FR2957170A1 - Outil de conception d'un systeme de surveillance d'un moteur d'aeronef - Google Patents

Abstract

L'invention concerne un outil de conception d'un système de surveillance (11) d'un équipement (5) d'un moteur (7) d'aéronef, ledit système de surveillance étant configuré pour recevoir des mesures spécifiques audit équipement et pour délivrer un résultat diagnostiquant l'état dudit équipement, comportant : - des moyens (9) pour construire ledit système de surveillance (11) selon une structure assemblant une chaîne de modules (13) dédiés à des tâches particulières, chacun desdits modules étant configuré pour recevoir via son interface d'entrée (13i1), une entrée (IN) et une valeur de qualité d'entrée (DQV), et pour délivrer sur son interface de sortie (13i2), une sortie et une valeur de qualité de sortie (PQV), - des moyens (9) pour calculer pour chacun desdits modules, la valeur de qualité de sortie (PQV) selon une fonction de transfert associant une imprécision de la sortie en réponse à une imprécision de l'entrée en utilisant au moins un indicateur de qualité intrinsèque (15i) audit module, et - des moyens (9) pour évaluer une qualification du système de surveillance (11) en fonction d'une valeur de qualité dudit résultat qui correspond à la valeur de qualité de la sortie (PQV) associée à au moins un module de sortie (13f, 13g).

Description

OUTIL DE CONCEPTION D'UN SYSTÈME DE SURVEILLANCE D'UN MOTEUR D'AÉRONEF

DOMAINE TECHNIQUE La présente invention concerne le domaine de systèmes de surveillance d'un moteur d'un aéronef et plus particulièrement, d'un outil de conception d'un système de surveillance d'un équipement du moteur d'aéronef.

ÉTAT DE LA TECHNIQUE ANTÉRIEURE La surveillance ou la détection d'anomalie d'un moteur d'aéronef est très importante pour la sécurité de l'aéronef. On utilise des systèmes de surveillance pour vérifier le bon fonctionnement des différents équipements du moteur d'aéronef. Il existe par exemple, un système de surveillance pour analyser le comportement du moteur pendant le processus d'allumage, un autre pour analyser la trajectoire des gaz, un autre encore pour détecter le colmatage des filtres, et un autre pour analyser la consommation d'huile, etc.

Tous ces systèmes de surveillance permettent d'améliorer la sécurité et la fiabilité des moteurs d'aéronef. En particulier, ils permettent d'éviter ou de limiter l'arrêt en vol (in-flight shutdown IFSD), de réduire les retards ou annulation des vols (delays and cancellations D&C), et plus particulièrement, facilitent la maintenance du moteur en anticipant les défaillances et en identifiant les composants fautifs ou défaillants. 2 Cependant, la conception de chaque système de surveillance nécessite des moyens spécifiques et complexes pour résoudre les différents aspects techniques de la surveillance liée à chaque équipement particulier du moteur. Pour cela il faut construire un modèle spécifique à l'équipement surveillé et gérer des données de test et de validation correspondant à cet équipement du moteur. Ainsi, pour chaque équipement, il faut déployer beaucoup de ressources et de temps pour modéliser, développer, et valider le système de surveillance correspondant. En particulier, la validation d'un système de surveillance est une étape qui nécessite de manipuler un très grand nombre de données qui réclament un important temps de calcul afin de les analyser. En outre, il est important de bien choisir les indicateurs de validation afin d'éviter qu'une anomalie soit signalée par erreur ou qu'un élément du moteur soit en défaut sans que l'événement soit décelé.

De plus, il peut arriver que le niveau de validation d'un système de surveillance soit différent de celui d'un autre système de surveillance. Ceci peut compliquer l'analyse des données issues des différents systèmes de surveillance du moteur.

L'objet de la présente invention est de proposer un outil de conception d'un système de surveillance d'un équipement du moteur d'aéronef permettant de définir un environnement de modalisation qui soit indépendant du contexte applicatif tout en permettant une validation fiable de manière simple et 3 une réutilisation des éléments destinés à des taches différentes.

EXPOSÉ DE L'INVENTION La présente invention est définie par un outil de conception d'un système de surveillance d'au moins un équipement d'un moteur d'aéronef, ledit système de surveillance étant configuré pour recevoir des mesures spécifiques audit équipement et pour délivrer un résultat diagnostiquant l'état dudit équipement, comportant : - des moyens pour construire ledit système de surveillance selon une structure assemblant une chaîne de modules dédiés à des tâches particulières dudit système de surveillance et comprenant au moins un module d'entrée, au moins un module intermédiaire, et au moins un module de sortie, lesdits modules étant munis d'interfaces d'entrée-sortie leur permettant de communiquer entre eux et/ou avec ledit équipement et son environnement, chacun desdits modules étant configuré pour recevoir via son interface d'entrée, une entrée et une valeur de qualité d'entrée DQV associée à ladite entrée, et pour délivrer sur son interface de sortie, une sortie correspondant à une sévérité et une valeur de qualité de sortie PQV associée à ladite sortie, - des moyens pour attribuer une valeur de qualité auxdites mesures spécifiques qui correspondent à l'entrée associée audit au moins un module d'entrée, - des moyens pour calculer pour chacun desdits modules, la valeur de qualité de sortie PQV 4 dudit module selon une fonction de transfert associant une imprécision de la sortie en réponse à une imprécision de l'entrée en utilisant au moins un indicateur de qualité intrinsèque audit module, et - des moyens pour évaluer une qualification du système de surveillance en fonction d'une valeur de qualité dudit résultat qui correspond à la valeur de qualité de la sortie PQV associée audit au moins un module de sortie. Ainsi, l'outil de conception permet de valider la structure de modules génériques indépendants du contexte applicatif et collaborant entre eux pour définir un système de surveillance spécifique à un équipement particulier du moteur. Avantageusement, l'outil de conception comporte des moyens pour pondérer la valeur de qualité de sortie de chacun des modules et pour déterminer une note de qualité structurelle globale en fonction desdites valeurs pondérées. 20 Ainsi, on obtient plus de précision sur la validation structurelle du système de surveillance. Selon un premier mode de réalisation, ledit indicateur de qualité structurelle correspond à un indicateur d'estimation de variance de l'imprécision de 25 la sortie générée en réponse à une entrée bruitée lors d'un apprentissage dudit module. Ceci permet de valider, de manière générique, la qualité structurelle de chaque module. Selon un deuxième mode de réalisation, ledit 30 indicateur de qualité structurelle correspond à un indicateur d'adéquation AQV définissant la mesure d'une 10 15 distance entre l'entrée dudit module et une entrée de calibrage définie lors d'un apprentissage dudit module. Cet indicateur d'adéquation AQV mesure l'accord entre les données d'entrée courantes et les données 5 d'entrée observées lors du calibrage du module et donne ainsi une indication sur son niveau d'obsolescence. Selon un deuxième mode de réalisation, ledit indicateur de qualité structurelle correspond à un indicateur de robustesse MQV mesurant une capacité d'utilisation du module face à des nouvelles entrées, l'indicateur de robustesse étant déterminé lors d'un apprentissage dudit module. L'indicateur de robustesse est une information de qualité a priori qui donne une mesure de ce que le module a l'habitude de répondre comme qualité. Avantageusement, la valeur de qualité de sortie PQV dudit module est calculée en combinant au moins deux indicateurs parmi lesdits indicateurs d'estimation de variance, d'adéquation AQV, et de robustesse MQV.

