Méthodes d’apprentissage statistique pour l’analyse de données de production et de performances des moteurs d’avion - Laboratoire de Probabilités, Statistique et Modélisation Accéder directement au contenu
Thèse Année : 2023

Statistical learning methods for the analysis of production and performance data of aircraft engines

Méthodes d’apprentissage statistique pour l’analyse de données de production et de performances des moteurs d’avion

Résumé

The manufacturing process of turbofan engine parts generates deviations due to overruns in foundry, weaving or machining. It is therefore necessary to carry out costly and slow metrological measurements. The main objective of the thesis is the statistical analysis of production data and aircraft engine performance in order to detect and anticipate risky production drifts as soon as possible. In particular, we seek to understand the impact of different geometric characteristics of engine parts on the performance. Different statistical learning methods are proposed in order to model the engine performance taking into account the specificities of the data. The first part of the thesis is dedicated to the exploration and visualization of partially observed data. We propose an adaptation of self-organizing maps for incomplete data that aims to simultaneously optimize the map and the imputation of missing values. The proposed missSOM algorithm improves the quality of the selforganizing map and the representation of partially observed data. The second part of the thesis focuses on the statistical modeling of the engine performance based on data concerning the parts of engine. Several statistical learning models are studied and compared. This study reveals strong dependencies related to test conditions and the production of the engine parts. The third part of the thesis deals with the presence of missing data in an influence analysis tool designed to identify the main causes of a production drift. This involves studying the impact of missing data on the results of the influence analysis. Different approaches are considered in order to adapt the tool to incomplete data, and are evaluated according to several scenarios.
Le processus de fabrication de pièces de moteurs turbofan génère des dérogations dues à des dépassements de côtes en fonderie, tissage ou en usinage. Ces dépassements entraînent la nécessité de pratiquer quasi systématiquement des mesures de métrologie lentes et coûteuses. L’objectif principal de la thèse est l’analyse statistique des données de production et des performances des moteurs d’avion afin de détecter et anticiper au plus tôt des dérives de production à risque. On cherche notamment à comprendre l’impact des différentes caractéristiques géométriques des pièces moteurs sur les performances. Différentes méthodes d’apprentissage statistique sont proposées afin de modéliser au mieux les performances moteurs tenant en compte des spécificités des données. La première partie de la thèse est consacrée à l’exploration et à la visualisation des données partiellement observées. Nous proposons une adaptation des cartes auto-organisatrices pour des données incomplètes qui vise à optimiser simultanément la carte et l’imputation des valeurs manquantes. L’algorithme missSOM proposé améliore la qualité de la carte auto-organisatrice et la représentation des données partiellement observées. La deuxième partie de la thèse est dédiée à la modélisation statistique des performances moteurs à partir de la production des pièces. Une étude et une comparaison de plusieurs modèles d’apprentissage statistiques sont réalisées et révèlent de fortes dépendances liées aux conditions d’essais et à la production des pièces moteurs. La troisième partie de la thèse traite la présence de données manquantes dans un outil d’analyse d’influence qui vise à identifier les principales causes d’une dérive de production. Il s’agit d’étudier l’impact des données manquantes sur les résultats d’analyse d’influence. Différentes approches sont considérées afin d’adapter l’outil aux données incomplètes et sont évaluées selon plusieurs scénarios.
Fichier principal
Vignette du fichier
141421_REJEB_2023_archivage.pdf (3.6 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04573045 , version 1 (13-05-2024)

Identifiants

  • HAL Id : tel-04573045 , version 1

Citer

Sara Rejeb. Méthodes d’apprentissage statistique pour l’analyse de données de production et de performances des moteurs d’avion. Probabilités [math.PR]. Sorbonne Université, 2023. Français. ⟨NNT : 2023SORUS726⟩. ⟨tel-04573045⟩
0 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More