Toolbox

MATLAB Compiler

Optimization Toolbox

Robust Control Toolbox

Signal Processing Toolbox

Stateflow Toolbox

Statistics Toolbox

System Identification Toolbox

Watelet Toolbox


écrite de Snecma.

/05/

Compilation des algorithmes et

utilisation du MPSLes prochaines étapes



Compilation des algorithmes

Les algorithmes SAMANTA peuvent être compilés pour être

facilement transportables dans un environnement sans MATLAB.

On utilise le MATLAB Compiler pour créer un fichier compilé à partir de

l’application SAMANTA (.exe, .ctf, .jar,…)

Les couches abstraites, les codes des modules et fonctions sous-jacentes

ainsi que les toolboxes utilisées sont embarquées dans le fichier compilé

Une fois compilés, les algorithmes SAMANTA peuvent être utilisés

de la même manière que sous MATLAB grâce au MCR (Matlab

Component Runtime) :

Lecture / traitement / écriture d’opsets

Affichages graphiques propres aux modules

Modules

.exe

.ctf

Couches

abstraites

Fonctions

Toolboxes



Utilisation des algorithmes compilés avec le MPS

Exemple d’utilisation du MPS pour déployer les algorithmes

SAMANTA

Client MPS

Client MPS

Client MPS

Gestionnaire

de requêtes

Worker

Worker

….

Worker

Répertoire contenant les

algorithmes compilés

Serveur (ordinateur multi-core)

MATLAB Production Server

Distribue les requêtes des clients parmi les Worker en fonction de leur disponibilité

(équilibrage des charges)

Une instance de MCR qui traite une demande client à la fois

Répertoire lisible par MPS où les algorithmes compilés sont déployés

Application client à développer avec les API client MPS disponibles en Java ou C#

Gestionnaire

Worker

Répertoire

Client MPS


écrite de Snecma.

/05/

Conclusion



Conclusion

La plateforme SAMANTA a été créée en 2007 et depuis environ 160

modules ont été conçus

Aujourd’hui environ 15 algorithmes de surveillances du moteur ont été

développés, vérifiés et maturés grâce à cette plateforme et aux modules

créés

La prochaine étape pour Snecma consiste à compiler ces algorithmes pour

pouvoir les exporter et les utiliser dans un environnement opérationnel grâce

notamment au MPS

Une trentaine de personnes utilisent à présent cette plateforme dans

plusieurs sociétés du groupe SAFRAN

Snecma, Turbomeca, Safran Engineering Services, Sagem,…

Sur tous les utilisateurs réguliers de la plateforme, seulement 1/3 ont une

formation en informatique


écrite de Snecma.

Merci de votre attention

Documents

Présentation de la plateforme SAMANTA€¦ · plateforme SAMANTA Département Système Pronostic Health Monitoring SNECMA [email protected] +33 1 60 59 42 53. Ce document et