Ceci permet d'augmenter la précision de la qualité interne de chaque module et donc d'augmenter la fiabilité de la validation structurelle du système de surveillance. Avantageusement, l'outil de conception comporte des moyens pour appliquer au moins un indicateur de qualité de données sur un résultat dudit système de surveillance obtenu à partir des mesures spécifiques connues comprenant des fautes connues pour vérifier la détection desdites fautes.

Ceci permet de qualifier la qualité du résultat et par conséquent, en combinaison avec la qualification 6 structurelle, permet de complètement valider le système de surveillance et donne une indication sur l'efficacité et le niveau de maturation du système. Selon un premier exemple, l'indicateur de qualité de données est une mesure d'une probabilité de détection POD définie comme étant la probabilité de détecter une faute quand l'équipement surveillé présente une anomalie, et qui est déterminé selon une contrainte d'un taux prédéterminé de fausse alarme PFA défini comme étant la probabilité que l'équipement surveillé est sain quand le système de surveillance détecte une faute. La probabilité de détection POD permet de valider avec une grande fiabilité le résultat du 15 système de surveillance. Selon un deuxième exemple, l'indicateur de qualité de données est une mesure d'un taux de localisation PCL définie comme étant la probabilité qu'une localisation est bonne lorsqu'une anomalie de 20 l'équipement est observée. Le taux ou probabilité de localisation PCL est une information de qualité de classification qui permet de valider avec une grande efficacité le résultat du système de surveillance. 25 Avantageusement, l'outil de conception comporte des moyens pour calculer un indicateur de qualité de corrélation CQV dudit système de surveillance en calculant une corrélation entre la valeur de qualité de sortie PQV et une fonction liée audit indicateur de 30 qualité de données. 7 Ceci permet d'augmenter encore davantage la fiabilité de la validation du système de surveillance en réalisant une synthèse entre sa validation structurelle et sa validation de résultat.

Avantageusement, l'outil de conception comporte des moyens pour calculer un indicateur de taux de couverture de fautes CVR défini en fonction d'une probabilité a priori d'apparition de chaque faute et d'un volume de données nécessaires pour couvrir ladite chaque faute. Ainsi, le taux de couverture de fautes peut être utilisé pour moduler certains indicateurs de qualité de données permettant de confirmer la validation du système de surveillance.

Avantageusement, l'outil de conception comporte des moyens pour calculer un indicateur de qualité de généricité mesurant un niveau de généricité de chacun desdits modules utilisés dans la composition dudit système de surveillance.

L'indicateur de qualité de généricité donne une information supplémentaire sur la validation du système de surveillance. Avantageusement, l'outil de conception comporte des moyens pour calculer un indicateur de pertinence globale du système de surveillance en fonction d'une note de pertinence et d'une pondération associées à chacun desdits modules. La pertinence globale permet d'apporter une information sur la performance du système de surveillance. 8 L'invention vise également un système de surveillance d'au moins un équipement d'un moteur d'aéronef conçu par l'outil de conception selon les caractéristiques ci-dessus et comportant : au moins un module d'acquisition de données configuré pour recevoir via son interface d'entrée des mesures spécifiques IN1 et une valeur de qualité DQV1 associée auxdites mesures spécifiques, et pour délivrer sur son interface de sortie des données spécifiques OUT1 et une valeur de qualité de sortie PQV1 associée auxdites données spécifiques, un module de normalisation configuré pour recevoir via son interface d'entrée, lesdites données spécifiques et ladite valeur de qualité de sortie correspondante et pour délivrer sur son interface de sortie des données standardisées OUT2 et une valeur de qualité PQV2 associée auxdites données standardisées, un module de détection d'anomalie configuré pour recevoir via son interface d'entrée, lesdites données standardisées et ladite valeur de qualité associée aux données standardisées et pour délivrer sur son interface de sortie, un vecteur d'anomalie OUT3 et une valeur de qualité PQV3 associée audit vecteur d'anomalie, et un module de classification configuré pour recevoir via son interface d'entrée, ledit vecteur d'anomalie et ladite valeur de qualité associée au vecteur d'anomalie et pour délivrer sur via son interface de sortie, une mesure d'identification de défaillances OUT4 et une valeur de qualité PQV4 associée à ladite mesure d'identification. 9 BRÈVE DESCRIPTION DES DESSINS La Fig. 1 illustre des moyens matériels mis en oeuvre dans un système de surveillance d'un équipement d'un moteur d'aéronef, selon l'invention ; La Fig. 2 illustre de manière schématique un outil de conception du système de surveillance de la Fig. 1 ; La Fig. 3 illustre de manière schématique un 10 module pouvant être utilisé dans le système de surveillance de la Fig. 1 ; La Fig. 4 illustre un exemple de distribution de probabilités de bonne et mauvaise santé d'un équipement du moteur d'aéronef, selon l'invention ; et 15 La Fig. 5 illustre un exemple d'un système de surveillance de la Fig. 1. EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS La Fig. 1 illustre des moyens matériels mis en 20 oeuvre dans le système de surveillance d'un équipement d'un moteur d'aéronef, selon l'invention. Ces moyens matériels 1 comportent des capteurs 3 pour mesurer des données concernant un équipement particulier 5 du moteur d'aéronef 7 et son 25 environnement et des moyens de traitement 9 de l'information tel un calculateur ou ordinateur pour l'exécution d'un ou de plusieurs programmes d'ordinateur comprenant des instructions de code de programme, stockés dans les moyens de stockage de 10 l'ordinateur et conçus pour mettre en oeuvre un système de surveillance 11 de l'équipement 5. Le système de surveillance 11 est configuré pour recevoir des mesures spécifiques à l'équipement 5 et pour délivrer un résultat diagnostiquant l'état de cet équipement 7. Plus particulièrement, le système de surveillance 11 est configuré pour recueillir et numériser les mesures spécifiques acquises par les capteurs 3 sur l'équipement 5 du moteur 7 et son environnement. Le système de surveillance 11 est configuré aussi pour définir des variables spécifiques donnant des indications sur des éléments physiques ou logiques de l'équipement 5.

