Conception d’un modèle de reconstruction de données de vol fondé sur des approches avancées d’intelligence artificielle

Résumé

La détection d’anomalies dans les données issues des capteurs d’aéronefs est essentielle pour garantir la sécurité et la fiabilité lors des campagnes d’essais en vol. Cependant, la diversité des manoeuvres et la variabilité entre les différents types d’appareils compliquent la conception de modèles prédictifs robustes. La nature dynamique des conditions de vol entraîne des distributions de données non stationnaires, ce qui complique l’application des approches classiques. Dans ce travail, nous proposons un cadre innovant combinant l’apprentissage par métamodélisation et le raffinement à faible coût paramétrique pour relever ces défis. Notre approche s’appuie sur le modèle TSMixer, une architecture d’apprentissage profond de pointe pour la modélisation de séries temporelles, afin de reconstruire le comportement normal des capteurs et de détecter les écarts révélateurs d’anomalies. En complément, nous évaluons les performances d’un modèle à espace d’états, en particulier le modèle Mamba, pour sa capacité à reconstruire des données issues des capteurs physiques telles que les forces. Nous illustrons l’efficacité de notre cadre à travers deux cas d’usage : la détection d’anomalies dans la dynamique de l’aéronef à l’aide de TSMixer, et la détection d’anomalies dans les mesures de forces via Mamba. Afin de généraliser les performances du modèle à différentes conditions de vol, nous utilisons le méta-apprentissage indépendant du modèle (MAML), qui permet une adaptation rapide à partir de données limitées. De plus, nous intégrons l’adaptation à matrice de bas rang (LoRA), une méthode légère et efficace de raffinement de modèle, pour transférer les connaissances entre différents types de manoeuvres. Les résultats expérimentaux montrent que cette double stratégie d’adaptation améliore non seulement la précision de reconstruction, mais réduit également de manière significative le temps d’apprentissage requis lors de l’adaptation à de nouvelles conditions de vol. Dans l’ensemble, ce cadre propose une solution évolutive, performante et économe en données pour la détection d’anomalies dans des environnements aéronautiques complexes et hétérogènes, contribuant ainsi à faire progresser l’état de l’art dans l’analyse des données de vol.

Date	18 nov. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Georges Ghazi (Directeur(-trice)) & Ruxandra Botez (Codirecteur(-trice))