Le système de surveillance 11 peut aussi être configuré pour standardiser ou normaliser ces variables spécifiques et pour construire des signatures ou vecteur d'anomalies représentatives du comportement de l'équipement 5.

Le système de surveillance 11 est configuré aussi pour évaluer des scores afin de diagnostiquer ou de détecter si la signature d'anomalie révèle une anomalie. Selon la valeur du score par rapport à un seuil prédéfini, le système de surveillance 11 est configuré pour générer ou pas une alarme indiquant qu'une anomalie est détectée. Le système de surveillance 11 peut aussi être configuré pour identifier ou classifier les anomalies détectées.

Ainsi, selon le type d'application, le système de surveillance 11 est configuré pour réaliser 11 plusieurs tâches pouvant comprendre l'acquisition des données, la normalisation des données, la détection d'anomalies, et éventuellement la classification des anomalies détectées.

La Fig. 2 illustre de manière schématique un outil de conception du système de surveillance 11 d'un équipement 5 du moteur d'aéronef 7, selon l'invention. L'outil de conception comporte les moyens de traitement 9 de l'information comprenant les moyens que l'on trouve habituellement dans un ordinateur : une unité centrale 9a, des moyens de stockage 9b, des périphériques d'entrées 9c ainsi que des périphériques de sorties 9d. Les moyens de traitement 9 sont utilisés pour construire le système de surveillance 11 selon un assemblage de différentes composantes ou éléments qu'on appellera « modules » 13a-13x dédiés à des tâches particulières du système de surveillance 11. En effet, les moyens de stockage 9b comprennent une pluralité de modules 13a-13x qui peuvent être accessibles par exemple, depuis une représentation graphique interactive et où chaque module indique les tâches spécifiques ou fonctions exécutables qu'il utilise.

Ainsi, le système de surveillance 11 peut être construit selon une structure assemblant une chaîne de modules 13 sélectionnés parmi la pluralité de modules 13a-13x selon les tâches particulières du système de surveillance.

La chaîne de modules 13 comprend au moins un module d'entrée 13a à 13c, au moins un module de sortie 12 13f et 13g, et éventuellement un ou plusieurs modules intermédiaires 13d et 13e. Il existe des modules pour toutes les tâches nécessaires à la surveillance et détection des anomalies. Par exemple, quelques modules peuvent être spécialisés pour l'acquisition des données, d'autres pour des tâches d'arithmétique, encore d'autres pour faire un filtrage ou pour l'exploitation des données stochastiques, etc.

La Fig. 3 illustre de manière schématique un module 13i pouvant être utilisé dans le système de surveillance 11, selon l'invention. Chaque module intègre des fonctions algorithmiques qui sont appelées quand c'est nécessaire. En fait, il peut exister une fonction pour initialiser l'état du module, une autre pour faire le calibrage, d'autres fonctions pour l'exécution de l'algorithme et éventuellement une autre pour tracer les résultats.

A titre d'exemple non limitatif utilisable dans le cadre de la présente invention, on peut citer la structure des modules décrite par l'auteur de la présente invention J. Lacaille dans une publication intitulé « A Maturation Environment to Develop and Manage Health Monitoring Algorithms », PHM 2009, San Diego, CA. Chaque module 13i est muni d'une interface d'entrée 13i1 et d'une interface de sortie 13i2 lui permettant de communiquer avec au moins un autre module et/ou avec les capteurs 3 et/ou avec les périphériques de sortie 9d. Chacun des modules 13i est configuré pour 13 recevoir via son interface d'entrée 13i1, une entrée IN (Input) et une valeur de qualité d'entrée DQV (Data Quality Value) associée à l'entrée IN, et pour délivrer sur son interface de sortie 13i2, une sortie Out (Output) correspondant à une sévérité (Risk) et une valeur de qualité de sortie (c'est-à-dire, une valeur de qualité de la sévérité) PQV (Predictive Quality Value) associée à la sortie OUT. Ainsi, les interfaces d'entrée-sortie 13i1-13i2 permettent aux modules 13 de communiquer entre eux ou avec l'extérieur. Plus particulièrement, un module d'entrée 13a correspond à un module d'acquisition de données configuré pour recevoir via son interface d'entrée 13a1, une entrée IN1 correspondant à des mesures spécifiques à l'équipement 5 et son environnent en provenance des capteurs 3. Le module d'entrée 13a est configuré pour recevoir aussi via son interface d'entrée une valeur de qualité d'entrée DQV1 associée aux mesures spécifiques. En particulier, les moyens de traitement 9 attribuent une valeur de qualité DQV1 prédéterminée aux mesures spécifiques. Par exemple, au départ, les moyens de traitement 9 attribuent une valeur de qualité DQV1 égale à un (DQV1=1) aux mesures spécifiques.

Chaque module est responsable de ses données de sortie. Ainsi, le module d'entrée 13a délivre sur son interface de sortie 13a2, une sortie OUT1 et une valeur de qualité de la sortie PQV1 qui sont récupérées par le module suivant 13d via son interface d'entrée 13d1. De module en module, on arrive au dernier (ou derniers) 14 module(s) 13f, 13g de la chaîne 13 correspondant au module(s) de sortie. Plus particulièrement, un module de sortie peut correspondre à un module d'évaluation d'anomalies 13f ou un module de classification 13g. Par exemple, le module 13f est configuré pour recevoir via son interface d'entrée 13f1, une entrée IN4 (correspondant à la sortie du module précédent : IN4=0UT3) et une valeur de qualité d'entrée DQV4 (correspondant à la valeur de qualité de sortie du module précédent : DQV4=PQV3) en provenance du module précédent 13e et pour délivrer via son interface de sortie 13f2, une sortie OUT4 correspondant au résultat du système de surveillance et une valeur de qualité du résultat PQV4.

Le résultat OUT4 du système de surveillance 11 est un diagnostic de l'anomalie ; c'est une mesure qui reflète un comportement anormal de l'équipement 5. Par exemple, si la valeur du résultat OUT4 dépasse un seuil prédéfini, une détection d'anomalie apparaît et éventuellement, génère une alarme sur les périphériques de sorties 9d. A ce résultat est associée une qualité de sortie PQV4 indicatrice de la fiabilité du résultat OUT4. Cette qualité PQV4 qui représente une précision de chaque sortie peut être utilisée pour moduler tout le système de décision qui arrive après. Par exemple, si un résultat OUT4 dépasse le seuil prédéfini indiquant l'existence d'une anomalie, mais que la qualité du résultat PQV4 est faible, alors on peut éventuellement supposer que la détection de l'anomalie n'est pas très fiable. 15 Comme la qualité du résultat dépend de la qualité de chacun des modules, les moyens de traitement 9 sont configurés pour calculer pour chaque module 13i, la valeur de qualité de sortie PQV du module 13i selon une fonction de transfert associant une imprécision de la sortie OUT en réponse à une imprécision de l'entrée IN en utilisant au moins un indicateur de qualité intrinsèque 15i au module 13i. L'indicateur de qualité intrinsèque 15i correspond à une mesure de sensibilité du module. Par exemple, afin de mesurer de manière générique, la qualité structurelle de chaque module 13i, l'indicateur de qualité structurelle 15i peut correspondre à un indicateur d'estimation de variance de l'imprécision de la sortie générée en réponse à une entrée bruitée lors d'un apprentissage du module 13i. En pratique, lors de la phase de validation, on peut bruiter le voisinage d'un point d'entrée IN (par exemple, en mélangeant des données tout en respectant la distribution des lois des entrées). En réponse, la sortie OUT du module 13i présente une variation par rapport à la sortie habituelle, ce qui permet de calculer la variance de ce résultat indiquant la variabilité de l'information de la sortie. Ainsi, pour chacun des points d'une base de données d'apprentissage, on peut calculer une variance correspondante et on fait une estimation (par exemple, selon un modèle de régression) de la variance. Dans ce cas, cette fonction d'estimation de la variance est l'indicateur de qualité intrinsèque 15i qui correspond aussi à la fonction de transfert du module. 16 Selon un autre exemple, l'indicateur de qualité structurelle 15i peut correspondre à un indicateur d'adéquation AQV (Adequancy Quality Value) définissant la mesure d'une distance entre l'entrée IN du module 13i et une entrée de calibrage définie lors d'un apprentissage du module 13i. Dans ce cas, l'indicateur d'adéquation AQV traduit l'imprécision des données d'entrée en une imprécision sur les données de sortie. Ici, en première approximation, la fonction de transfert est égale à l'indicateur d'adéquation AQV (c'est-à-dire, PQV = AQV x DQV) . Cet indicateur d'adéquation AQV mesure l'accord entre les données d'entrée IN courantes et les données d'entrée observées lors du calibrage du module 13i et donne ainsi une indication sur son niveau d'obsolescence. Par exemple, si les entrées IN d'un module 13i ne ressemblent plus aux observations utilisées pendant sa calibration, le module 13i nécessite d'être remanié. On notera que l'AQV peut être calculé pour tout type de modules. L'indicateur d'adéquation AQV est l'adéquation d'une donnée d'entrée. Ainsi, d'une manière pratique, il suffit d'enregistrer les données qui servent au calibrage du module 13i pour qu'on puisse ensuite mesurer son adéquation, en comparant ces données de calibrage à des nouvelles données qui arrivent pendant l'exécution du module 13i. Autrement dit, on mesure la distance entre les nouvelles entrées et les entrées habituelles de calibrage. On peut utiliser par exemple, une distance de distribution de type Kullback-Lieber. 17 L'indicateur d'adéquation AQV peut aussi être calculé comme un ajustement des dernières observations. On peut utiliser le niveau-p d'un test statistique de distribution de comparaison avec ou sans hypothèses du type Ansari-Bradely, Kolmogorov-Smirnov, Wicoxon, ou autres. Comme indiqué précédemment, l'AQV peut être définie comme la probabilité que la distribution courante des entrées correspond à la distribution d'observations utilisée pour la calibration. Alors, après la calibration, l'adéquation est égale à un (AQV=1). Cependant, quand le contexte de mesure change, l'AQV tend naturellement vers zéro. On peut soit prévenir l'utilisateur ou mettre à jour le module 13i de manière automatique. Dans ce dernier cas, une sélection d'observations est implémentée pour des desseins de réapprentissages. Selon un autre exemple, l'indicateur de qualité structurelle 15i correspond à un indicateur de robustesse MQV (Model Quality Value) mesurant une capacité d'utilisation du module 13i face à des nouvelles entrées. Cet indicateur de robustesse MQV est déterminé lors d'un apprentissage du module 13i. Dans ce cas, l'imprécision des données de sortie dépend de la robustesse du module 13i (c'est-à-dire, de la capacité d'utiliser le module pour des nouvelles données d'entrée), et la fonction de transfert est ici égale à l'indicateur de robustesse MQV (c'est-à-dire, PQV = MQV x DQV) L'indicateur de robustesse MQV donne ainsi une information sur le fonctionnement du module 13i par 18 rapport à des données générales et indique alors quelle doit être la qualité moyenne du module 13i lorsque des nouvelles données sont appliquées. Le MQV indique la qualité d'un état interne du module 13i calculée pendant le calibrage, donc pendant la mise au point du module 13i sur des données de test et ainsi, à la fin du calibrage, on a une qualité intrinsèque au module 13i. Autrement dit, c'est une information de qualité a priori qui donne une mesure de ce que le module 13i a l'habitude de répondre comme qualité. On notera qu'en général, un module 13i est calibré à partir d'un ensemble limité de mesures et alors l'estimation de l'indicateur de robustesse MQV peut être calculée en utilisant un modèle de validation croisée ou une technique de bootstrap. Le MQV peut être estimé pour tout module ayant une sortie quantifiable. Bien entendu, la valeur de qualité de sortie PQV d'un module 13i peut être calculée en combinant au moins deux indicateurs de qualité structurelle 15i parmi les indicateurs d'estimation de variance, d'adéquation AQV, et de robustesse MQV. Ceci permet de tenir compte de plusieurs composantes de l'état interne du module 13i qui peuvent dépendre des mesures de l'entrée et des états internes du module 13i. Par défaut, la valeur de qualité de sortie PQV du module 13i peut être calculée en effectuant une multiplication normalisée entre l'indicateur d'adéquation AQV et l'indicateur de robustesse MQV.

Dans ce cas, la qualité des données de sortie dépend à 19 la fois du degré d'obsolescence et de la robustesse du module 13i de la manière suivante : PQV = (MQV OO AQV )xDQV En particulier, on peut prendre la moyenne géométrique .JMQVxAQV si on n'a aucune idée sur les dimensions de l'état intrinsèque des espaces des modules et des données. La qualité de sortie PQV mesure la qualité de chaque module et comme les données d'entrée de chacun des modules intermédiaire(s) 13d, 13e et de sortie 13f, 13g sont calculées par des modules précédents (c'est-à-dire, chaque tâche intermédiaire possède une qualité conditionnée par chaque tâche précédente), alors, la qualité du résultat PQV4 (ou PQV5) donne une bonne indication des qualités de tous les modules précédents 13a à 13e (ou 13a à 13f) de la chaîne de modules 13. Ceci permet de valider le système de surveillance 11 en tant que fonction globale indiquant que lorsqu'on introduit des données dans ce système, on obtient un résultat OUT4 (ou OUTS) avec une certaine information de qualité PQV4 (ou PQV5) sur ces résultats. Les moyens de traitement 9 sont configurés pour évaluer une qualification du système de surveillance 11 en fonction de la valeur de qualité PQV4 (ou PQV5) du résultat OUT4 (ou OUTS) qui correspond à la valeur de qualité de la sortie associée au module(s) de sortie 13f, 13g et qui dépend de la qualité intrinsèque de chacun des modules. Ainsi, la qualification structurelle du système est une validation du système de surveillance 11 en tant qu'une sélection de différents modules qui 20 collaborent entre eux pour résoudre les différentes tâches opérationnelles du système. Autrement dit, les différentes fonctions des différents modules 13a à 13g nécessaires à la surveillance de l'équipement 5 (par exemple, des fonctions concernant l'acquisition des mesures, la normalisation des données, la détection des anomalies, la classification et l'identification des fautes) sont validées de manière indépendante en calculant la qualité interne de chaque module recueillie auprès des expériences locales du module. Avantageusement, les moyens de traitement 9 sont configurés pour pondérer la valeur de qualité de sortie de chacun des modules et pour déterminer une note de qualité structurelle globale en fonction de ces valeurs pondérées. Ceci permet de remonter une information au niveau du système de surveillance 11 en prenant en compte une note de qualité de chacun des modules de la chaîne 13 selon son importance. Après la validation de la structure ou l'architecture du système de surveillance 11, il est avantageux de valider la qualité de son résultat. Ainsi, les moyens de traitement 9 sont configurés pour appliquer au moins un indicateur de qualité de données 17 (voir Fig. 2) sur un résultat OUT4 ou OUTS du système de surveillance 11 obtenu à partir des mesures spécifiques connues comprenant des fautes connues pour vérifier la détection des fautes. Autrement dit, on introduit des mesures spécifiques dans le système de surveillance 11 à partir d'une base de données de fautes générées par simulation, bancs d'essais, et quelquefois (mais 21 heureusement, très rarement) des enregistrements des événements opérationnels réels. Ensuite, on applique un indicateur ou plusieurs indicateurs de qualité de données 17 sur le résultat du système de surveillance 11 pour vérifier la détection des fautes. Ceci donne une note de résultat en parallèle de la note structurelle qui permet de valider le système de surveillance 11 sur un jeu de données spécifique, sur un équipement 5 spécifique du moteur 7 d'aéronef, et dans un contexte spécifique. Selon un premier exemple, l'indicateur de qualité de données 17 est une mesure d'une probabilité de détection P0D (Probability Of Detection) définie comme étant la probabilité de détecter une faute quand l'équipement 5 surveillé présente une faute (ou anomalie). La probabilité de détection POD est déterminée selon une contrainte d'un taux prédéterminé de fausse alarme PFA (Probability of False Alarm) défini comme étant la probabilité que l'équipement 5 surveillé est sain quand le système de surveillance 11 détecte une faute. La probabilité de détection POD (Probability Of Detection) qui est une information de qualité du résultat aussi appelée la puissance de détection 1-p, permet de valider avec une grande fiabilité le résultat du système de surveillance 11. On notera que la probabilité de détection POD s'applique essentiellement sur les modules de diagnostic d'anomalies ou d'évaluation de fautes. 22 La probabilité de détection POD peut être calculée à partir d'une base de données de fautes générées par simulation, bancs d'essais, et quelquefois (mais très rarement) des enregistrements des événements opérationnels réels. Dans ce cas, la probabilité de détection POD peut être estimée comme le rapport du nombre de fautes détectées sur le nombre total de fautes. On notera que le taux ou la probabilité de fausse-alarme PFA est un critère très important dans le domaine aéronautique. En effet, l'événement que l'équipement est sain (c'est-à-dire, en bonne santé) lorsque le système de surveillance détecte une faute est un phénomène qu'il faut limiter parce qu'il peut modifier de manière définitive l'image de crédibilité que l'utilisateur peut avoir du système de surveillance 11. Ainsi, il est très avantageux que le taux ou la probabilité de fausse-alarme PFA soit faible. La probabilité de fausse-alarme PFA qui est définie par la probabilité d'être sain quand on a détecté, peut être calculée à partir des règles bayésiennes. Soit P(détecté) la probabilité marginale qu'une anomalie est détectée par le système de surveillance 11, et P(sain) la probabilité marginale que l'équipement 5 est sain. Alors, le taux de fausse alarme PFA est la probabilité que l'équipement 5 est a posteriori sain sachant qu'une faute est détectée. Ceci peut être représenté par la probabilité conditionnelle suivante : 3 0 PFA = P(sain / détecté) = P(détecté/sain)P(sain) P(détecté) 23 La probabilité de détecter une faute quand l'équipement est sain correspond à l'erreur de détection a =P(détecté/sain) La Fig. 4 illustre un exemple de distribution de probabilités de bonne et mauvaise santé. Plus particulièrement, la courbe Cl représente la distribution d'une probabilité de bonne santé (équipement sain) et la courbe C2 représente la distribution d'une probabilité de mauvaise santé (équipement en faute) par rapport à un seuil prédéfini de diagnostic D. L'erreur de détection a (c'est-à-dire, la probabilité de détecter une faute quand l'équipement est sain) correspond à la partie de la courbe Cl qui dépasse le seuil de diagnostic D. L'erreur (c'est-à-dire, le complément de la probabilité de détection POD) correspond à la partie de la courbe C2 avant le seuil de diagnostic D. Ainsi, le taux de fausse alarme PFA peut être obtenu en fonction de la probabilité de détection POD (c'est-à-dire, 1-P= P(détecté/ faute)) ainsi que d'une probabilité a priori d'avoir une faute P(faute) et de l'erreur de détection a, de la manière suivante : PFA= a(1ùP(faute)) a(1ùP(faute» +PODxP(faute) Avantageusement, afin d'atteindre un faible taux prédéterminé de fausse alarme PFA (par exemple inférieur à 1%), on peut exploiter une méthode de confirmation en utilisant par exemple, plusieurs détections successives. Ainsi, en confirmant une anomalie par corroboration d'information, on va 24 naturellement diminuer le taux de fausse alarme qui se comporte comme un produit de probabilités. Par ailleurs, l'erreur de détection a peut être ajustée pour des PFA et POD données, selon l'équation suivante : a = PODx PFA x P(faute) 1-PFA 1-P(faute) Ceci peut être intéressant car un module est calibré en utilisant l'erreur de détection a sachant que la puissance de détection POD est obtenue comme une information de qualité. Cette équation montre que comme le taux de fausse alarme PFA et la probabilité a priori d'avoir une faute P(faute) sont très faibles, l'erreur de détection a qui se comporte comme leur produit, sera encore plus faible.

Selon un deuxième exemple, l'indicateur de qualité de données 17 est une mesure d'un taux de localisation PCL (Probability of Class Localisation) définie comme étant la probabilité qu'une localisation est bonne lorsqu'une anomalie de l'équipement 5 est observée. Le taux ou probabilité de localisation PCL, qui est une information de qualité de classification, est essentiellement appliqué sur les modules de classification (par exemple, le module 13g) et permet de valider avec une grande efficacité le résultat du système de surveillance 11. Ceci permet de bien localiser l'élément précis (par exemple, alternateur, câble, harnais, etc.) de l'équipement 5 présentant une anomalie. 25 D'une manière générale, la probabilité de détection POD permet de détecter si l'équipement 5 comporte un élément anormal, et ensuite le taux de localisation PCL indique l'efficacité avec laquelle on peut localiser ou identifier cet élément. Le taux de localisation PCL lorsqu'il est appliqué sur un module de classification 13g présente une signification similaire à celle de la probabilité de détection POD. Après la détection d'une faute, un module de diagnostic 13f peut fournir une signature d'anomalie et un module de classification 13g associe une empreinte à cette signature. Cette empreinte peut être représentative d'une faute spécifique ou même d'un composant physique qui a subi l'impact de la dégradation détectée. Cette classification peut être déterministe (c'est-à-dire, que l'empreinte est clairement identifiée) ou probabiliste (c'est-à-dire, qu'une probabilité d'impact est associée à chaque empreinte). Le taux de localisation PCL calcule la proportion de bonnes classifications parmi toutes les fautes . PCL = P(bien classifié / faute) = P(C / F) Comme précédemment, le taux de localisation PCL peut être estimé à partir d'une base de données de mesures de fautes (par simulations, bancs d'essai, ou rares événements). Le taux de localisation PCL peut être déduit de manière bayésienne à partir des indicateurs précédents .

PCL = P(C / F) = P(C / FD)P(D / F) + P(C / FD)P(D / F) P(C / D) = P(C / DF)P(F /D) + P(C / DS)P(S / D) PCL = P(C / D) POD 1ùPFA 26 La lettre C signifie « bien classifié », la lettre F signifie « faute », la lettre D signifie « détecté », le symbole D signifie « non détecté », la lettre S signifie que l'équipement est « sain » (autrement dit, S=F). Sachant que P(C/D)=0 (car il ne peut pas y avoir de classification quand aucune détection n'est déclenchée), que P(C/S)=0 (car si le système est sain, toute tentative possible de classification sera une erreur), que PFA=P(S/D)=1-P(F/D), et que POD=P(D/F), alors on obtient : On notera que chacun des deux indicateurs PCL et POD ou éventuellement, un tout autre indicateur de qualité de données 17 peut être utilisé indépendamment l'un de l'autre ou en combinaison selon le type d'application du système de surveillance 11. Avantageusement, les moyens de traitement 9 sont configurés pour calculer un indicateur de qualité de corrélation CQV (Correlation Quality Value) du système de surveillance 11 en calculant une corrélation entre la valeur de qualité de sortie PQV et une fonction liée à l'indicateur de qualité de données 17. Bien entendu, on peut utiliser comme indicateur de qualité de données 17 la probabilité de détection POD ou le taux de localisation PCL ou un tout autre indicateur de qualité. L'indicateur de qualité de données (par exemple, le POD) correspond à une mesure d'une erreur E 27 a posteriori entre une sortie prévue y et une sortie estimée y (c'est-à-dire, E = yûÿ) . On notera que la corrélation entre PQV et E doit être nulle, sinon il aurait existé une méthode pour améliorer l'estimation. Cependant, la corrélation entre PQV et E2 n'est pas nulle et correspond à une valeur négative qui est même plus proche de -1 quand PQV est une « bonne » information. Ainsi, on peut, par exemple, calculer l'indicateur de qualité de corrélation CQV comme l'opposé de la corrélation entre le carré de l'erreur E et la valeur de qualité de sortie PQV. L'indicateur de qualité de corrélation CQV qualifie la pertinence ou la précision de la qualité de sortie PQV et réalise ainsi une synthèse entre la validation structurelle et la validation de résultat du système de surveillance 11. Avantageusement, les moyens de traitement 9 sont configurés pour calculer un indicateur de taux de couverture de fautes CVR (Coverage Quality Value) défini en fonction d'une probabilité a priori d'apparition de chaque faute et d'un volume de données nécessaires pour couvrir cette faute. Le taux de couverture correspond aux données dont on dispose pour valider chaque type de faute. Notamment, on identifie ainsi les fautes non couvertes par le système de surveillance 11. Pour calculer la couverture, on utilise une connaissance a priori sur l'occurrence de chaque faute (c'est-à-dire, la probabilité d'apparition de la faute) et sur le volume de données nécessaires pour couvrir 28 cette faute. L'expert dans le domaine de surveillance d'un moteur d'aéronef associe donc un pourcentage de couverture par faute (par exemple, 50% si l'on ne dispose que de la moitié du volume de données nécessaire pour couvrir cette faute particulière). On fait alors une moyenne pondérée par les occurrences Oi de ces couvertures Ci pour obtenir le taux de couverture CVR : CVR = L OZ x Cl avec E OZ =1 .

Par exemple, le taux de localisation PCL qui est un taux de bonne classification peut être modulé en utilisant les informations ayant permis de calculer le taux de couverture CVR. En particulier, on peut moduler le résultat de chaque classe i par l'occurrence Oi et/ou la couverture Ci. Ainsi, le taux de couverture de fautes CVR peut être utilisé pour moduler certains indicateurs de qualité de données 17 permettant de confirmer la validation du système de surveillance 11.

En outre, les moyens de traitement 9 sont avantageusement configurés pour calculer un indicateur de qualité de généricité GCL (Generic Level) mesurant un niveau de généricité de chacun des modules 13 utilisés dans la composition du système de surveillance 11. L'indicateur de qualité de généricité GCL est un indicateur de structure qui peut être utilisé pour tous les modules et indique le nombre de fois où un module est utilisé.

En pratique, on peut associer un poids à chaque module 13i selon son importance dans la composition du 29 système de surveillance 11. Ainsi, le niveau de généricité du système de surveillance 11 peut être calculé comme une moyenne pondérée des indicateurs de qualité de généricité GCL. Quand un module 13i est utilisé plus souvent, sa qualité est plus vite accrue et par conséquent, plus le système de surveillance 11 comporte de modules génériques plus grande est la fiabilité de sa validation. Par ailleurs, les moyens de traitement 9 sont avantageusement configurés pour calculer un indicateur de pertinence globale ROM (Relevance Of Methodology) du système de surveillance 11 en fonction d'une note de pertinence et d'une pondération associées à chacun des 15 modules 13. En effet, le système de surveillance 11 est composé de modules 13 et chaque module 13i réalise une tâche particulière en utilisant un algorithme spécifique. Le choix des modules qu'on a utilisés dans 20 la composition du système de surveillance 11 peut être validé par l'expert en attribuant une note de pertinence pour chaque module 13i. En fonction de la pondération associée à chaque module du système de surveillance 11 on en déduit finalement une note de 25 pertinence globale ROM. Elle indique s'il est encore possible de faire des améliorations techniques dans le choix des modules 13 pour améliorer le système de surveillance 11. La Fig. 5 illustre un exemple d'un système de 30 surveillance 11 constitué d'une chaîne de modules 13, selon l'invention. 10 30 Cet exemple montre que les modules d'entrée 13a, 13b comportent un module d'acquisition de données normales 13a et un module d'acquisition de données simulées 13b. L'un ou l'autre des modules d'acquisition 13a, 13b communique avec un module de normalisation 13d. Lors d'une phase de calibration, c'est le module d'acquisition de données simulées 13b qui communique avec le module de normalisation 13d. En revanche, en exécution ou fonctionnement normal, c'est le module d'acquisition de données normales 13a qui communique avec le module de normalisation 13d. Le module de normalisation 13d est connecté à un module de diagnostique ou de détection d'anomalie 13f (scoring) qui est connecté à son tour à un module de classification 13g pour identifier les fautes. Le système de surveillance 11 de la Fig. 5 peut être utilisé par exemple, pour analyser le comportement du moteur 7 d'aéronef pendant les premières secondes du processus d'allumage.

Lors de la phase de calibration ou d'entraînement, ce système de surveillance 11 peut être validé de manière structurelle en utilisant les indicateurs de qualité intrinsèque 15i décrits précédemment. De plus, le résultat du système de surveillance 11 peut être validé en utilisant les indicateurs de qualité de données 17 ainsi que les autres indicateurs décrits précédemment. En exécution, le module d'acquisition de données normales 13a est configuré pour recevoir via son interface d'entrée 13a1 des mesures IN1 spécifiques temporelles acquises par les capteurs 3 sur le moteur 7 31 d'aéronef et pour délivrer sur son interface de sortie 13a2 des données ou variables spécifiques OUT1 donnant des indications sur des éléments physiques ou logiques de l'équipement 5. Ces données sont extraites des mesures brutes temporelles (températures, pressions, débit du carburant, rotations d'arbres, etc.). A titre d'exemple, les données spécifiques peuvent correspondre au délai nécessaire pour qu'un arbre du moteur 7 atteigne l'accélération maximale après chaque démarrage du moteur, le gradient des températures des gaz d'échappement du moteur 7, le temps d'allumage, le temps d'ouverture de soupape, la tendance de la vitesse, etc. En outre, le module d'acquisition de données 13a est configuré pour recevoir via son interface d'entrée 13a1 une valeur de qualité DQV1 des mesures spécifiques et pour délivrer via son interface de sortie 13a2, une valeur de qualité de sortie PQV1 associée aux données spécifiques OUT1.

Le module de normalisation 13d est configuré pour recevoir via son interface d'entrée 13d1, les données spécifiques OUT1 (IN2=OUT1) et la valeur de qualité de sortie PQV1 (DQV2=PQV1) correspondante en provenance du module d'acquisition 13a pour normaliser ces données spécifiques et pour délivrer sur son interface de sortie 13d2 des données standardisées OUT2 indépendantes vis-à-vis du contexte extérieur ainsi qu'une valeur de qualité PQV2 associée aux données standardisées.

A partir de ces données standardisées, il s'agit maintenant de diagnostiquer une anomalie puis de 32 déduire une défaillance spécifique et éventuellement le composant physique concerné. Ainsi, le module de détection d'anomalie 13f qui correspond à un premier module de sortie est configuré pour recevoir via son interface d'entrée 13f1, les données standardisées OUT2 (IN3= OUT2) ainsi que la valeur de qualité PQV2 (DQV3=PQV2) associée aux données standardisées en provenance du module de normalisation 13d pour construire une signature ou vecteur d'anomalie représentative du comportement du moteur 7 et pour diagnostiquer si le vecteur d'anomalie révèle une anomalie. Le module de détection d'anomalie 13f peut détecter une anomalie en calculant par exemple, la norme du vecteur d'anomalie sachant que les signatures normales sont assez plates alors que les anormalités sont représentées par des variations importantes et facilement interprétables. En outre, le module de détection d'anomalie 13f est configuré pour délivrer sur son interface de sortie 13f2, le vecteur d'anomalie ou risque OUT3 ainsi qu'une valeur de qualité PQV3 associée au vecteur d'anomalie. Au cas où le vecteur d'anomalie ou score révèle une anormalité avec une valeur de qualité pertinente et un indicateur de qualité de résultat pertinent, une alarme est alors déclenchée. Plus particulièrement, si la valeur du score OUT3 dépasse un premier seuil de diagnostic prédéfini, si la valeur de qualité PQV3 associée au score dépasse un second seuil prédéfini, et si par exemple, la probabilité de détection POD est pertinente, alors une détection apparaît qui génère une 33 alarme. Ceci permet de déclencher des alertes précises basées sur un bon critère de détection. Le module de classification 13g qui correspond à un deuxième module de sortie est configuré, uniquement au cas où le vecteur d'anomalie OUT3 révèle une anormalité, de recevoir via son interface d'entrée 13g1, le vecteur d'anomalie OUT3 (IN4= OUT3) ainsi que la valeur de qualité PQV3 (DQV4=PQV3) associée au vecteur d'anomalie en provenance du module de détection d'anomalie 13f. En réponse, le module de classification 13g est configuré pour délivrer sur son interface de sortie 13g2, une mesure d'identification des défaillances OUT4 ainsi qu'une valeur de qualité PQV4 associée à la mesure d'identification.

Après avoir identifié les défaillances en calculant par exemple, pour chacune une probabilité d'occurrence, on peut utiliser cette dernière pour détecter les composants fautifs. Pour cela, on peut exploiter une grille de décision définie par expertise et donnant pour chacun des composants physiques analysés une probabilité de faute quand une défaillance précise est observée.

Claims (14)

1. REVENDICATIONS1. Outil de conception d'un système de surveillance (11) d'au moins un équipement (5) d'un moteur (7) d'aéronef, ledit système de surveillance étant configuré pour recevoir des mesures spécifiques audit équipement et pour délivrer un résultat diagnostiquant l'état dudit équipement, caractérisé en ce qu'il comporte : - des moyens (9) pour construire ledit système de surveillance (11) selon une structure assemblant une chaîne de modules (13) dédiés à des tâches particulières dudit système de surveillance et comprenant au moins un module d'entrée (13a à 13c) et au moins un module de sortie (13f, 13g), lesdits modules (13) étant munis d'interfaces d'entrée-sortie (13i1-13i2) leur permettant de communiquer entre eux et/ou avec ledit équipement (5) et son environnement, chacun desdits modules étant configuré pour recevoir via son interface d'entrée (13i1), une entrée (IN) et une valeur de qualité d'entrée (DQV) associée à ladite entrée, et pour délivrer sur son interface de sortie (13i2), une sortie correspondant à une sévérité et une valeur de qualité de sortie(PQV) associée à ladite sortie, - des moyens (9) pour attribuer une valeur de qualité auxdites mesures spécifiques qui correspondent à l'entrée associée audit au moins un module d'entrée (13a à 13c), - des moyens (9) pour calculer pour chacun desdits modules, la valeur de qualité de sortie (PQV) 35 dudit module (13i) selon une fonction de transfert associant une imprécision de la sortie en réponse à une imprécision de l'entrée en utilisant au moins un indicateur de qualité intrinsèque (15i) audit module, et - des moyens (9) pour évaluer une qualification du système de surveillance (11) en fonction d'une valeur de qualité dudit résultat qui correspond à la valeur de qualité de la sortie (PQV) associée audit au moins un module de sortie (13f, 13g).
2. 2. Outil de conception selon la revendication 1, caractérisé en ce qu'il comporte des moyens (9) pour pondérer la valeur de qualité de sortie de chacun des modules (13) et pour déterminer une note de qualité structurelle globale en fonction desdites valeurs pondérées.
3. 3. Outil de conception selon la revendication 1 ou 2, caractérisé en ce que ledit indicateur de qualité structurelle correspond à un indicateur d'estimation de variance de l'imprécision de la sortie générée en réponse à une entrée bruitée lors d'un apprentissage dudit module.
4. 4. Outil de conception selon l'une quelconque des revendications précédentes, caractérisé en ce que ledit indicateur de qualité structurelle (15i) correspond à un indicateur d'adéquation (AQV) définissant la mesure d'une distance entre l'entrée 36 dudit module (13i) et une entrée de calibrage définie lors d'un apprentissage dudit module.
5. 5. Outil de conception selon l'une quelconque des revendications précédentes, caractérisé en ce que ledit indicateur de qualité structurelle (15i) correspond à un indicateur de robustesse (MQV) mesurant une capacité d'utilisation du module face à des nouvelles entrées, l'indicateur de robustesse étant déterminé lors d'un apprentissage dudit module.
6. 6. Outil de conception selon la revendication 5, caractérisé en ce que la valeur de qualité de sortie (PQV) dudit module est calculée en combinant au moins deux indicateurs parmi lesdits indicateurs d'estimation de variance, d'adéquation (AQV), et de robustesse (MQV).
7. 7. Outil de conception selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il comporte des moyens (9) pour appliquer au moins un indicateur de qualité de données (17) sur un résultat dudit système de surveillance (11) obtenu à partir des mesures spécifiques connues comprenant des fautes connues pour vérifier la détection desdites fautes.
8. 8. Outil de conception selon la revendication 7, caractérisé en ce que l'indicateur de qualité de données (17) est une mesure d'une probabilité de détection définie comme étant la 37 probabilité de détecter une faute quand l'équipement surveillé présente une anomalie, et qui est déterminé selon une contrainte d'un taux prédéterminé de fausse alarme défini comme étant la probabilité que l'équipement surveillé est sain quand le système de surveillance détecte une faute.
9. 9. Outil de conception selon la revendication 7 ou 8, caractérisé en ce que l'indicateur de qualité de données (17) est une mesure d'un taux de localisation définie comme étant la probabilité qu'une localisation est bonne lorsqu'une anomalie de l'équipement est observée.
10. 10. Outil de conception selon l'une quelconque des revendications 7 à 9, caractérisé en ce qu'il comporte des moyens (9) pour calculer un indicateur de qualité de corrélation dudit système de surveillance (11) en calculant une corrélation entre la valeur de qualité de sortie (PQV) et une fonction liée audit indicateur de qualité de données.
11. 11. Outil de conception selon l'une quelconque des revendications 7 à 10, caractérisé en ce qu'il comporte des moyens (9) pour calculer un indicateur de taux de couverture de fautes défini en fonction d'une probabilité a priori d'apparition de chaque faute et d'un volume de données nécessaires pour couvrir ladite chaque faute.30 38
12. 12. Outil de conception selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il comporte des moyens (9) pour calculer un indicateur de qualité de généricité mesurant un niveau de généricité de chacun desdits modules (13) utilisés dans la composition dudit système de surveillance (11).
13. 13. Outil de conception selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il comporte des moyens (9) pour calculer un indicateur de pertinence globale du système de surveillance (11) en fonction d'une note de pertinence et d'une pondération associées à chacun desdits modules (13).
14. 14. Système de surveillance d'au moins un équipement (5) d'un moteur (7) d'aéronef conçu par l'outil de conception selon l'une quelconque des revendications précédentes caractérisé en ce qu'il comporte : au moins un module d'acquisition de données (13a, 13b) configuré pour recevoir via son interface d'entrée (13a1) des mesures spécifiques (IN1) et une valeur de qualité (DQV1) associée auxdites mesures spécifiques, et pour délivrer sur son interface de sortie (13a2) des données spécifiques (OUT1) et une valeur de qualité de sortie (PQV1) associée auxdites données spécifiques, un module de normalisation (13d) configuré pour recevoir via son interface d'entrée (13d1), lesdites données spécifiques et ladite valeur de 39 qualité de sortie correspondante et pour délivrer sur son interface de sortie (13d2) des données standardisées (0UT2) et une valeur de qualité (PQV2) associée auxdites données standardisées, un module de détection d'anomalie (13f) configuré pour recevoir via son interface d'entrée (13f1), lesdites données standardisées et ladite valeur de qualité associée aux données standardisées et pour délivrer sur son interface de sortie (13f2), un vecteur d'anomalie (0UT3) et une valeur de qualité (PQV3) associée audit vecteur d'anomalie, et un module de classification (13g) configuré pour recevoir via son interface d'entrée (13g1), ledit vecteur d'anomalie et ladite valeur de qualité associée au vecteur d'anomalie et pour délivrer sur via son interface de sortie (13g2), une mesure d'identification de défaillances (0UT4) et une valeur de qualité (PQV4) associée à ladite mesure d'identification.20